Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

Interiktal høyfrekvente Svingninger oppdages med samtidig magnetoencefalografi og Electroencephalography som Biomarker av Pediatric Epilepsi

Published: December 6, 2016 doi: 10.3791/54883
Automatic Translation
1, 1, 2, 1, 3, 4, 2
1Fetal-Neonatal Neuroimaging and Developmental Science Center, Division of Newborn Medicine, Department of Medicine, Boston Children's Hospital, Harvard Medical School, 2Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School, 3Division of Epilepsy Surgery, Department of Neurosurgery, Boston Children's Hospital, Harvard Medical School, 4Division of Epilepsy and Clinical Neurophysiology, Department of Neurology, Boston Children's Hospital, Harvard Medical School

Summary

Høyfrekvente Svingninger (HFOs) har dukket opp som presurgical biomarkører for identifisering av epileptogen sone i pediatriske pasienter med medisinsk refraktær epilepsi. En metode for ikke-invasiv opptak, deteksjon og lokalisering av HFOs med samtidig skalp elektroencefalografi (EEG) og magnetoencefalografi (MEG) er presentert.

Abstract

Avgjørende for å lykkes med epilepsi kirurgi er tilgjengeligheten av en robust biomarkør som identifiserer epileptogen Zone (EZ). Høyfrekvente Svingninger (HFOs) har dukket opp som potensielle presurgical biomarkører for identifisering av EZ i tillegg til interiktal Epileptiforme Utslipp (IEDer) og ictal aktivitet. Selv om de er lovende for å lokalisere den EZ, er de ennå ikke egnet for diagnose eller overvåkning av epilepsi i klinisk praksis. Primære barrierer forbli: mangelen på en formell og global definisjon for HFOs; påfølgende heterogenitet av metodiske tilnærminger som brukes for sin studie; og de praktiske vanskeligheter med å oppdage og lokalisere dem invasivt fra hodebunnen opptak. Her presenterer vi en metode for opptak, deteksjon og lokalisering av interiktal HFOs fra pediatriske pasienter med refraktær epilepsi. Vi rapporterer representative data av HFOs oppdaget invasivt fra interiktal skalp EEG og MEG fra to barnunder operasjonen.

De underliggende generatorer av HFOs ble lokalisert ved å løse den inverse problem og deres lokalisering ble sammenlignet med Seizure Onset Zone (SOZ) da dette ble definert av epileptologi. For både pasienter, ble interiktal epileptogen Utslipp (IEDer) og HFOs lokalisert med kilde bildebehandling til samstemmige steder. For en pasient, intrakranielle EEG (iEEG) data var også tilgjengelig. For denne pasienten, fant vi at HFOs lokalisering var konkordant mellom ikke-invasiv og invasiv metoder. Sammenligningen av iEEG med resultatene fra hodebunnen opptak servert å validere disse funnene. Til vår beste kunnskap, er dette den første studien som viser kilden lokalisering av hodebunnen HFOs fra samtidige EEG og MEG opptak sammenligne resultatene med invasive opptak. Disse funnene tyder på at HFOs kan påvises med sikkerhet og lokalisert invasivt med hodebunnen EEG og MEG. Vi konkluderer med at det ikke-invasiv lokalisering av interictal HFOs kunne gi en betydelig bedre presurgical evaluering for pediatriske pasienter med epilepsi.

Introduction

Pediatric epilepsi er en vanlig nevrologisk lidelse med en prevalens rate på 4-6 per 1000 barn 1. Det kan ha en stor innvirkning på barns utvikling 2 og kan ha betydelig innvirkning på deres voksne liv. Langsiktige oppfølgingsstudier i barndommen-utbruddet epilepsi indikerer at ca 30% av pasienter med epilepsi blir medisinsk vanskelige 3-6, og krever vanligvis resective epileptisk kirurgi. I mange av disse pasientene, fører epilepsi kirurgi for å betydelig reduksjon i anfallsfrekvens og ofte til anfall. For å være vellykket, bør epilepsi kirurgi oppnå anfallsfrie stat med minimal eller ingen funksjonelle underskudd. Dette krever nøye avgrensning av epileptogen Zone (EZ) 7, den "område av hjernebarken som er uunnværlig for generering av epileptiske anfall" 8. EZ kan ikke måles direkte, beliggenheten er estimert basert på samstemmige data fra en rekke tester that identifisere andre kortikale soner. Invasiv hjerne elektroencefalografi (iEEG) fungerer som gullstandarden for lokalisering av beslaget utbruddet sone (SOZ), regionen hvor beslagene er generert og stammer på ictal innspillinger. Men iEEG er kostbart, avhengig av samarbeid med barnet, bærer noen risiko for infeksjon og blødninger 9, og kan indusere ytterligere nevrologiske skader under implantasjon 10. Videre kan opptakene føre til feilaktige konklusjoner siden store områder av hjernen blir stående uutforsket. Dermed er en robust presurgical biomarkør som hjelper i identifisering av EZ nødvendig for å lykkes med kirurgisk epilepsi behandling.

Patologiske HFOs (80-500 Hz) 11,12 har dukket opp i løpet av det siste tiåret som en biomarkør for identifikasjon av epileptogen vev som kan forbedre presurgical diagnose og kirurgisk utfallet av pasienter med epilepsi 13. Rapporter ved hjelp av microelektroder kombinert med dybde EEG-elektroder viste tilstedeværelse av HFOs hos pasienter med epilepsi. HFOs ble også funnet ved hjelp av standard macroelectrodes under ictal og interiktal perioder. Nyere studier har vist at HFOs identifisere SOZ med høyere sensitivitet og spesifisitet i forhold til den irriterende sonen 14,15, sonen som genererer IED, og at den kirurgiske fjerning av HFO genererende vev korrelerer med bedre resultater enn fjerning av SOZ eller irritative sone 15. HFOs blir ofte kategorisert som krusninger (80-250 Hz) eller raske krusninger (250-500 Hz). Raske krusninger har blitt tettere knyttet til patologisk aktivitet og lokalisering av SOZ 16, men undersøkelser av menneskelige intrakranielle opptak viser at både krusninger og raske krusninger øke i epileptogene regioner 17.

