En rørledning til 3D Multimodalitet billede Integration og Computerstøttet planlægning i Epilepsi Surgery

Summary

Vi beskriver de skridt til at bruge vores specialdesignede software til billedbehandling integration, visualisering og planlægning i epilepsi kirurgi.

Abstract

Epilepsi kirurgi er udfordrende og brugen af ​​3D multimodalitet billede integration (3DMMI) at hjælpe prækirurgisk planlægning er veletableret. Multimodalitet billede integration kan være teknisk krævende, og er underudnyttet i klinisk praksis. Vi har udviklet et enkelt software-platform til billedbehandling integration, 3D-visualisering og kirurgisk planlægning. Her er vores pipeline beskrevet i trin-for-trin mode, startende med billedoptagelse, fortsætter gennem billedet co-registrering, manuel segmentering, hjerne og udvinding fartøj, 3D-visualisering og manuel planlægning af stereoEEG (Seeg) implantationer. Med udbredelsen af ​​softwaren denne rørledning kan gengives i andre centre, så andre grupper til at drage fordel af 3DMMI. Vi beskriver også anvendelsen af ​​en automatiseret, multi-bane planlæggeren at generere stereoEEG implantation planer. Foreløbige undersøgelser tyder på det er en hurtig, sikker og effektiv supplement til planlægning Seeg implantationer. Endelig en simpel solutipå for eksport af planer og modeller til kommercielle neuronavigation systemer til gennemførelse af planer på operationsstuen er beskrevet. Denne software er et værdifuldt værktøj, der kan understøtte den kliniske beslutningsproces i hele epilepsi kirurgi vej.

Introduction

I kirurgisk praksis er det afgørende for kirurgen at værdsætte anatomiske strukturer og deres rumlige relationer til hinanden i tre dimensioner. Dette er især vigtigt i neurokirurgi, hvor kirurgen arbejder i et lukket rum, med begrænset visualisering og adgang til komplekse anatomi. På trods af dette, til dato mest imaging er blevet præsenteret for kirurger i konventionel plane 2D form og forskellige billeddiagnostiske modaliteter ofte præsenteret ene efter den anden i serien. Som følge heraf har kirurgen at mentalt integrere disse data for hver patient, og placere den i en anatomisk rammer for prækirurgisk planlægning. Der er klare fordele i at generere 3D computermodeller af den enkelte patients hjerne, hvilket viser anatomien af cortex, blodkarrene, eventuelle patologiske læsioner til stede samt andre relevante 3D milepæle i samme rumlige sammenhæng ^1-4. Før operationen kirurgen kan rotere og ændre gennemsigtigheden of disse modeller, fuldt ud at forstå de 3D-relationer mellem forskellige strukturer af interesse. Dette princip kaldes 3D multimodalitet imaging (3DMMI).

Formålet med præ-kirurgisk evaluering for epilepsi kirurgi er at udlede lokaliseringen af det område af hjernen, hvor anfald opstår, og sikre, at dette kan sikkert resekteres uden at forårsage betydelige underskud ^5. Der er en bred vifte af billeddiagnostiske modaliteter, der bidrager til dette, herunder strukturel MRI, fluorodeoxyglukose positronemissionstomografi (FDG-PET), iktal enkelt foton emissions computeriseret tomografi (SPECT), magnetoencephalography (MEG) dipoler, funktionel MRI (fMRI) og diffusion tensor imaging (DTI) ^6. Epilepsi kirurgi er velegnet til 3DMMI da det kræver den samtidige fortolkning af flere datasæt, og overvejelser om, hvordan hver datasæt vedrører en anden.

I mange tilfælde ikke-invasive undersøgelser mislykkes to give den grad af beviser, der kræves for at fortsætte til resektion. I disse tilfælde er det nødvendigt at identificere det område af hjernen, der skal fjernes for at undgå kramper intrakraniel EEG (IC EEG) optagelser. Stigende grad IC EEG udføres af en teknik kaldet SEEG, hvor en række af optagelse dybde elektroder placeres intracerebralt at fange oprindelse og udbredelse af elektrisk aktivitet associeret med kramper i 3D ^1,7-10.

