En rörledning för 3D Multimodalitet Image Integration och Datorstödd planering i epilepsikirurgi

Summary

Vi beskriver stegen för att använda vår egen utvecklad programvara för bild integration, visualisering och planering i epilepsikirurgi.

Abstract

Epilepsikirurgi är utmanande och användningen av 3D-multimodalitet bild integration (3DMMI) för att underlätta presurgical planering är väl etablerad. Multimodalitet bild integration kan vara tekniskt krävande, och underutnyttjad i klinisk praxis. Vi har utvecklat en enda mjukvaruplattform för bild integration, 3D-visualisering och kirurgisk planering. Här är vår pipeline beskrivs i steg-för-steg-mode, börjar med bildtagning, fortsätter genom bild co-registrering, manuell segmentering, hjärna och extraktionskärlet, 3D-visualisering och manuell planering av stereoEEG (Seeg) implantationer. Med spridningen av programvaran denna rörledning kan reproduceras i andra centra, vilket gör att andra grupper kan dra nytta av 3DMMI. Vi beskriver även användningen av en automatiserad, fler bana planerare för att generera stereoEEG implantation planer. Preliminära studier tyder på att detta är en snabb, säker och effektiv komplement för planering Seeg implantationer. Slutligen ett enkelt solutipå för export av planer och modeller för kommersiella neuro system för genomförande av planerna i operationssalen beskrivs. Denna programvara är ett värdefullt verktyg som kan stödja kliniskt beslutsfattande i hela epilepsikirurgi vägen.

Introduction

I kirurgisk praxis är det av avgörande betydelse för kirurgen att uppskatta anatomiska strukturer och deras rumsliga förhållanden till varandra i tre dimensioner. Detta är särskilt viktigt i neurokirurgi, där kirurgen arbetar i ett begränsat utrymme, med begränsad visualisering och tillgång till komplexa anatomi. Trots detta, hittills mest avbildning har presenterats för kirurger i konventionell plan 2D form och olika avbildningsmetoder är ofta presenteras efter varandra i serie. Som en konsekvens har kirurgen att mentalt integrera dessa data för varje patient, och placera den i en anatomisk ram för presurgical planering. Det finns klara fördelar i att generera 3D datormodeller av den enskilda patientens hjärna, vilket visar anatomin av hjärnbarken, blodkärlen, eventuella patologiska lesioner närvarande liksom andra relevanta 3D landmärken i samma rumsliga sammanhang ^1-4. Innan operationen kirurgen kan rotera och ändra öppenhet of dessa modeller, för att till fullo förstå 3D relationer mellan olika strukturer av intresse. Denna princip kallas 3D multimodalitet bildbehandling (3DMMI).

Syftet med pre-kirurgisk utvärdering för epilepsikirurgi är att sluta sig till lokalisering av det område av hjärnan där anfall uppstår, och se till att detta kan säkert opererande utan att orsaka betydande underskott ^5. Det finns ett brett utbud av diagnostiska avbildningsmetoder som bidrar till detta, bland annat strukturell MRI, fluordeoxiglukos positronemissionstomografi (FDG-PET), ictal single photon emission datortomografi (SPECT), magnetencefalografi (MEG) dipoler, funktionell MRI (fMRI) och diffusion tensor imaging (DTI) ^6. Epilepsikirurgi är idealisk för 3DMMI eftersom det kräver simultantolkning av flera datauppsättningar, och behandlingen av hur varje datamängd avser en annan.

I många fall icke-invasiva undersökningar misslyckas to ge bevisnivå som krävs för att gå vidare till resektion. I dessa fall intrakraniell EEG (IC EEG) inspelningar är nödvändiga för att identifiera den region i hjärnan som måste tas bort för att förhindra anfall. Alltmer, är IC EEG utförs av en teknik som kallas SEEG, i vilken ett antal inspelningsdjup elektroder placeras intracerebralt att fånga ursprunget och förökning av elektrisk aktivitet associerad med kramper i 3D ^1,7-10.