Til tross for disse lovende resultater, er HFOs ennå ikke egnet for diagnose eller overvåkning avepilepsi i klinisk praksis. Primære barrierer forbli: (i) mangelen på en formell og global definisjon for HFOs; (Ii) påfølgende heterogenitet av den metodiske tilnærminger som brukes for sin studie; og (iii) de praktiske vanskeligheter med å oppdage og lokalisere dem invasivt fra hodebunnen opptak. Den sistnevnte stammer fra det faktum at elektrodene er langt borte fra kilden til signalet, signalet kan bli utvisket av bakgrunnsstøy og muskelaktivitet, og signalet kan bli forvrengt av hodebunnen eller fontanels og suturene i skallen, spesielt i baby pasienter. Dessuten er det vanskelig å skille mellom normale og unormale HFOs 18,19 siden både bølger og hurtige bølger er tilstede, selv i normalt humant hjernevev 20. Tidlige studier rapporterte HFOs i hodebunnen EEG i bare en liten (0,2 til 3,4%) del av pasientene med epilepsi 21-23. Imidlertid har nyere studier vist at HFOs kan oppdages invasivt med hodebunnen EEG. Ictally, HFOs har blitt rapportert ved utbruddet av epileptiske kramper hos barn (50-100 Hz 24, 40-120 Hz 25), samt ved utbruddet av toniske anfall i Lennox-Gastaut syndrom (50-100 Hz) 26. Interiktal HFOs (70-200 Hz) ble først observert på hodebunnen EEG hos barn med søvn-indusert elektrisk status epilepticus 27. Deretter interiktal HFOs - ble (80 200 Hz) identifisert i hodebunnen EEG av pasienter med fokal epilepsi med høyere priser innenfor SOZ 28. Interessant, HFOs var hyppigere hos pasienter med høyt antall interiktal epileptiske utladninger (IEDer), og de ble funnet å være mer spesifikk enn IEDer for SOZ 29, fremhever forholdet mellom HFOs med epileptogenicity.

MEG synes å gi betydelige fordeler i forhold til hodebunnen EEG for den ikke-invasive påvisning og lokalisering av HFOs: (i) høy frekvens aktivitet i MEG er mindre utsatt enn EEG til forurensning fra muskelaktivitet 30-31, (ii) MEG-signalene ikke forstyrres av skallen ledningsevne og mindre forvrengt enn EEG av ikke-sammensmeltede områder av kraniebenet som fontanel eller sutur, og (iii) MEG avføleroppstillinger har høyere densitet sammenlignet med EEG som alltid vender problemet med salt bro mellom elektrodene når hodet er liten, som med barn. Bevis fra fantom konstruksjoner som simulerer HFOs generatorer antydet at HFOs kan oppdages og lokalisert med høy lokalisering nøyaktighet (2-3 mm) med MEG 32. Flere nyere studier rapportert HFOs i MEG registrerte signaler fra pasienter med epilepsi i rippel frekvensbåndet 33-38. Tid-frekvens-analyse har vist at MEG-data inneholder høye frekvenskomponenter knyttet til EZ 33-36. Imidlertid har bare noen få studier identifisert interiktal HFOs som synlige hendelser stående ut av bakgrunnen signal i tidsdomenet, som vanligvis gjøres med iEEG 37-38. Van Klink mfl. 37 oppdaget HFOs i ringbåndet ved hjelp av virtuelle kanaler konstruert med stråleformingsteknikker basert på romlig informasjon innhentet fra IEDer. Von Ellenrieder et al. 38 oppdaget HFOs i MEG signaler fra de fysiske sensorer uavhengig av IEDer og brukte Maximum Entropy på Mean (MEM) metode for å lokalisere sine kilder, og å undersøke deres korrelasjon med EZ. Rampp et al. (2010) også oppdaget epileptiske høy gamma svingninger med MEG, som var pigg-låst eller spike-uavhengig, og lokaliserte denne aktiviteten med minimum-norm kilde analyse 39. De fant at karakteristikkene av disse raske svingninger (dvs. klar begynnende med full båndbredde gjennomsnittlige og maksimale amplitude av oscillasjonene) ble sterkt forbundet med SOZ. HFOs ble også funnet med MEG under ictal aktivitet hos barn med epileptiske kramper 40. Imidlertid presenterer MEG noen klare begrensninger i forhold til hodebunnen EEG: (i) det er insensitive til kilder som har en radial orientering i forhold til midten av hodet, (ii) den ikke tillater lange opptak som øker muligheten for å detektere og registrere ictal hendelser, og (iii) de samme sensorene kan ikke samsvare med formen av hodet av hver enkelt siden av hjelmen og sensorgruppe innenfor hjelmen er alle festet i form. Dermed ideelle oppsettet som maksimerer muligheten til å oppdage og lokalisere epileptogen aktivitet er ved å kombinere informasjon fra både hodebunnen EEG og MEG.

I denne studien ønsker vi å illustrere metodikken vi følger for ikke-invasiv påvisning av interiktal HFOs ved hjelp av samtidige opptak av hodebunnen EEG og MEG fra pediatriske pasienter med medisinsk refraktær epilepsi. Vi presenterer oppsettet av opptakene og rørledningen for dataanalyse ved hjelp av en semi-automatisert metode som vi har utviklet for påvisning av HFO hendelser i samtidige MEG og EEG data. Til slutt presenterer vi også lokalisering avunderliggende generatorer av hodebunnen HFOs, oppnådd ved å løse den inverse problem, og sammenligne den med SOZ da dette ble definert av epileptologi.

Protocol

Etikk Uttalelse: Eksperimentelle prosedyrer her har blitt godkjent av Institutional Review Board (IRB) fra Massachusetts General Hospital i Boston, MA, USA. Følgende avsnitt vil beskrive forsøksprotokoll for ikke-invasiv påvisning og kilde lokalisering av HFOs bruker hodebunnen EEG og MEG. Pasient forberedelse er minimal, og undersøkelsen er generelt godt tolerert. Hele økten varer i ca 2-3 timer med selve opptakene som varer rundt 60 min.