Det første skridt i Seeg implantationer er at udvikle strategien for implantation, der definerer de områder af hjernen, der skal udtages prøver. Dette indebærer integration af kliniske og ikke-invasiv EEG dato med strukturel billeddannelse, med enhver læsion, og funktionel billeddannelse data, udlede placeringen af ​​kilden til epilepsi.

Det andet trin er den præcise kirurgiske planlægning af elektroden baner. Kirurgen skal sikre sikker avaskulære elektrode baner, centrering electrode indgange på kronen af ​​gyri og fjernt fra kortikale overflade vener, og gennemkører kraniet ortogonalt. Derudover hele implantation arrangementet skal være godt udtænkt, med rimelig inter-elektrode afstand og ingen elektrode kollisioner.

Gennemførligheden af at generere 3DMMI modeller til at guide implantation af IC EEG-elektroder i en travl epilepsi kirurgi praksis er tidligere påvist ^11. Vi har også påvist princippet om, at brugen af ​​3DMMI giver merværdi i klinisk beslutningstagning. I et prospektivt studie, videregivelse af 3DMMI ændret nogle aspekter af ledelse i 43/54 (80%) tilfælde, og specifikt ændret positionering af 158/212 (75%) af dybde elektroder ^12.

Der er en række softwarepakker, der letter 3DMMI. Disse omfatter kommercielt tilgængelige neuronavigation platforme, der bruges i operationsstuen, specialiserede planlægning softwarepakker allieredemed neuronavigation platforme og forskning orienteret enkeltstående billede integration og visualisering platforme. Som funktionalitet, fleksibilitet og alsidighed af disse platforme stigning, brugbarhed og sandsynligheden for at oversætte dem til klinisk praksis tilsvarende falder.

Vi har udviklet specialdesignet software til multimodalitet billede integration, avanceret 3D-visualisering og SEEG elektrodeplacering planlægning ^12,13 til behandling af epilepsi. Der lægges vægt på brugervenlighed i et klinisk scenarie, så realtid brug af software af klinikere, og hurtig integration i den kliniske pipeline. Softwaren kører på en translationel imaging platform ^14, der kombinerer NiftyReg, NiftySeg og NiftyView.

I dette papir protokollen for at bruge softwaren i klinisk praksis er fastlagt. Trinene til billedet co-registrering, segmentering af områder af interesse, hjerne segmentering, udvindingblodkar fra dedikerede vaskulær billeddannelse ^15, bygning 3D-modeller, planlægning Seeg implantationer og hurtigt eksportere modeller og planer til operationsstuen er beskrevet. En roman værktøj er også beskrevet til automatiseret multi-bane planlægning ^13, der øger sikkerheden og effektiviteten af implantationer og væsentligt reducerer varigheden af planlægning.

Protocol

BEMÆRK: Software kommandoer forudsat her er specifikke for den aktuelle version (2015/01/19) af softwaren, og kan ændre sig ved senere software releases. Vejledninger til de enkelte versioner er tilgængelige på anmodning.