Det första steget i Seeg implantationer är att utveckla strategin för implantation, definiera områden i hjärnan som behöver provtas. Detta innebär att integrera klinisk och icke-invasiv EEG datum, med strukturell avbildning, med någon form av skada, och funktionell bilddata som sluta sig till platsen för källan till epilepsi.

Det andra steget är den exakta kirurgisk planering av elektrodbanorna. Kirurgen måste garantera säkra avaskulära elektrodbanor, centre electrode poster på kronan av gyri och på avstånd från kortikala ytliga blodkärl, och korsar skallen ortogonalt. Dessutom hela implantation arrangemanget måste vara väl utformade, med rimlig mellan elektrodavstånd och inga elektrod kollisioner.

Möjligheten att generera 3DMMI modeller för att styra implantation av IC EEG elektroder i en hektisk epilepsikirurgi praktiken har tidigare visats ^11. Vi har också visat principen att användningen av 3DMMI ger mervärde i kliniskt beslutsfattande. I en prospektiv studie, utlämnande av 3DMMI ändrat någon aspekt av förvaltning 43/54 (80%) fall, och särskilt ändrat placeringen av 158/212 (75%) av djupelektroderna ^12.

Det finns en rad av programvarupaket som underlättar 3DMMI. Dessa inkluderar kommersiellt tillgängliga neuro plattformar som används i operationssalen, specialiserade planeringsprogramvara allierademed neuro plattformar och fristående bild integration och visualisering plattformar forskningsinriktade. Som funktionalitet, flexibilitet och mångsidighet av dessa plattformar ökar, användbarhet och sannolikheten för att översätta dem i klinisk praxis motsvarande minskar.

Vi har utvecklat skräddarsydda program för multimodalitet bild integration, avancerad 3D-visualisering och SEEG elektrodplacering planerar ^12,13 för behandling av epilepsi. Tyngdpunkten ligger på användarvänlighet i en klinisk scenario, vilket gör att i realtid användning av programvara från kliniker, och snabba införlivande i den kliniska pipeline. Mjukvaran körs på en translationell imaging plattform ^14, som kombinerar NiftyReg, NiftySeg och NiftyView.

I detta dokument protokollet för att använda programvaran i klinisk praxis anges. Stegen för bild co-registrering, segmentering av regioner av intresse, hjärna segmentering, utvinnablodkärl från dedikerad vaskulär avbildning ^15, bygga 3D-modeller, planering Seeg implantationer och snabbt exportera modeller och planer till operationssalen beskrivs. Ett nytt verktyg beskrivs också för automatiserad multi-bana planering ^13, som ökar säkerheten och effektiviteten av implantationer och minskar varaktigheten av planeringen avsevärt.

Protocol

OBS: programvarukommandon som ges här är specifika för den aktuella versionen (2015/01/19) av programvaran och kan ändras vid efterföljande programversioner. Manualer för enskilda versioner finns tillgängliga på begäran.