1. Pasientens Forberedelse

  1. Sørg for at barnet er komfortabel med miljøet.
    MERK: Tillat små barn til å utforske testmiljøet og for å se testing av utstyr. Screen pasienten om sikkerhet og samtykke ved hjelp av en screening form. Spør pasienten (eller hans / hennes foreldre) om han / hun hadde en klinisk anfall i løpet av de siste 2 timer.
  2. Fjern alle metall / magnetiske materialer og gi sykehus utstedt klær til pasienten. Fjern skoenesiden de er ofte magnetisk. Sjekk om motivet er fritt for magnetiske gjenstander ved å måle MEG signaler i noen minutter. Bruk en degausser for å redusere artefakter fra implanterte materialer, for eksempel tann fungerer.
    MERK: demagnetizer bør ikke brukes hvis det er noen mulighet for at ferromagnetiske objekter er i kroppen.
  3. Mål maksimal hodeomkrets for å velge riktig EEG cap størrelse for barnet. Bruk et målebånd og hold det til nasion. Deretter måle rundt hodet rundt maksimal omkrets (~ 1 cm over inion).
  4. Sett EEG hetten på hodet i henhold til den internasjonale 10 - 20 system. Rens huden der hver elektrode ligger og bruke lim / gel for hver elektrode.
    MERK: Flere detaljer angående hodebunn EEG opptak hos barn er gitt andre steder 41.
    1. Plasser bakken og referanse elektroder på hodet. Koble til andre elektroder for å måle horisontal og Vertical electrooculography (EOG), elektrokardiogram (EKG), elektromyografi (EMG) og ytterligere EEG elektroder på steder som dekker de timelige regioner (T1 / T2).
      MERK: EOG, EKG, og EMG hjelpe identifisering av øyebevegelser, magnetocardiographic forurensning, muskelaktivitet, og også for å overvåke pasientens tilstand.
  5. Pass på at EEG-kanaler har god kontakt med hodebunnen ved å plassere sensorene individuelt. Vri forsiktig hver sensor fra side til side for å flytte håret ut av veien. Måle alle elektrode impedanser med en EEG ohmmeter for å være under 10 kOhm.
  6. Plasser fire HPI spoler på hodet: to bak øreflippene og to i pannen på tilnærmet symmetriske steder.
    MERK: HPI spoler hjelpe til å lokalisere den relative plasseringen av pasientens hode med hensyn til plasseringen av MEG sensorene i 3D-rom. Antallet HPI spoler kan variere avhengig av leverandøren av MEG-systemet.
  7. Skaffplassering av HPI spoler og EEG elektroder ved hjelp av en digitizer.
    MERK: digitaliserer registrerer koordinatene til en sensor i 3D-rom. Sensoren er plassert på tuppen av en pekepenn. Plasseringen av de HPI spolene må være kjent i forhold til hodet anatomi og plasseringen av de MEG-sensorer.
  8. Skaff plasseringen av fiducial landemerker, inkludert venstre / høyre preauricular poeng og nasion bruker digitizer. Digitalisere ekstra poeng (ca 300 poeng) for å få nøyaktig hode form.
  9. Overfør pasienten inn i den magnetiske skjermede rom (MSR) 42, hvor MEG systemet befinner seg.
    MERK: MSR er en skjermet miljø som minimerer forstyrrelser av MEG opptak fra eksterne elektromagnetiske kilder (dvs. kraftlinjer, radiofrekvente signaler fra bærbare enheter, elektriske apparater og datamaskiner, magnetiske felt fra bevegelige magnetiske gjenstander som biler, heiser og tog ). Den består av tre nestede lag.Hvert lag er fremstilt av et rent aluminium lag pluss en høy permeabilitet ferromagnetisk lag (dvs. mu-metall, en legering som hovedsakelig består av nikkel og jern).
  10. Legg ned pasienten på sengen, sette hans / hennes hode inn i MEG hjelm, og bruke riktige pads / svamper under pasientens hode for komfort.
  11. Koble HPIs, EEG leder, den EOG, EKG, EMG, og de ekstra elektroder til opptaksmaskinen. Juster pasientens hode posisjon i skanneren slik at det ligger så dypt som mulig i hjelmen.

2. Data Acquisition

  1. MEG og EEG
    MERK: MEG / EEG datainnsamling utføres basert på metoden beskrevet i en tidligere studie 42. Flere detaljer om klinisk bruk av MEG i pediatrisk epilepsi kan finnes andre steder 43,44.
    1. Record MEG signaliserer med en hel-head MEG system.
      MERK: MEG systemet benytter tynnfilm sensorer av to typer (planargradiometre og magneto) integrert på 102 sensorelementer. Hvert element inneholder et magnetometer som består av en enkelt spole, og to ortogonale plane gradiometre som består av en "figur-av-åtte" -type spiral konfigurasjon. Magnetometeret måler den magnetiske fluks vinkelrett på dens overflate og gradiometre måle forskjellen mellom de to sløyfer av "åtte", eller den romlige gradienten. Den MEG Systemet har 204 plane gradiometre og 102 magneto (306 sensorer i totalt). MEG systemer fra ulike leverandører har forskjellige antall og typer spoler (dvs. aksiale gradiometre).
    2. Record samtidig EEG signaler ved hjelp av en magnetisk 70-kanals elektrode cap med Ag / AgCl sintret ringelektroder og flere elektroder i T1 / T2 42. Bruk en felles referanse montasje.
    3. Lukk døren til MSR. Kommunisere med pasienten via et intercom-system for å sjekke om han / hun føler seg komfortabel. Spør foreldre å bo inside MSR under innspillingen hvis barnet føler ubehagelig å bo alene.
    4. Start opptak ved å klikke på "Start" -knappen i MEG oppkjøpet programvare. Bruk en høy samplingsfrekvens på 1 KHz (eller mer). Bruk en low-pass Infinite Impulse Response (IIR) filter av 6. orden på 400 Hz. Sjekk på nettet alle de registrerte signaler. Fix dårlige MEG kanaler ved hjelp av en sensor tuner.
      MERK: Bad MEG kanaler er definert sensorer (gradiometre eller magneto) som har et relativt høyt nivå av hvit støy (over 2-5 fot / √Hz for magneto) eller sensorer som registrerer falsk miljøelektromagnetisk støy. Dette er vanligvis skjer når sensorene blir utsatt for sterk (i forhold til de signaler som er målt) magnetfelt og bestemte deler av spolene "trap" den magnetiske fluks ødelegge supraledningsevne. En sensor tuner og deretter brukes som oppvarme spolen ved å påføre en elektrisk strøm gjennom den. Denne prosedyren kalles tuning og brukes nårhvit støy nivået av føleren befinner seg over en bestemt terskelverdi (dvs. 2 - 5 fot / √Hz). Noen MEG systemer ikke har sensor tunere.
    5. Mål pasientens hode posisjon ved å klikke på "Mål" -knappen i MEG oppkjøpet programvare. Dersom pasientens hode er ikke godt dekket av sensorisk array, be pasienten om å flytte hans / hennes hode dypere inn i hjelmen.
      MERK: Denne øvelsen aktiverer de 4 HPI spoler ved å bruke transient oscillasjon elektriske signaler gjennom spoler som genererer kunstige magnetfelt. Disse feltene er detekteres av MEG-sensorene, slik at hodeposisjonen blir bestemt. Fremgangsmåten kan variere mellom ulike MEG leverandører.
    6. Record MEG, EEG og perifere opptak ved å klikke på "Record" -knappen i MEG oppkjøpet programvare (dvs. EKG, EOG, og EMG) for ~ 60 min.
      MERK: Dataene lagres som en .fif fil i Redundant Arrays of Independent Disks (RAID).Filtypen er annerledes for andre MEG leverandører.
    7. Når opptaket er ferdig, åpner MSR, kobler kablene, og ta ut pasienten fra MSR rommet. Fjern alle bånd, elektroder, HPI spoler og EEG cap forsiktig. Tilveie hode vasking for pasienten.
    8. Etter oppkjøpet er fullført, noterer de magnetiske signalene fra den tomme MSR uten pasienten. Start opptak ved å klikke på "Start" -knappen i MEG oppkjøpet programvare. Rekord MEG data for 2 min ved hjelp av de samme parametrene som i trinn 2.1.4.
      MERK: Denne informasjonen blir brukt til å beregne miljøelektromagnetisk støy.
  2. MR
    1. Acquire anatomiske MRI data med magnetisering forberedt raske oppkjøp gradient-ekko sekvenser (MPRAGE; TE = 1,74 ms, TR = 2,520 ms, voxel size = 1 × 1 × 1 mm) med en høy oppløsning 3T skanner. Detaljer om MR-røntgen-protokollen kan finnes andre steder 45.
      MERK: Vi vil ikke utføre MR-undersøkelseden samme dag som de av MEG økt for å unngå artifakter i MEG opptakene på grunn av magnetiseringen av mulige pasientens metalliske implantater, for eksempel fra tann verk.