1. Udfør Billede Integration og visualisering

1. Acquire billeddannelse.
   1. Erhverve neuronavigation T1-vægtede MR-scanning med gadolinium enhancement- dette vil være reference billedet. (Bemærk: krav Image Acquisition er tilgængelige fra neuronavigation kommercielle leverandør ^11,12 Se tabel 1.).
   2. Saml alle andre imaging gjort under prækirurgisk evaluering i DICOM eller Nifti format (kan omfatte funktionelle MRI (fMRI), diffusion tensor imaging (DTI) traktografi, fluor-deoxyglucose positronemissionstomografi (FDG-PET), iktal-interictal enkelt foton emission CT ( SPECT), magnetoencephalography (MEG) dipol, 3D fasekontrast MRI, CT angiografi) Se tabel 1.
2. Kør forbehandling uden in-house software.
   1. Proces isometrisk T1 vægtet MRI med open source Freesurfer software, køre på en Linux arbejdsstation ved hjælp af kommandoen "Recon-all", for at generere kortikale segmentations.
   2. Konverter wmparc.mgz og ribbon.mgz filer til nifti format ved hjælp af kommandoen 'mrconvert'
3. Åbent in-house software på Windows-pc og indlæse data (Figur 1).
   1. Note 2 x 2 vindue display, DataManager på langt tilbage, ikoner på toppen repræsenterer forskellige billedbehandling værktøjer og valgte værktøj på yderst til højre.
   2. Importer data ved hjælp af "træk og slip", ved at åbne hovedmenuen "File / Open" eller ved en hastighed knap (ikon) "Open". Rul gennem forskellige datasæt for at sikre fuldstændighed. Bemærk zoomfunktionen ved at højreklikke og flytte musen, og den hierarkiske natur DataManager, med fortløbende billede overlay.
4. Coregister billeder. <ol>
5. Enkelte billeder.
   1. Vælg NiftyReg værktøj fra hastighed ikoner.
   2. Vælg neuronavigation T1 med gadolinium i DataManager- dette vil være henvisning billede, alle andre imaging er coregistered til.
   3. Vælg 'flydende billede' skal coregistered at referere billede.
   4. Definer navnet og placeringen af ​​registrerede billede. Indstil optimeringsparametre til niveau nummer 4, niveau til at udføre 3, iteration nummer 5, coregistration typen stive krop.
   5. Kør automatiseret stive krop coregistration ved at klikke på knappen 'Kør'.
   6. Kontroller nøjagtighed coregistration. Undersøg registrerede billede over referencebilledet, og ændre gennemsigtigheden af ​​registrerede billede ved at højreklikke på billedet i DataManager, og flytte markøren "Opacity". Kontroller coregistration ved at inspicere klare anatomiske landmærker såsom foramen af ​​Monroe.
6. Forbundne billeder.
   1. Coregister 'rum-definition billede' først (f.eks. Fractional anisotropisk kort), ved hjælp af NiftyReg værktøj som i trin 1.4.1.1 - 1.4.1.6.
   2. Vælg RegResample værktøj fra hastighed ikoner.
   3. Vælg neuronavigation T1 med gadolinium i DataManager som reference billede.
   4. Vælg billede med resultater af behandlingen (f.eks., Traktografi billede) som flydende billede.
   5. Brug txt fil genereret fra tidligere registrering af 'rum-definition billede' som input transformation.
   6. Definer navnet og placeringen af ​​registrerede billede. Vælg interpolation type som 0.
   7. Kør resampling af 'resultat af behandlingen' ved at klikke på knappen 'Kør'.
   8. Se ny genereret billede ved at vælge i DataManager
   9. Kontroller nøjagtighed coregistration som i trin 1.4.1.6.
7. Gentag trin 1.4.1 - 1.4.2 for alle datasæt.

Segment billeder.

1. Vælg billede, der skal segmenteres i DataManager, og vælg Segmentering Editor værktøj fra hastighed ikoner.
2. Brug avancerede segmentering værktøjer (manuel segmentering, region voksende, subtraktionsorganers) til at trække region af interesse på flere skiver af billeddannelse i aksial, koronale og sagittale planer
3. Vælge 3D interpolation at visualisere udviklende segmenteret struktur i 3D vindue. Bekræft segmentering til at generere nye Nifti fil for segmenteret struktur.
4. Gentag trin 1.5.1 - 1.5.3 for alle billeder, hvor manuel segmentering er indiceret.

Generere hjerne modeller.

1. Vælg wmparc.nii billede på DataManager, og sikre wmparc.nii er coregistered med henvisning billedet ved hjælp af trin 1.4.1.
2. Vælg Basic Håndværktøj fra hastighed ikoner.
3. Påfør en tærskel til wmparc.nii 1-5002 at skabe binarised maske af cortex.

Render regioner af interesse som 3D overflader (Figur 2, 3). Bemærk: Visualisering af datasæt som 3D overflade gengivelser (STL-filer) kan gøres på to måder:

1. Brug Surface Extractor tOOL.
   1. Vælg Surface Extractor ikon. Definer tærskel for overfladen udvinding og vælg Anvend. Navn overfladegengivelse i DataManager.
2. Højreklik på Nifti fil i DataManager og vælg 'Glat Polygon Surface'.