1. Utför Bild Integration och visualisering

1. Förvärva avbildning.
   1. Förvärva neuro T1-viktade MR-undersökning med gadolinium enhancement- detta kommer att vara referensbilden. (Obs: Image Acquisition krav finns från neuro kommersiell leverantör ^11,12 Se tabell 1.).
   2. Sammanställa all avbildning sker under presurgical utvärdering DICOM eller Nifti format (kan omfatta funktionell MRI (fMRI), diffusion tensor imaging (DTI) tractography, fluor-deoxyglucose positronemissionstomografi (FDG-PET), ictal-Interiktal enda fotonemissions CT ( SPECT), magnetencefalografi (MEG) dipol, 3D faskontrast MRI, CT-angiografi) Se tabell 1.
2. Kör förbearbetning utanför egen programvara.
   1. Process isometrisk T1 viktade MRI med öppen källkod Freesurfer mjukvara, körs på en Linux-arbetsstation med kommandot "Recon-alla", för att generera kortikala segmenteringar.
   2. Konvertera wmparc.mgz och ribbon.mgz filer till nifti format med kommandot "mrconvert"
3. Öppet in-house program på Windows PC och läsa in data (Figur 1).
   1. Not 2 x 2 fönstret, Datamanager på längst till vänster, ikoner på toppen som representerar olika bildbehandlingsverktyg och valda verktyget på längst till höger.
   2. Importera data med hjälp av "dra och släpp", genom att gå in i huvudmenyn "Arkiv / Öppna" eller genom en snabbknapp (ikon) "Open". Bläddra genom olika datamängder för att säkerställa fullständighet. Notera zoomfunktionen genom att högerklicka och flytta musen, och hierarkiska struktur Datamanager, med följd bildlagring.
4. Coregister bilder. <ol>
5. Enstaka bilder.
   1. Välj NiftyReg verktyget från hastighets ikoner.
   2. Välj neuro T1 med gadolinium i DataManager- detta kommer att vara referensbild som alla andra avbildning coregistered till.
   3. Välj "flytande bild" att coregistered till referensbild.
   4. Definiera namn och plats för registrerade bilden. Ställ optimerings parametrar till nivå nummer 4, nivå för att utföra tre, iteration nummer 5, coregistration typ stel kropp.
   5. Kör automatisk stel kropp coregistration genom att klicka på "Kör" knappen.
   6. Kontrollera riktigheten av coregistration. Inspektera registrerade bilden över referensbilden och ändra insyn i registrerade bilden genom att högerklicka på bilden Datamanager, och flytta "opacitet" markör. Verifiera coregistration genom att inspektera tydliga anatomiska landmärken såsom foramen i Monroe.
6. Kopplade bilder.
   1. Coregister 'rymd definiera bilden "först (t.ex. Fraktionerad anisotrop karta), med hjälp av NiftyReg verktyget som i stegen 1.4.1.1 - 1.4.1.6.
   2. Välj RegResample verktyget från hastighets ikoner.
   3. Välj neuro T1 med gadolinium i Datamanager som referensbild.
   4. Välj bild med resultaten av behandling (t.ex.., Tractography bild) som flytande bild.
   5. Använd txt fil som genereras från tidigare registrering av "rymd definiera bilden" som input transformation.
   6. Definiera namn och plats för registrerade bilden. Välj interpoleringstyp som 0.
   7. Kör omsampling av "resultat av behandling" genom att klicka på "Kör" knappen.
   8. Visa ny genererade bilden genom att välja i Datamanager
   9. Kontrollera riktigheten av coregistration som i steg 1.4.1.6.
7. Upprepa steg 1.4.1 - 1.4.2 för alla datamängder.

Segment bilder.

1. Välj bild ska fördelas Datamanager och välj Segmente Editor verktyg från hastighets ikoner.
2. Använd avancerade segmente verktyg (manuell segmentering, region växande, subtraktion) för att dra regionen av intresse på flera skivor av avbildning i axial, koronalt och sagittalplan
3. Välj 3D interpolation för att visualisera utvecklas segmenterad struktur i 3D-fönstret. Bekräfta segmentering för att generera ny Nifti fil av segmenterad struktur.
4. Upprepa steg 1.5.1 - 1.5.3 för alla bilder där manuell segmentering anges.

Generera hjärnan modeller.

1. Välj wmparc.nii bilden på Datamanager, och se till wmparc.nii är coregistered med referensbild med hjälp av steg 1.4.1.
2. Välj Grundläggande Verktyg från hastighets ikoner.
3. Tillämpar ett tröskelvärde att wmparc.nii 1-5002 att skapa binarised mask av cortex.

Render regioner av intresse som 3D-ytor (Figur 2, 3). Obs: Visualisering av datamängder som 3D-yta renderingar (STL-filer) kan ske på två sätt:

1. Använd Surface Extractor tool.
   1. Välj Surface ikon Extractor. Definiera tröskeln för utvinning yta och välj Använd. Namn ytrendering i Datamanager.
2. Högerklicka på Nifti fil i Datamanager och välj "Smooth Polygon Surface".