3. Identifisering av interiktal aktivitet

  1. Åpne data ved hjelp av Brainstorm 46, som er dokumentert og fritt tilgjengelig for nedlasting på nettet under GNU General Public License.
  2. Velge visuelt deler av EEG-data med interiktal aktivitet som forekommer i minst 2 h, bortsett fra kliniske anfall.
    MERK: Figur 1 viser en del av EEG og MEG data med hyppige IEDer.
    1. Identifisere empirisk veldefinerte IEDer i EEG-signaler: Dette inkluderer toppene (20 - 70 ms) og skarpe bølger (70 - 200 ms) 47-48.
      MERK: Den kliniske betydningen av begge typer IEDer i epileptisk fokus lokalisering er tilsvarende.
    2. Prøv å identifisere (hvis mulig) deler av opptakene med: (i) minimal motipå gjenstander, (ii) mer enn 3 - 4 IEDer per 10 display, og (iii) slow-wave ikke-REM søvn som vanligvis presentere et høyt antall HFOs 49.

Figur 1
Figur 1: IEDer i EEG og MEG-signaler. Andel av samtidig registrert skalp EEG og MEG signaliserer med hyppige IEDer. 1 s av uthevet del som inneholder en kraftig bølge er presentert på høyre panel i en lengre tidsskala displayet. Røde prikker angir toppen av IEDer. Klikk her for å se en større versjon av dette tallet.

  1. Ved hjelp av Brainstorm, viser dataene med standard skjerminnstillingene (10 s / side). Gå til kategorien Filter og sette følgende filter Vis parametre: høy-pass filter: 1 Hz, lav-pass filter: 80 Hz, Notch filter: 50 or 60 Hz (i henhold til frekvensen av kraftlinjen). Inspiser data og identifisere deler av data med IEDer.
    MERK: Bare deler av signalet med IEDer vil bli skannet for å se etter HFOs (trinn 3.4). De valgte filtre er for visualisering bare; de har ikke blitt brukt på dataene. For å bruke disse filtrene permanent til data, bruk et band-pass Butterworth filter (4 th rekkefølge) følge instruksjonene i Brainstorm hjemmeside (http://neuroimage.usc.edu/brainstorm/).
  2. Mark toppen av hver IED forekommer i både EEG og MEG-data (se røde flekker i figur 1).
    MERK: Mer informasjon om merking IEDer hjelp Brainstorm kan finnes andre steder (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy).

4. Semi-automatisk Påvisning av HFOs i Samtidig hodebunn EEG og MEG data

MERK: Her beskriver vi en semi-automatisert metode for å påvise HFOs, som inkluderer en automatisert deteksjon (trinn 4.1; Figure 2), etterfulgt av en visuell gjennomgang av de automatisk oppdagede HFOs (trinn 4.3). For å unngå falske svingninger av skarpe transienter som sanne krusninger og for å sikre at HFOs ikke skyldes en filtrering fenomen, vi fulgte de nyeste forslagene i relevant litteratur: vi krevde HFOs å ha et minimum antall 4 svingninger siden det har blitt observert at impulsresponsen til filteret har færre svingninger enn det valgte antall sykluser 50, vi brukte Finite Impulse Response (FIR) filter for å minimalisere ringing effekt og "Gibbs" fenomen 50, kreves vi kandidat HFO hendelsene å bli inspisert også visuelt av en ekspert til å sjekke om de HFOs var også synlig kledde på IEDer 50,51, og vi krevde en isolert øy for å bli observert i tids frekvens og slett fordi en skarp hendelse og en svingning har ulike signaturer: en ekte HFO er representert ved en isolert topp i tids frekvenCY plot (begrenset i frekvens, som "øy") ligger i band av 80-500 Hz, mens en forbigående hendelse genererer en langstrakt blob, utvidet i frekvens 50,52,53.

Figur 2
Figur 2: Prinsippskisse av algoritmen Trappen. Algoritmen arbeider i to faser: den første identifiserer en kandidat HFOs fra hver EEG-signal i tidsdomenet (venstre og midtre kolonner); den andre en klassifiserer de tidligere påviste kandidat hendelser for å skille reelle HFOs fra gjenstander i tidsfrekvensdomenet (høyre kolonne). Klikk her for å se en større versjon av dette tallet.