Uddrag overflade modeller af skibe (figur 4). Bemærk: Udpakning skibe fra dedikerede vaskulær billeddannelse (3D fasekontrast MRI, CT-angiografi, T1 vægtet MRI med gadolinium) kan gøres på to måder.

1. Brug Surface Extractor værktøj.
   1. Coregister det vaskulære billeddannelse til referencen billedet ved hjælp NiftiReg. 3D overflade gør billedet ved hjælp Surface Extractor.
   2. Generer intrakranielt maske ved at anvende dilatation og lukke funktioner i Basic Image Processing til binarised maske af cortex. Påfør intrakraniel maske til det vaskulære billeddannelse ved hjælp af den formere funktion i Basic Image Processing at fjerne ekstrakraniale fartøjer.
   3. Fjern støj fra STL file ved at behandle uden in-house software, ved hjælp af 3D-mesh forarbejdning software pakke. Bemærk: Vejledning til brug af dette værktøj er frit tilgængelige online.
2. Brug VesselExtractor værktøj.
   1. Vælg VesselExtractor værktøj fra ikonerne hastighed. Vælg vaskulær billede datasæt og angive navnet og placeringen af ​​skibet-udvinding Nifti fil.
   2. Kør VesselExtractor ved at klikke på 'Kør'. Påfør intrakraniel maske til resultaterne af VesselExtractor vha formere funktion i Basal Image Processing at fjerne ekstrakraniale kar. Bemærk: Intrakraniel maske genereret ved at anvende dilatation og lukke funktioner i Basic Image Processing til binarised maske af cortex som i 1.8.1.2.
3. Gentag fremgangsmåden ifølge 1.8.1 eller 1.8.2 for CT angiografi, 3D fasekontrast MRI og neuronavigation T1 med gadolinium.

Generere volumen gengivelse af hjernen (figur 5).

1. Vælg wmparc.nii imalder på DataManager, og sikre wmparc.nii er coregistered med henvisning billedet ved hjælp af trin 1.4.1.
2. Vælg Basic Håndværktøj fra hastighed ikoner.
3. Anvend gaussisk udjævning at wmparc.nii billedet, ved hjælp af Basic Processing værktøjer.
4. Vælg volumen rendering værktøj fra hastighed ikoner, og sikre glattede wmparc.nii fil er fremhævet i DataManager.
5. Tick ​​'volumen rendering' kasse inde volumen rendering værktøj til at generere volumen gengivelse af cortex.

2. Udfør manuel planlægning

1. Brug Trajectory ikon Planner hastighed.
   1. Vælg neuronavigation T1 scanning som reference billede. Vælg Ny Plan, og New bane.
   2. Vælg mål punkt på plane billeddannelse ved at trykke "Alt" og højreklik på musen, baseret på listen over ønskede anatomiske målpunkter af klinikere. Bemærk: Eksempler på mål omfatter mesiale tidsmæssige strukturer (amygdala, hippocampus), isolering, cingulat gyrus.
   3. Vælg indgang på plane billeddannelse ved at trykke "Alt" og venstre-klik på musen, baseret på listen over ønskede indgangssteder af klinikere. Bemærk: eksempler på adgangspunkter omfatter midten tidsmæssig gyrus, PreCentral gyrus, supramarginal gyrus.
   4. Overhold lineært forløb genereret mellem mål og indgang.
2. Visualiser risiko.
   1. Vælg Risk Visualisering ikon hastighed for at undersøge bane længde.
   2. Vælg 'linket Vis fly' at knytte Probes øje seeren til retvinklede se fly i hovedvinduet.
   3. Rul langs bane, undersøger Probes øje seeren at sikre avaskulær sti.