Utdrag ytmodeller av fartyg (Figur 4). Obs: Extrahera fartyg från dedikerad vaskulär avbildning (3D faskontrast MRI, CT angiografi, T1 viktade MRI med gadolinium) kan ske på två sätt.

1. Använd Surface Extractor verktyg.
   1. Coregister kärl avbildning till referensbilden med hjälp av NiftiReg. 3D-yta gör bilden med Surface Extractor.
   2. Generera intrakraniell mask genom att tillämpa utvidgning och stänga funktioner i Basic bildbehandling till binarised mask cortex. Applicera intrakraniell mask till kärl avbildning med den fler funktion i Basic bildbehandling för att avlägsna extrakraniella fartyg.
   3. Ta bort brus från stl file genom att behandla utanför internt program, med hjälp av 3D-nät bearbetning programpaketet. Obs: Anvisningar för användning av detta verktyg är fritt tillgängliga på nätet.
2. Använda VesselExtractor verktyget.
   1. Välj VesselExtractor verktyget från hastighets ikoner. Välj kärlbilddatauppsättning och ange namn och plats för fartygs utvinning Nifti fil.
   2. Kör VesselExtractor genom att klicka på "Kör". Applicera intrakraniell mask till resultaten av VesselExtractor använder föröka funktion i Basic bildbehandling för att avlägsna extrakraniella fartyg. Obs: Intrakraniell mask som genereras genom tillämpning av utvidgning och stänga funktioner i Basic bildbehandling till binarised mask av cortex som i 1.8.1.2.
3. Upprepa processen med 1.8.1 eller 1.8.2 för CT angiografi, 3D faskontrast MRI och neuro T1 med gadolinium.

Generera volym rendering av hjärnan (figur 5).

1. Välj wmparc.nii imålder på Datamanager, och säkerställa wmparc.nii är coregistered med referensbild med hjälp av steg 1.4.1.
2. Välj Grundläggande Verktyg från hastighets ikoner.
3. Applicera Gauss utjämning att wmparc.nii bild, med grundläggande Processing verktyg.
4. Välj volym rendering verktyget från hastighets ikoner, och se till att jämnas wmparc.nii fil är markerad i Datamanager.
5. Tick ​​"volym rendering" låda inuti volymrenderings verktyg för att generera volym rendering av cortex.

2. Utför manuell planering

1. Använd Banans Planner hastighet ikon.
   1. Välj neuro T1 skanna som referensbild. Välj nya planen, och New bana.
   2. Välj målpunkt på plan avbildning genom att trycka på "Alt" och högerklicka på musen, baserat på listan över önskade anatomiska målpunkter av kliniker. Obs: Exempel på mål innefattar mesiala temporala strukturer (amygdala, hippocampus), isolering, cingulum gyrus.
   3. Välj startpunkt på plan avbildning genom att trycka på "Alt" och vänsterklicka på musen, baserat på listan över önskade startpunkter av kliniker. Obs: Exempel på startpunkter inkluderar mitten tids gyrus, precentral gyrus, supramarginal gyrus.
   4. Observera linjär bana som genereras mellan mål och ingångspunkt.
2. Visualisera risk.
   1. Välj Risk Visualisering hastighet ikonen för att undersöka bana längd.
   2. Välj "länkvy plan" för att länka Probes öga betraktaren att ortogonala visa plan i huvudfönstret.
   3. Rulla längs banan, undersöka Probes öga betraktaren att säkerställa avaskulär väg.