  1. Automatisk gjenkjenning HFO
    NOTE: Figur 2 beskriver flytskjema for automatisk deteksjonav HFOs på hver EEG-signalet. Målet med den utviklede metoden er å redusere byrden for EEG ekspert merking HFO aktiviteter hver EEG kanal med en 2 s / side-skjerm som er anbefalt for visuell inspeksjon av HFOs. En HFO ble definert som en hendelse innenfor ringfrekvensbåndet (80-250 Hz), som har minst 4 svingninger av sinus lignende morfologi som står ut fra den omgivende bakgrunn 54 (trinn 4.1.1), og som vises som en kort- levd hendelse med en isolert spektral topp på en tydelig høyfrekvent 14 (trinn 4.1.2).
    1. Påvisning av kandidat HFOs i tidsdomenet
      1. Båndpass (BP) filtrere EEG-signaler mellom 80 og 250 Hz, begrenser frekvensinnholdet av signalene til det ringbånd av interesse.
        MERK: Det anbefales å bruke et FIR filter for å redusere ringing effekt og "Gibbs" fenomen 55, og null-fase digital filtrering for å unngå faseforvrengning.
      2. Regne utkonvolutten av BP signal ved bruk av Hilbert-transformasjonen. Beregn middelverdien og standardavviket (SD) av konvolutten over 10 s skyvevinduer sentrert på hvert punkt av tidsserien. Anslå total gjennomsnitts og SD hjelp av medianverdien i alle vinduene (for å oppnå verdier som er robust overfor den mulige tilstedeværelsen av deler av signalet med mange HFOs og høy SD).
      3. Beregn z-score på konvolutten og merke en kandidat HFO hver gang z-score er høyere enn minstekravet, satt lik 3 56.
      4. Definer start og endepunkter oppdaget hendelsen som de oppover og nedover kryssinger av halv terskelen. Betrakt HFOs med en inter-arrangement intervall på mindre enn 30 ms for eksempel en enkelt HFO. Beregne antall topper i BP signalet mellom HFO start- og sluttpunkt, og kast hendelser med mindre enn 4 topper. Også forkaste hendelser med z-poeng høyere enn 12.
        MERK: Endre maximum z-poeng terskelen i henhold til amplitude av gjenstander som kan oppstå i opptakene. Hendelser med et lavt antall svingninger kan være forårsaket av filtrering effekter 57,58, mens hendelser med ekstremt høy amplitude kan skyldes muskel- eller elektrode gjenstander.
    2. Avvis mulige gjenstander i tidsfrekvensdomenet.
      MERK: Dette trinnet er nødvendig å skille reelle HFOs fra hendelser som kan fremkalles av andre EEG aktivitet og filtrering gjenstander, hvis frekvens innhold er ikke begrenset til frekvensbåndet av interesse. Den er basert på antagelsen om at en ekte HFO vises som en kortvarig hendelse med en isolert spektral topp på en distinkt frekvens over 80 Hz, i motsetning til en forbigående hendelse som genererer en langstrakt blob utvidet i frekvens 59. Figur 3 viser et eksempel på en detektert HFO viser BP filtrerte EEG-signal (øvre panel), dens konvolutt (midtre panel), og den svarering tidsfrekvensplan (nedre panel), i løpet av [-0.5, 0,5] s rundt HFO topp. Displayet på tidsfrekvensplan er begrenset 80-150 Hz fordi ingen fremtredende aktivitet ble observert for frekvenser over 150 Hz.
      1. Transform alle kandidat HFOs hendelser inn i tids frekvens plass med Morlet transformasjon i frekvensområdet fra 1 Hz til den høyeste frekvensen av interesse, dvs. 250 Hz (sentral frekvens = 1 Hz, Full-Width-At-Half-Maximum = 3 s).
      2. Analyser den øyeblikkelige effektspektra for den tidsfrekvensrepresentasjon over hvert tidspunkt for hendelsen varighet. For hver effektspekter, følger de automatiske kriteriene beskrevet av Burnos et al. 56 å detektere toppen i den høy-frekvensbåndet og til å verifisere hvorvidt det er klart forskjellig fra det som ligger nærmest toppen i det nedre frekvensområde. Kast HFOs som ikke viser et effektspektrum med en isolert med høy frekvens topp i minst 90% avtidspunkter.
  2. Sorter all oppdaget HFOs hendelser ved deres tidsmessige forekomst tvers av kanaler. Gruppere sammen alle de påfølgende HFOs hvis varighet overlapper. Hold bare grupper av HFOs som involverer minst to EEG-kanaler for videre analyse.
    MERK: Algoritmen anmoder HFOs å forekomme i minst 2 kanaler for å unngå å fange opp uønskede tilfeldige gjenstander, som kan ligne reelle HFOs og forekommer i enkelt EEG fører. To påfølgende HFOs regnes som overlapper når starttidspunktet for den andre HFO kommer før starttidspunktet den første.

Figur 3
Figur 3: HFO Hendelses Oppdaget av algoritmen. Øvre panel: BP filtrert (80-150 Hz) EEG-signalet (i uV) fra en kanal (F8 - T8) fra pasient 1. Middle panel: konvolutten av BP signal (z-poeng). Toppen av konvolutten (rød stjerne) angir tidspunktet for HFO peak (rød vertikal stiplet linje). De blå stjernene markere oppover og nedover kryssinger av halv terskelen (blå stiplet linje), som angir start- og sluttidspunkter av HFO (blå vertikale stiplede linjer). Nedre panel: tidsfrekvensanalyse plan. Legg merke til den isolerte toppen i krusning frekvensbåndet (~ 100 Hz) rundt toppen av HFO. Klikk her for å se en større versjon av dette tallet.

  1. Visuell gjennomgang av HFO hendelser
    MERK: En del av den visuelle vurderingen er basert på retningslinjer foreslått av Andrade-Valenca et al. 28 og Zelmann et al. 60.
    1. Vertikalt justere 2 dataskjermer; en for inspeksjon av EEG og en for inspeksjon av MEG-signaler. Vis de oppdagede hendelser på både utvidet (2 sek / side) og typiske sCale (10 s / side) viser henholdsvis 80-250 Hz og 1 - 40 Hz BP filtrert signaler.
    2. Ignorer hendelser cooccurring med muskel- eller elektroderester i ufiltrert EEG og MEG, samt arrangementer med stor frekvens variasjon, uregelmessig morfologi, eller store amplitude variasjoner.
    3. Observer EOG og EMG-signaler under påvisning av HFOs og forkaste enhver hendelse som antas å tilsvare EOG eller muskelaktivitet. Tenk bare HFOs som overlapper med EEG / MEG IEDer (oppdaget i trinn 3.3) som de er mer sannsynlig å være sanne HFOs 15,28,56.
      MERK: Denne tilnærmingen gir høy spesifisitet på bekostning av lav følsomhet; dermed gir det tillit til at de identifiserte HFOs er av cortical opprinnelse.
    4. Hold bare HFO hendelser som oppstår i både EEG og MEG signaler samtidig.