3. Udfør Computerstøttet planlægning

1. Forbered data.
   1. Forbered grå stof overflade.
      1. Vælg den ribbon.nii fil genereret fra cortical segmentering software.
      2. Co-registrere ribbon.nii fil til henvisning billede ved hjælp NiftiReg.
      3. 3D overflade Render co-registreret billede ved hjælp af 'Glat polygon overflade' funktion.
   2. Forberede hovedbund og hovedbund udelukkelse skabelon.
      1. Vælg T1 neuronavigation billede som reference billede.
      2. Brug Basic Image Processing værktøj til at anvende Gaussisk transformation.
      3. Surface gengive billedet ved hjælp Surface Extractor, at generere hovedbund overflade.
      4. Gem og eksport image som STL fil.
      5. Load stl fle i 3D mesh forarbejdning software.
      6. For hovedbund, bruge rengørings- og redigeringsværktøjer til at slette intrakranielle indhold.
      7. For hovedbunden udelukkelse skabelon, brug manuelle redigeringsværktøjer til at fjerne områder, der ikke egner sig til elektrode indgange (dvs.., Ansigt, ører, kontralateral halvkugle, område under tentorium cerebelli).
   3. Forbered overfladen sulci overflade.
      1. Generer hele sulci.
         1. Binarise wmparc.nii fil ved hjælp af Basic Image Processing værktøj som i trin 1.6.3.
         2. Luk binarisedwmparc.nii fil med 3 hjælp Basic Image Processing værktøj.
         3. Træk binarised fil genereret i 3.1.3.1.1 fra lukkede binarised fil genereret i 3.1.3.1.2 hjælp Basic Image Processing værktøj.
      2. Fjern sulci i dybden for at generere overfladen sulci billedet. Bemærk: hjælp overflade sulci billede som et kritisk struktur har den fordel afstandselementer baner væk fra sulci ved overfladen af ​​hjernen, og tillader baner at nærme sulci i dybden, hvilket er hvor grå stof ligger.
         1. Reducer den lukkede, binarised wmparc fil genereret i 3.1.3.1.2 bruge Basic Image Processing værktøj.
         2. Inverter fil genereret i 3.1.3.2.1 bruge Basic Image Processing værktøj.
         3. Gang fil genereret i 3.1.3.2.2 af hele sulci genereres i 3.1.3.1.3, ved hjælp af Basic Image Processing værktøj.
2. Kør multi-bane planlæggeren (figur 6).
   BEMÆRK: Automated multi-bane planlægning er afhængig af robust forberedelse data overflade gengivelser af hovedbunden, hovedbund udelukkelse maske, intrakraniel vaskulatur overflade sulci, cortex og grå stof er påkrævet.
   1. Vælg Trajectory Planner fra hastighed ikoner. Vælg henvisning image som neuronavigation T1 MRI.
   2. Vælg "målpunkter«; flere målpunkter kan indtastes ved "Shift" og musen til venstre klik, eller ved at indlæse en gemt målpunkt sæt. Bemærk: Eksempler på mål omfatter mesiale tidsmæssige strukturer (amygdala, hippocampus), isolering, cingulat gyrus.
   3. Vælg 'indgange', og vælg hovedbund udelukkelse maske på vedlagte rullemenuen. Bemærk: Dette har til formål at begrænse søgningen af ​​mulige indgange til et begrænset område, der er kirurgisk muligt at gennemføre.
   4. Vælg kritiske strukturer, mærkning overfladerne fra rullelisten, at baner bør undgå. Vælg avancerede indstillinger; justere brugerdefinerede constraints vedrørende bane længde, vinkel indrejse og afstanden mellem baner som foretrækkes.
   5. Vælg grå sags skyld hvid substans evaluering og stratificere risiko slags til at optimere andelen af ​​de baner, der ligger i grå substans.
   6. Kør multi-bane planner ved at vælge Tilføj ny Plan, og Recompute Plan.
3. Visualiser risiko (figur 7).
   1. Vurdere risiko- og sikkerhedsprofil efter bane planlægning, ved hjælp af ikonet Risk Visualisering hastighed.
      Bemærk: For hver bane er der målinger for længde, vinkel indrejse, kumulative risiko, minimum afstand til blodkar og grå stof hvid substans nøgletal, plus grafisk repræsentation langs bane vej afstand til kritiske strukturer. En sonder øje seer er også inkluderet.
   2. Vælg Risk kortet i DataManager at vise en farvekodet kontur map overliggende hovedbunden udelukkelse maske, med potentielle indgange repræsenteret og den tilhørende risikoniveau colour kodet, med rød repræsenterer høj risiko og grøn repræsenterer lav risiko for enhver valgte bane.
4. Manuel justering af baner.
   1. Vælg bane.
   2. Vælg ny indgang ved at trykke Alt og mus højreklik, og nyt mål punkt ved at trykke på Alt og musen til venstre klik.
   3. Vurdere ny bane ved hjælp af ikonet Risk Visualisering hastighed som i trin 3.3.