3. Utför Datorstödd planering

1. Förbered data.
   1. Förbered grå yta.
      1. Välj ribbon.nii fil som genereras från kortikala segmente programvara.
      2. Co-registrera ribbon.nii fil till referensbild med hjälp av NiftiReg.
      3. 3D-yta render co-registrerade bilden med hjälp av "Smooth polygon yta" funktion.
   2. Förbered hårbotten och hårbotten utslagning mall.
      1. Välj T1 neuro bilden som referensbild.
      2. Använda grundläggande bildbehandling verktyg för att tillämpa Gauss transformation.
      3. Yta framför bilden med yta Extractor, för att generera hårbotten yta.
      4. Spara och exportera bilden som STL-fil.
      5. Last stl fl i 3D-nät bearbetning programvara.
      6. För hårbotten, rengöringsmedel och redigeringsverktyg för att ta bort intrakraniella innehåll.
      7. För hårbotten uteslutning mall, använder manuella redigeringsverktyg för att avlägsna områden som inte är lämpliga för elektrod infarterna (dvs.., Ansikte, öron, kontralaterala hemisfären, området under tentoriet cerebelli).
   3. Förbereda ytan sulci yta.
      1. Generera hela sulci.
         1. Binarise wmparc.nii fil att använda det grundläggande bildbehandling verktyg som i steg 1.6.3.
         2. nära binarisedwmparc.nii fil med 3 med grundläggande bildbehandling verktyg.
         3. Subtrahera binarised fil som genereras i 3.1.3.1.1 från slutna binarised fil som genereras i 3.1.3.1.2 med grundläggande bildbehandling verktyg.
      2. Ta bort sulci på djupet för att generera ytan sulci bilden. Obs: med yta sulci bilden som en kritisk struktur har fördelen att distans banor bort från sulci vid ytan av hjärnan, och tillåter banor att närma sulci på djupet, vilket är där grå ligger.
         1. Minska slutna, binarised wmparc fil som genereras i 3.1.3.1.2 att använda det grundläggande bildbehandling verktyg.
         2. Invertera fil som genereras i 3.1.3.2.1 att använda det grundläggande bildbehandling verktyg.
         3. Multiplicera fil som genereras i 3.1.3.2.2 av hela sulci genereras i 3.1.3.1.3, att använda det grundläggande bildbehandling verktyg.
2. Kör multi-bana planerare (Figur 6).
   OBS: Automated flera bana planering är beroende av robust uppgifter förberedelse; yta renderingar i hårbotten, hårbotten utslagning mask, intrakraniell kärl yta sulci, cortex och grå substans krävs.
   1. Välj Banans Planner från hastighets ikoner. Välj referensbild som neuro T1 MRI.
   2. Välj "målpunkter"; flera målpunkter kan skrivas in med "Shift" och mus vänsterklick, eller genom att ladda en sparad målpunkt set. Obs: Exempel på mål innefattar mesiala temporala strukturer (amygdala, hippocampus), isolering, cingulum gyrus.
   3. Välj "startpunkter", och välj hårbotten utslagning mask på den bifogade rullgardinsmenyn. Notera: Detta har till ändamål att begränsa sökningen av möjliga ingångspunkter till ett begränsat område som är kirurgiskt genomförbart att implementera.
   4. Välj kritiska strukturer, märkning ytorna från rullgardinsmenyn som banor bör undvika. Välj avancerade inställningar; justera användardefinierade constraints om bana längd, vinkel för inträde och avståndet mellan banor som föredras.
   5. Välj grå fråga-vita substansen utvärdering och stratify risk slag för att optimera den andel av de banor som ligger i grå substans.
   6. Kör flera bana planerare genom att välja Lägg till ny plan, och Recompute plan.
3. Visualisera risk (Figur 7).
   1. Bedöma profiler risk- och skydds efter bana planering, med ikonen Risk Visualisering hastighet.
      Obs: För varje bana finns statistik för längd, vinkel för inträde, kumulativ risk, minsta avstånd till blodkärl och grå vita substansen förhållanden, plus grafisk representation längs banan väg avstånd till kritiska strukturer. En sond öga betraktaren ingår också.
   2. Välj Risk kartan i Datamanager för att visa en färgkodad kontur karta liggande hårbotten utslagning mask, med potentiella startpunkter representerade och tillhörande risknivån colour kodade, med röd representerar hög risk och grönt representerar låg risk för någon vald bana.
4. Manuell justering av banor.
   1. Välj bana.
   2. Välj ny startpunkt genom att trycka på Alt och mus högerklicka, och ny målpunkt genom att trycka på Alt och mus vänsterklicka.
   3. Utvärdera ny bana med hastighetsikonen Risk Visualisering som i steg 3,3.