5. Kilde Lokalisering av IEDer og HFOs

  1. Lokal generatorene på toppen av MEG IEDerMerket i trinn 3.3, ved hjelp av tilsvarende Nåværende Topolssystemet (ECD). Bruk Minimum Norm Estimater programvare som er fritt tilgjengelig (http://martinos.org/mne/stable/index.html). Tenk bare spikes med godhet-of-fit (GOF)> 80% og dipolmoment Q <500 nA - m. Overlegg ECD beliggenhet på MR av hver pasient.
    MERK: Maximum Entropy på Mean (MEM) er et attraktivt alternativ metode som bestemmer plasseringen og omfanget av kildene 61.
  2. HFO kilde lokalisering både EEG og MEG bruker wavelet Maximum Entropy på Mean (wMEM) metode (som foreslått av von Ellenrieder et al 38).
    MERK: MEM er en effektiv teknikk som har blitt brukt for å bestemme plasseringen og omfanget av kildene til epileptisk aktivitet 62-64. Den wMEM er en forlengelse av MEM som er utviklet for lokalisering oscillasjon aktivitet som vurderes med realistiske simuleringer 65. Den dekomponerer signalet i et disKreta wavelet grunnlag før du utfører MEM kilde lokalisering på hver gang-frekvens boks. Dermed wMEM er spesielt godt egnet til å lokalisere HFOs.
    1. Segment MR og få kortikale overflaten med Freesurfer 66-67.
    2. Løs EEG / MEG fremover problem med grenseelementmetoden (BEM) for en 3-lags modell ved hjelp OpenMEEG 68.
    3. Ny prøve signalene til 640 Hz, for å sikre at den andre omfanget av den diskrete wavelet transform svarer til frekvensbåndet av interesse.
    4. Beregn støyen kovariansmatrisen i datarommet uavhengig for hver HFO, basert på den bakgrunn i ring bandet i en 150 ms vindu umiddelbart før hver HFO. Utfør kildelokalisering for hver HFO i ringbåndet og gjennomsnittlig langs HFO varighet. Merk: Den resulterende kartet består av en kortikal aktivering verdi knyttet til hver toppunktet på kortikale flislegging.
    5. Normaliser hvert kart for å ha en maksimalaktivering verdi lik 1 for hver HFO.
    6. Beregn gjennomsnittet av aktiverings verdier på tvers av alle HFOs på hvert toppunkt. Anvende en terskel på 60% av den maksimale aktivering for å kunne vise de endelige kartene over kortikale overflaten.

6. Validation

  1. Intrakraniell EEG (iEEG):
    1. Tilegne seg ekstra-operative iEEG ved å bruke subdurale nett og / eller stereotaktisk guidede dybdeelektroder. Guide plassering av elektrodene basert på resultatene av tidligere presurgical evaluerings tester og kliniske hypoteser som skal behandles, som er spesifikk for hver pasient.
      MERK: Intrakraniell EEG er tatt opp med et digitalt EEG-systemet med en 2 kHz samplingsfrekvens, som en del av presurgical evaluering. Subdurale nett er vanligvis det beste valget hvis topografien i kortikale beslag området er viktig for å løse, og hvis kartlegging av den veltalende cortex er kritisk (f.eks med et epileptogen område i nærheten av Primary motor cortex, hvor de nøyaktige grensene kan estimeres ved stimulering kartlegging og ictal intrakranial EEG-analyse).
  2. Definisjon av SOZ:
    1. Identifiser SOZ som er definert av en ekspert epileptologi basert på klinisk informasjon tilgjengelig for hver pasient.
      MERK: SOZ er definert som området viser tidligste og raske spredningen av iEEG endring (ictal utslipp) fra baseline før eller samtidig med den kliniske utbruddet. Alle kanaler er involvert i begynnelsen av ictal elektrografisk utslipp, vanligvis de første 5 s, ble regnet som den SOZ. Hos pasienter hvor beslagene er som stammer fra mer enn ett område uavhengig av hverandre, er alle kontakter i de ulike SOZs ansett som soz kontakter. Den sakkyndige er blind for HFO kilde lokalisering resultatene på tidspunktet for å definere SOZ. Den kliniske informasjonen inkluderer også: ictal og interiktal iEEG funn, synlig lesjon på MR, ictal og interiktal hodebunn EEGfunnene.
  3. Identifikasjon av HFO kanaler:
    1. Oppdage HFOs i hvert intrakraniell elektrode som beskrevet i 4.1. Bruk Kittler metode for å bestemme terskelen basert på histogrammet av antall HFOs fra alle kanaler, og deretter bruke bootstrapping og beregne gjennomsnittet som den endelige terskelen 69. Til slutt, identifisere kanaler med en HFO hastighet over terskelen.
  4. Sammenlign HFO lokalisering med SOZ identifisert i 6.2 som gullstandarden for kilde lokalisering resultater.

Representative Results

Pediatriske pasienter med refraktær epilepsi ble rekruttert fra Epilepsy Clinic of Boston Children Hospital (Boston, USA). Her er representative data fra 2 pasienter present: en 15 år gammel jente med encephalomalacia av retten midten cerebral arterie (MCA) region (pasient 1), og en 11-år gammel gutt med venstre isse / overlegne temp encephalomalacia ( pasient 2). Dataene ble samlet inn som en del av deres presurgical workup for kirurgi. Samtidige MEG og EEG registreringer ble utført på Athinoula A. Martinos Senter for Biomedical Imaging.

For både pasienter, ble HFOs identifisert i rippel frekvensbåndet (80-150 Hz) forekommer i både EEG og MEG og liggende IEDer. Figur 4 viser 10 s med samtidig skalp EEG og MEG data med interiktal aktivitet (øvre paneler) fra pasient 1. Den samme figuren rapporterer også enn lengre tidsskala del (2 s) av signalene, som viser de oppdagede HFOs i tidsdomenet (midtre paneler) og i tidsfrekvensplan (nedre panel). Denne pasienten viste en rate på 8,8 HFOs / min. For tydelighets skyld er visning av den tidsfrekvensplan begrenset 80-150 Hz fordi ingen fremtredende aktivitet ble observert for frekvenser over 150 Hz. I pasient 1, automatisk gjenkjenning identifisert 248 HFOs hendelser innen 8.65 min av innspillinger. Etter visuell gjennomgang av oppdagede hendelser, ble 76 hendelser holdt som ble ansett for å være ekte HFOs, få en rente på 8,8 HFOs / min.