4. Eksport Planer og modeller til operationsstuen

1. Kontroller at henvisningen billede er i DICOM-format. Vælg S7 Eksport fra ikonet hastighed.
2. Definer reference billedet, planer og baner, og de modeller, der skal eksporteres, og specificere destinationen for den gemte arkiv. Kør S7 eksport værktøj.
3. Upload genererede arkiv over på en USB-stick for overførsel til et neuronavigation system i operationsstuen, og indlæse arkiveret mappe på neuronavigation system til klinisk implementering af planlagte trajectories.

5. Genopbygning Elektrode Implantation Post-operativt

1. Erhverve postoperativ CT billeddannelse.
2. Load CT hovedet på in-house software, og indlæse tidligere gemte patient datasæt.
3. Coregister CT til henvisning T1 vægtet MRI hjælp af NiftyReg værktøjet.
4. Generer 3D overflade gengivelse af elektroder ved hjælp af SurfaceExtractor værktøj på registrerede CT, med høj tærskling.
5. Ren overflade ydede elektroder af støj, og ledninger ved hjælp af rengøring og reparation funktioner i 3D mesh behandling software.

Representative Results

Det er beskrevet for billedet integration, visualisering, manuel planlægning og eksport til et udvalgt neuronavigation-system protokol er blevet ansat på Rigshospitalet for Neurologi og Neurokirurgi siden august 2013. Dette omfatter 35 tilfælde af SEEG implantation ^12, med implantation af 319 dybde elektroder. 27/35 (77%) af patienterne har udviklet sig til en kortikal resektion efter implantation, hvilket er en indikator, implantation identificeres området for beslaglæggelse debut. Der har været en hæmoragisk komplikation relateret til placeringen af ​​dybde elektroder, og dette blev behandlet konservativt.

De billeddiagnostiske modaliteter anvendt under prækirurgisk evaluering afgøres fra sag til sag, og er beskrevet i tabel 1. Protokollen er fleksibel, og kan inkorporere enhver imaging modalitet, der kan importeres til DICOM eller Nifti format. Figur 1 viser den grundlæggende fremviser for vores interne softwareplatform, og figur 2, 3, 4 og 5 illustrerer typiske screenshots under bygningen af 3D Multimodality-modeller.

Den problemfri integration af denne protokol i vores kliniske pipeline, og udbredelse af denne software til andre centre, er en nyttig surrogat "markør" for succes. Vanskelighederne med at vurdere klinisk fordel i epilepsi kirurgi befolkning er velkendte og beskrevet andetsteds ^12. Denne rørledning tilbyder en strømlinet løsning, som er fleksibel, forholdsvis brugervenlig og nem at kopiere i andre centre.

Computerstøttet planlægning (CAP) er en nyere udvikling, der har været med tilbagevirkende kraft testet på tidligere manuelt planlagte implantationer ^16. Foreløbige resultater tyder på, at den fælles landbrugspolitik genererer sikrere, mere effekient implantationer, der er muligt at gennemføre, og som er afsluttet i en tid, effektiv måde ^16. Tabel 2 viser dette kvantitativ sammenligning. En prospektiv undersøgelse af brug af CAP i klinisk praksis er i gang. Algoritmen, der driver CAP er tidligere blevet beskrevet ^13.