4. exportplaner och modeller till operationssalen

1. Kontrollera att referensbilden är i DICOM-format. Välj S7 Export från hastighetsikonen.
2. Definiera referensbilden, planer och banor och de modeller som ska exporteras, och ange destinationen för den sparade arkivet. Kör S7 export verktyg.
3. Ladda upp genererade arkiv på ett USB-minne för överföring till ett neurosystem i operationssalen, och ladda arkiverade mapp på neuro system för klinisk tillämpning av planerade trajectories.

5. rekonstruera elektrod implantation Postoperativt

1. Förvärva postoperativ CT.
2. Last CT huvud på egen programvara, och lasten tidigare sparade patientdata set.
3. Coregister CT att referera T1 viktade MRI använder NiftyReg verktyget.
4. Generera 3D-yta rendering av elektroder med hjälp av SurfaceExtractor verktyget på registrerade CT, med hög tröskel.
5. Rengör ytan utförda elektroder av buller, och ledningar med hjälp av rengöring och reparation funktioner 3D-nät bearbetning programvara.

Representative Results

Protokollet som beskrivs för bild integration, visualisering, manuell planering och export till en vald neuro systemet har varit anställd på Rikshospitalet för neurologi och neurokirurgi sedan augusti 2013. Detta omfattar 35 fall av SEEG implantation ^12, med implantation av 319 djupelektroder. 27/35 (77%) av patienterna har utvecklats till en kortikal resektion efter implantation, vilket är ett tecken på att implantation identifierade området beslag debut. Det har förekommit en hemorragisk komplikation i samband med placeringen av djupelektroder, och detta behandlades konservativt.

De avbildningsmetoder som används under presurgical utvärderingen beslutas från fall till fall, och beskrivs i tabell 1. Protokollet är flexibel och kan innehålla någon avbildning modalitet som kan importeras till DICOM eller Nifti format. Figur 1 visar den grundläggande visningsprogram för vår egen mjukvaruplattform, och figurerna 2, 3, 4 och 5 visar typiska skärm under byggandet av 3D multimodalitet modeller.

Sömlös integrering av detta protokoll i vår kliniska pipeline, och spridningen av denna programvara till andra centra, är en användbar surrogat "markör" av framgång. Svårigheterna att bedöma klinisk nytta i epilepsikirurgi befolkningen är väl kända och beskrivs på annat håll ^12. Denna rörledning har en strömlinjeformad lösning, som är flexibelt, relativt användarvänligt och lätt att replikera i andra centra.

Datorstödd planering (CAP) är en ny utveckling som har efterhand testats på tidigare manuellt planerade implantationer ^16. Preliminära resultat tyder på att CAP genererar säkrare, mer efficient implantationer, som är möjligt att genomföra och som avslutas i ett tidseffektivt sätt ^16. Tabell 2 visar denna kvantitativ jämförelse. En prospektiv studie av användning av CAP i klinisk praxis pågår. Algoritmen som driver CAP har tidigare beskrivits ^13.

Figur 6 visar en typisk resultatet från den automatiserade multi-bana planerare. De kritiska strukturer som har införts är vener, artärer och yta sulci. Observera centrering av banorna på kronan av gyri och begränsande av bana inmatningspunkter i hårbotten uteslutning mask. Figur 7 visar en typisk risk visualisering graf för en enskild bana, med tillhörande mått och grafisk återgivning av banan längd.

Figur 1. Grund Viewer Visning av In-house mjukvaruplattform. Vänster- Datamanager, TOP verktygsfält som innehåller genvägar plug-in verktyg, HÖGER strömkontakten i verktyg som används, CENTRE- 4 Ortho-view display. Klicka här för att se en större version av denna siffra.