Figur 4
Figur 4: HFOs kledde på IEDer Oppdaget fra hodebunn EEG og MEG. Øvre panel: IEDer fra pasient en oppdages fra hodebunnen EEG (til venstre) og MEG (til høyre). 10 s med data filtrerte 1-70 Hz. Midtre panelet: Utvidet tidsskala display (2 s) av EEG og MEG data uthevet med grå bakgrunn i øvre panel. Data er filtrert 80-150 Hz. Nedre panel: Time-frekvensplan av to representative EEG og MEG-kanaler. Klikk her for å se en større versjon av dette tallet.

Figur 5 viser de HFOs lokalisering resultater for pasient 1 fra både hodebunnen EEG og MEG. Begge teknikkene lokalisert de HFOs ved nærhet av lesjon på et sted nær den høyre temporo-parietal veikryss. MEG og EEG presentert litt forskjellige lokaliserings resultater: MEG aktivitet var lokalisert anteriort mer sammenlignet med EEG og nærmere den bakre grense av lesjonen. Avstanden mellom de to maksima av wMEM aktivitet for MEG og EEG var 15,0 mm. HFOs localizatipå var også ved siden av irritative sone da dette ble definert av MEG. Den euklidske avstanden mellom gjennomsnitts ECDs og maksimal wMEM aktiviteten var 18,7 mm for MEG og 28,0 mm for hodebunnen EEG. For pasient 2, identifiserte vi åtte minutter av data under slow-wave ikke-REM søvn med IED og minimal gjenstander som vi brukte for HFO analyse.

Antall hodebunnen HFOs var betydelig lavere enn i en pasient som viser en hastighet på 0,4 HFOs / min. Figur 6 presenterer kilde lokalisering resultatene av hodebunnen HFOs for MEG og hodebunn EEG, de IEDer lokaliserte av MEG hjelp ECDs, og plasseringen av HFOs oppdages av iEEG. Avstanden mellom to maksima av wMEM aktivitet for MEG og EEG var 16,4 mm. Avstanden mellom gjennomsnitts ECDs og maksimal wMEM aktiviteten var 10,9 mm for MEG og 24,1 mm for EEG. Den HFO sone identifisert invasivt ved hodebunnen EEG og MEG var på samme sted hvor HFOs var identified invasiv med iEEG. Elektrodene med høyest antall HFOs var LA51, LA52 og LA53, som vist i figur 6, som lokalisering var konkordant med HFO aktivitet lokalisert invasivt.

Figur 5
Figur 5: Lokalisering av HFOs og IEDer. HFOs sone lokalisert ved hjelp av wMEM med MEG og EEG fra pasient en overlagt på pasientens MR (til venstre). Den HFOs kart representerer gjennomsnittet av de normaliserte verdiene aktiverings terskel på 60% av den maksimale aktivitet. IEDer lokaliserte av ECDs med MEG (til høyre). Plasseringene og orienteringer av ECDs er angitt i cyan. Den lilla trekant indikerer plasseringen av de gjennomsnittlige ECDs (46 ECDs), og det røde rektangelet plasseringen av ECD fra gjennomsnitts IEDer (28 IEDer). For midling av IEDer, vi identifisertspikes med lignende morfologi. Klikk her for å se en større versjon av dette tallet.

Figur 6
Figur 6: Spatial samsvar mellom den HFO Zone Lokalisert invasivt med hodebunns EEG og MEG, den irriterende Zone, og HFO Zone Lokalisert invasiv med iEEG. Øvre paneler: Lokalisering av HFOs fra pasient 2 med hodebunnen EEG (til venstre) og MEG (midten), og lokalisering av IEDer med MEG (høyre) kledde på pasientens MR. Den HFOs kart representerer gjennomsnittet av de normaliserte verdiene aktiverings terskel på 60% av den maksimale aktivitet. Cyan sirkler og linjer indikerer steder og orienteringer av ECDs. Den lilla trekant indikerer plasseringen av de gjennomsnittlige ECDs (30 ECDs), og den røde rektangelet than plasseringen av ECD fra gjennomsnitts IEDer (21 IEDer). Lavere paneler: Lokalisering av HFOs på iEEG (til venstre) og 2 s av opptak fra kanaler med høyest HFO rate. Implanterte elektroder er vist på pasientens MRI. Elektroden plassering oppnås ved samtidig registrering av post-implantert computertomografi (CT) og MR-bilder. Elektrodene med den høyeste frekvensen av HFOs er markert på kartet over rutenettet implantert på pasientens cortex. Klikk her for å se en større versjon av dette tallet.

De representative resultatene som presenteres her indikerer potensiell bruk av den beskrevne teknikken i klinisk setting for invasiv identifisering og lokalisering av HFOs under pre-kirurgisk evaluering av pediatriske pasienter med medisinsk refraktær epilepsi. For både pasienter, HFOs var localized konkordant for hodebunnen EEG og MEG (se figur 5). Lokalisering forskjeller på noen mm kan tilskrives den overlegne lokalisering evne høy tetthet MEG forhold til hodebunnen EEG 70, eller kan representere ulike underliggende generatorer 71. Lokaliseringen ble også overensstemmende med den irriterende sonen når denne ble definert av MEG (se figur 5 - høyre panel). I pasient 2, data fra iEEG var også tilgjengelig. Den HFOs sone lokalisert invasivt med hodebunnen EEG og MEG var overensstemmende med den HFOs avgrenset invasiv med iEEG (se figur 6). Resultatene av den foreslåtte metoden kan lede plassering av nett i løpet av epilepsi kirurgi for potensialet identifikasjon av EZ.

Discussion

Konvergerende bevis fra dyr og humane studier har vist at HFOs er en ny potensiell biomarkør for epileptogen vev. Til tross for dette bevis, HFOs har svært begrenset bruk i klinisk praksis for diagnostisering eller monitorering av epilepsi, hovedsakelig fordi: (i) det er ingen formell og global definisjon for HFOs; (Ii) ulike forskningsgrupper bruker ulike metoder for å spille inn og analysere data; (Iii) ikke-invasiv påvisning av HFOs med bildediagnostiske teknikker er utfordrende; og (iv) gjennomgangen av HFOs er tidkrevende og upraktisk, spesielt for flerkanals EEG eller MEG opptak med et høyt antall sensorer. I et forsøk på å gi en global standardisert metode som fremmer systematisk bruk av HFOs i klinisk praksis, metodikken som er fulgt ved Boston Children Hospital for invasiv opptak, deteksjon og lokalisering av interiktal HFOs fra pediatriske pasienter med epilepsi er presentert. representative resultatene av HFOs oppdages med samtidig skalp EEG og MEG fra to barn med medisinsk refraktær epilepsi er også presentert.