Figur 6 viser en typisk resultat fra den automatiserede multi-bane planlæggeren. De kritiske strukturer, der er blevet indtastet, er vener, arterier og overflade sulci. Bemærk centreringen af banerne på kronen af gyri, og tvangsføringen af bane indgange til en hovedbund udelukkelse maske. Figur 7 viser et typisk risiko visualisering graf for en individuel bane, med tilhørende målinger og grafisk gengivelse af bane længde.

Figur 1. Grundlæggende Viewer Visning af In-house software platform. VENSTRE- DataManager, TOP værktøjslinje, der indeholder genveje plug-in værktøjer, HØJRE- nuværende plug i værktøjet i brug, Centre-4 Ortho-view display. Klik her for at se en større version af dette tal.

Figur 2. Segmentering og 3D Visualisering i In-house software. (A) aksial T1 MRI med indlagte overflade modeller (B) 3D overflade gengivelse af modeller (cyan-vener, Grønland motor hånd fra transkraniel magnetisk stimulation, orange- buet fasciculus traktografi, blå- corticospinal traktografi, Pink-optisk stråling traktografi, gul-uncinate fasciculus traktografi, purple- thalamus segmentation). Klik her for at se en større version af dette tal.

Figur 3. Frembringelse af Cortex Surface Models. (A) aksial visning af wmparc fil, (B) wmparc fil tærsklingsbehandlet 1-5002, (C) overflade gengivelse af binarised wmparc fil. Klik her for at se en større version af dette tal.

Figur 4. Vessel Ekstraktion i In-house software ved hjælp Vesselness. (A) Axial CT angiogram co-registreret med 3D fasekontrast MRI. (B) 3D overflade gengivelse af vener (cyan) og arterier (rød). Klik her for at se en større version af dette tal.

Figur 5. generation af Cortex Volume Model 3D Volume gengivelse af cortex (grå) og overflade gengivelse af hovedbunden overflade (hvid). Klik her for at se en større version af dette tal.

Figur 6. 3D Multimodality modeller af Computerstøttet baneplanlægning. (A) hovedbund (hvid), hovedbund udelukkelse maske (gul) og baner (purple). (B) hovedbund og maske gennemsigtig til at vise hjernen (lyserød), sulci (grøn), venerne (cyan) og arterier (rød). (C) hovedbund og masken fjernet for at vise baner og hjerne. (D) hjerne fjernet for at vise baner, overflade sulci, vener og arterier. Klik her for at se en større version af dette tal.

Figur 7. Grafisk Visualisering af Metrics forbundet med individuelle baner. Top- længde, vinkel gennemkører kranium, risiko, G / W-forhold og minimumsafstand fra et blodkar> 1 mm i diameter. Mellem- grafisk visning af nærmest kritisk struktur langs længden af ​​bane (rød-arterie, cyan-vene, y-akse- afstand til struktur (maks 10 mm), x-akse- afstand langs banefra hjerne post til at målrette, SM sikkerhedsmargen repræsenteret som vandret rød linje, der markerer 3 mm adskillelse af bane til kritisk struktur). Bund- grafisk visning af bane vej gennem grå og hvid substans (grøn-ekstracerebral, grå-grå stof, hvid- hvide substans). Klik her for at se en større version af dette tal.

<td> Navigation T1 med gadolinium

modalitet	Webstedet	Forbehandling	Synsfelt (AP x RL x IS)	Voxelstørrelsen (AP x RL x er)
3D T1 FSPGR	ES	Ingen	256 x 256 x 166	0,94 x 0,94 x 1,1
Koronale T2 FLAIR	ES	Ingen	256 x 160 x 32	0,94 x 1,5 x 3,5
NHNN	Ingen	512 x 512 x 144	0,5 x 0,5 x 1,5
MRI 3D fasekontrast	NHNN	Ingen	256 x 256 x 160	0,85 x 0,85 x 1
CT angiogram	NHNN	Ingen	512 x 512 x 383	0,43 x 0,43 x 0,75
MEG dipol	NHNN	Ja
Iktal-interictal 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
Funktionel MRI, EEG-korreleret fMRI	ES	Ja	128 x 128 x 58

Tabel 1. billeddiagnostiske metoder anvendes til billede Integration ((ES-Epilepsy Society, NHNN-National Hospital for Neurologi og Neurokirurgi, UCLH- University College London Hospital, FSPGR-FastSpoiledGradientRecalledEcho, MEG-magnetoencephalography, SPECT-single photon emission computertomografi, FDG PET - fluorodeoxyglukose positronemissionstomografi, DTI-diffusion tensor imaging, AP forreste posterior, RL - højre venstre, IS - ringere superior).