Figur 2. Segmentering och 3D-visualisering i In-house Software. (A) axial T1 MRI med lagrad ytmodeller, (B) 3D-yta rendering av modeller (cyan-vener, grön- motor hand från transkraniell magnetisk stimulering, orange bågformade fasciculus tractography, blå- kortikospinala tractography, rosa- optisk strålning tractography, gul- uncinate fasciculus tractography, lila- thalamus segmentation). Klicka här för att se en större version av denna siffra.

Figur 3. Generering av Cortex ytmodeller. (A) axiell vy av wmparc fil, (B) wmparc fil tröskel 1-5002, (C) yta rendering av binarised wmparc fil. Klicka här för att se en större version av denna siffra.

Figur 4. Fartygs Utvinning i In-house Software använder Vesselness. (A) Axial CT angiogram co-registrerade med 3D faskontrast MRI. (B) 3D-yta rendering av vener (cyan) och artärer (röd). Klicka här för att se en större version av denna siffra.

Figur 5. Framställning av Cortex volymmodell 3D-volymen rendering av cortex (grå) och yta rendering av hårbotten yta (vit). Klicka här för att se en större version av denna siffra.

Figur 6. 3D Multimodalitet Modeller av Datorstödd Banans planering. (A) hårbotten (vit), hårbotten utslagning mask (gul) och banor (purple). (B) hårbotten och mask transparent för att visa hjärnan (rosa), sulci (grön), vener (cyan) och artärer (röd). (C) hårbotten och mask bort för att visa banor och hjärna. (D) hjärna bort för att visa banor, yta sulci, vener och artärer. Klicka här för att se en större version av denna siffra.

Figur 7. Grafisk visualisering av Metrics associerade med individuella banor. Topp- längd, vinkel korsar skalle, risk, G / W-förhållande och minsta avstånd från ett blodkärl> 1 mm i diameter. Medel- grafisk visning av närmaste kritisk struktur längs längd banan (röd-artär, cyan-ven, y-Axis-avstånd till struktur (max 10 mm), x-Axis-avstånd längs bananfrån hjärnan inträde till målet, SM-säkerhetsmarginal representeras som horisontella röda linjen som markerar 3 mm separation av banan till kritisk struktur). Botten- grafisk visning av banan väg genom grå och vit substans (grön-extracerebrala, grå-grå substans, vit- vita substansen). Klicka här för att se en större version av denna siffra.

<td> Navigation T1 med gadolinium

modalitet	Plats	Förbearbetning	Synfält (AP x RL x IS)	Voxelstorlek (AP x RL x IS)
3D T1 FSPGR	ES	Nej	256 x 256 x 166	0,94 x 0,94 x 1,1
Coronal T2 FLAIR	ES	Nej	256 x 160 x 32	0,94 x 1,5 x 3,5
NHNN	Nej	512 x 512 x 144	0,5 x 0,5 x 1,5
MRI 3D faskontrast	NHNN	Nej	256 x 256 x 160	0,85 x 0,85 x 1
CT angiogram	NHNN	Nej	512 x 512 x 383	0,43 x 0,43 x 0,75
MEG dipol	NHNN	Ja
Ictal-Interiktal SPECT	UCLH	Ja	128 x 128 x 49	3,9 x 3,9 x 3,9
FDG-PET	UCLH	Ja	128 x 128 x 47	1,95 x 1,95 x 3,3
DTI	ES	Ja	128 x 128 x 60	1,88 x 1,88 x 2,4
Funktionell MRI, EEG korrelerade fMRI	ES	Ja	128 x 128 x 58

Tabell 1. avbildningsmetoder som används för bild Integration ((ES-Epilepsy Society, NHNN-National Hospital för neurologi och neurokirurgi, UCLH- University College London Hospital, FSPGR-FastSpoiledGradientRecalledEcho, MEG-magnetencefalografi, SPECT-single-photon emission computed tomography, FDG PET - fluordeoxiglukos positronemissionstomografi, DTI-diffusion tensor imaging, AP- främre bakre, RL - höger vänster, IS - sämre överlägsen).

	Manuell planering *	KEPS*	Beräknad Skillnad (manuell-CAP)	Fel	P-värde
Elektrod Längd (mm, 1 dp)	57,9 (21,8)	53,9 (15,6)	4,74	1,59	<0,05
Vinkel av Entry (grader från vinkelrätt, en dp)	16,2 (12,8)	13,0 (7,6)	5,89	1,07	<0,05
Risk (normaliserade enheter, 2 dp)	0,41 (0,79)	0,36 (0,42)	0,19	0,03	<0,05
Minsta avstånd från Blodkärl (mm, en dp)	4,5 (3,0)	4,5 (3,0)	-0,56	0,2	<0,05
Andel Intracerebral elektrod i grå (2 dp)	0,33 (0,33)	0,48 (0,28)	-0,11	0,02	<0,05

Tabell 2. Statistisk Jämförelse mellan manuell och dator assisTed Planning (CAP). * första värdet är medianen, är andra värde inom parentes kvartilavståndet. Denna tabell har reproducerats med tillstånd från ^16.

Discussion

Sammanfattningsvis, de avgörande stegen för bild integration och 3D-visualisering är bild co-registrering, segmentering av hjärnan, fartyg och andra strukturer eller intresseområden, och exportera till ett neurosystem. Denna process har tidigare utförts i gruppen med hjälp av kommersiellt tillgänglig programvara bild integration. En nackdel med denna rörledning var den tid det tog, med hela processen tar 2-4 h. Med hjälp av vår egen mjukvaruplattform, är denna rörledning förenklas avsevärt, och kan fyllas i 1-2 tim. Vidare finns en ny funktion för kirurgisk planering av Seeg elektrod banor på detta program, som kan göras manuellt eller med datorhjälp. Fördelarna med CAP jämfört med manuell planering är ökad precision, minskad risk och ökad hastighet, och har diskuterats på annat ställe (Nowell et al, under tryckning, Sparks et al, inlämnad).

Den egna mjukvaruplattform är i kontinuerlig dtveckling, med nya verktyg och funktioner läggs för att stödja alla faser av presurgical utvärdering och kirurgisk behandling. Det finns därför ett behov av rigorösa tester vid varje ny version release. Aktuella begränsningar av programvaran inkluderar en brist på hög kvalitet volym rendering, som förekommer i andra plattformar och är ett värdefullt tillskott för avancerad 3D-visualisering. Även export är endast kompatibel med en utvald neuro företag i dagsläget. Dessa begränsningar har inte påverkat den kliniska nyttan av programvaran i vår enhet, och har inte bromsat spridningen av tekniken till andra centra.

Betydelsen av detta program är att det tar bort de hinder som tidigare grupper har citerat som skäl för att inte använda 3DMMI. Lösningen ger enkel att använda verktyg i en enda plattform, som inte kräver specialiserad utbildning eller kompetens, tid och kostnadseffektiv och lätt översättas i klinisk praxis. Vi har plans för att lägga till ytterligare innovationer på programvara för att stödja epilepsikirurgi. Dessutom kan de metoder som lätt appliceras på andra områden av neurokirurgi, såsom resektion av låg kvalitet tumörer nära vältalig cortex, fokal lesionering och leverans av riktad stimulering. 3DMMI och precisa kirurgiska planeringsverktyg kommer sannolikt att bli allt viktigare i modern kirurgi, som mer utmanande fall tas på och som minimalt invasiva behandlingar anger vanligt förekommande.

Materials

Name	Company	Catalog Number	Comments
EpiNav	UCL		Inhouse software platform for image integration, segmentation, visualisation and surgical planning
Freesurfer	Martinos Centre for Biomedical Imaging		Software for cortical segmentation
S7 Stealthstation	Medtronic		Neuronavigation system
MeshLab	ISTI-CNR		3D mesh processing software
NiftiK	UCL		Translational imaging platform
AMIRA	Visualisation Sciences Group		Image integration software