	Manuel planlægning *	KASKET*	Anslået Forskel (manuel-CAP)	Fejl	P-værdi
Elektrode Længde (mm, 1 dp)	57,9 (21,8)	53,9 (15,6)	4.74	1,59	<0,05
Vinkel indtastning (grader off vinkelret, en dp)	16.2 (12.8)	13,0 (7,6)	5,89	1,07	<0,05
Risk (normaliserede enheder, 2 dp)	0,41 (0,79)	0,36 (0,42)	0,19	0.03	<0,05
Minimum Afstand fra Blood Vessel (mm, en dp)	4,5 (3,0)	4,5 (3,0)	-0,56	0.2	<0,05
Andel af Intracerebralt elektrode i grå substans (2 dp)	0,33 (0,33)	0,48 (0,28)	-0,11	0.02	<0,05

Tabel 2. Statistisk Sammenligning mellem Manuel og Computer-assisTed Planning (CAP). * første værdi er median, anden værdi i parentes er interkvartile område. Denne tabel er gengivet med tilladelse fra ^16.

Discussion

Sammenfattende de afgørende skridt til billedbehandling integration og 3D-visualisering er billedet co-registrering, segmentering af hjernen, skibe og andre strukturer eller områder af særlig interesse, og eksport til et neuronavigation system. Denne proces er tidligere udført i gruppe ved hjælp kommercielt tilgængelige billede integration software. En ulempe til denne rørledning var den tid det tager, med hele processen tager 2 - 4 timer. Ved hjælp af vores in-house software platform, er denne rørledning forenklet betydeligt, og kan være afsluttet i 1 - 2 ud hr. Yderligere er der den ekstra funktionalitet kirurgisk planlægning af Seeg elektrode baner på denne software, der kan gøres manuelt eller med computer-assistance. Fordelene ved den fælles landbrugspolitik i forhold til manuel planlægning øges præcision, reduceret risiko og øget hastighed, og er blevet omtalt andetsteds (Nowell et al, In Press, Sparks et al, indsendt).

Den interne softwareplatform er i konstant ddvikling, med nye værktøjer og funktionalitet bliver tilføjet til at støtte alle stadier af prækirurgisk evaluering og kirurgisk ledelse. Der er derfor behov for grundig afprøvning ved hver ny version udgivelse. Nuværende begrænsninger i software omfatter en mangel på høj kvalitet volumen rendering, som er til stede i andre platforme og er en værdifuld tilføjelse til avanceret 3D-visualisering. Også eksporten er kun kompatibel med en udvalgt neuronavigation selskab på nuværende tidspunkt. Disse begrænsninger har ikke påvirket den kliniske anvendelighed af softwaren i vores enhed, og har ikke bremset udbredelsen af ​​teknologien til andre centre.

Betydningen af ​​denne software er, at det fjerner de barrierer, der tidligere grupper har nævnt som årsager til ikke at bruge 3DMMI. Løsningen giver nem at bruge værktøjer i en enkelt platform, der ikke kræver specialuddannelse eller ekspertise, er tid og omkostningseffektive og let omsættes til klinisk praksis. Vi har plans at tilføje flere nyskabelser til softwaren for at støtte Epilepsi Surgery. Endvidere kunne de metoder, let anvendes på andre områder af neurokirurgi, såsom resektion af lav kvalitet tumorer tæt på veltalende cortex, fokal læsionsdannelsen og levering af målrettede stimulation. 3DMMI og præcise kirurgiske planlægningsværktøjer vil sandsynligvis blive stadig vigtigere i moderne kirurgi, som mere udfordrende sager er taget på og så minimalt invasive behandlinger indtaste almindelig praksis.

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