Kritiske trinnene i protokollen

Den foreslåtte metodikken inneholder følgende kritiske trinn: (i) resultatene av høy Signal-to-Noise-Ratio (SNR) EEG og MEG samtidige opptak av interiktal aktivitet fra pediatriske pasienter med medisinsk refraktær epilepsi (trinn 2.1.1 og 2.1.2 ); (Ii) forsiktig forbehandling og valg av data med interiktal utslipp (trinn 3.1 og 3.2); (Iii) den visuelle gjennomgang av de identifiserte HFOs hendelser med høy spesifisitet (trinn 4.3.1, 4.3.2 og 4.3.3); og (iv) en pålitelig lokalisering av de HFOs ved hjelp av en passende lokalisering fremgangsmåte (trinn 5.2).

Den mest kritiske trinnet i denne protokollen er den visuelle gjennomgang av HFO hendelser identifisert av den automatiske detektoren. En grundig gjennomgang av de automatisk oppdagede HFOs er crucial å forkaste HFOs av noncerebral opprinnelse. Imidlertid kan tretthet eller distraksjon av den humane korrektur under den visuelle inspeksjon av flerkanals EEG og MEG data føre til feil, redusere spesifisiteten av deteksjonsprosessen.

Modifikasjoner og feilsøking

Vi unngår bruken av signalrommet Projection (SSP) og signalrommet Separasjon (SSS) metoder 72,73 for å sikre at det var ingen forvrengning av den HFO aktivitet fra deres anvendelse. Disse metodene er ofte brukt av de fleste brukere i den aktuelle MEG leverandøren for å undertrykke ytre forstyrrelser og for å korrigere for hodebevegelser 72. Videre studier er nødvendig for å sikre at anvendelsen av disse metodene ikke påvirke eller forvrenge den HFO aktivitet og gir ikke uønskede effekter som kan ligne humane HFOs. Mindre modifikasjoner av minstekravet til z-score på signalet konvolutten (trinn 4.1.1.3) og terskelen for acrings-verdier (trinn 5.2.6) kan være nødvendig for å forbedre følsomheten av algoritmen i deteksjon av HFOs og begrense lokalisering av HFOs sone i en mer midtområde.

Begrensninger av teknikken

Den beskrevne metoden presenterer begrensninger som bør videre opp i fremtidige studier. Først, betyr det ikke vurdere HFOs forekommer bare i MEG eller EEG-signaler, og det inkluderer ikke automatisk registrering av HFOs i MEG signaler, noe som innebærer at noen faktiske lav SNR MEG HFOs kan unnslippe visuell inspeksjon 74. Videre bør sensitiviteten og spesifisiteten av den foreslåtte fremgangsmåten for å detektere HFOs og dens evne til å lokalisere dem med stor nøyaktighet bli validert med samtidige opptak av hodebunnen EEG, MEG, og iEEG 75. Våre data viser at enkelt ECDs indikerte en utvidet irritative sone i forhold til det sentrale HFOs sonen. Men når ECDs ble midlet, deretter dipolen beliggn var ganske nær HFO sonen for både pasienter. Våre data indikerer spesifisiteten av de 2 metodene som viser en mulig høyere spesifisitet av HFO sonen for epileptogenicity (særlig for pasient 2 for hvem HFO sonen ble overlapper med den SOZ) sammenlignet med den irriterende sonen, selv om sikre konklusjoner ikke kan trekkes fra en så liten kohort av pasienter. Enda viktigere, ikke lokalisering av HFO kildene ikke direkte innebærer å lokalisere EZ som er ansvarlig for anfall. Våre funn skal valideres mot utfallet av epilepsi kirurgi som vi har tenkt å gjøre i en fremtidig studie. Til slutt, for å registrere EEG data, ble et 70-kanals system som brukes. Likevel, i de fleste sentre standard klinisk EEG innstillingen brukes som registrerer data fra 19 elektroder plassert i henhold til 10-20 system. Mer avanserte pediatriske EEG systemer med mye høyere antall kanaler (opp til 256) er for tiden tilgjengelig i markedet. Bruken av disse systemer kan ytterligere forbedre than lokalisering nøyaktigheten av HFOs sone detekteres med hodebunnen EEG.

Betydningen av teknikken med hensyn på eksisterende / alternative metoder

Til vår beste kunnskap, er dette den første studien som rapporterer ikke-invasiv lokalisering av interiktal HFOs med samtidig EEG og MEG, og også undersøker samsvar med lokalisering resultatene med de fra intrakranielle opptak. The noninvasive opptak, deteksjon og lokalisering av HFOs er utfordrende. Dette er fordi HFOs er meget svake signaler generert av små områder av hjernen i størrelsesorden av kubikkmillimeter 16,76 og dessuten hindret av støy og hjernebakgrunnsaktivitet. En fersk undersøkelse foreslått at HFOs spilt non-invasiv med hodebunnen EEG representerer summen av aktiviteten til flere romlig distribuert brennvidde og sammenhengende kilder 60. Så langt er det få studier 28,29,37,38,60 klart å vise at HFOs kan oppdages ikke-invasiv bruker SCAlp EEG og MEG; enda færre lokalisert denne aktiviteten ved å løse det inverse problemet 37-38.

Her er bevis på interiktal HFOs presenteres som har blitt oppdaget med samtidig skalp EEG og MEG fra to pediatriske pasienter med epilepsi. HFOs ble lokalisert ved hjelp av en tidligere beskrevet rammeverk 38. De representative data tyder på at den ikke-invasive lokalisering av interiktal HFOs er mulig ved hjelp av kildebildeteknikker som utføres på enten hodebunnen EEG eller MEG-opptak, forutsatt at en passende lokalisering teknikken er brukt. Dette er i tråd med en tidligere studie som brukte en fantom konstruksjon likner HFOs generatorer, noe som indikerer at HFOs kan invasivt oppdages og nøyaktig lokalisert med MEG 32.

Påvisning og merking av interiktal HFOs er tradisjonelt utført gjennom visuell inspeksjon av data fra menneskelige EEG eksperter. Selv om denne metode er ofte regarded som gullstandarden, presenterer det alvorlige begrensninger siden det har dårlig inter-anmelder pålitelighet 77,78, og er ikke aktuelt for store MEG og EEG datasett med høyt antall sensorer. Avgjørende for bruk av HFOs i klinisk praksis er utvikling av algoritmer som oppdager de HFOs automatisk fra hodebunnen opptak reduserer behovet for menneskelig input. Den visuelle identifisering av hodebunnen HFOs er faktisk ganske utfordrende på grunn av: (i) den lave SNR av HFOs i hodebunnen; (Ii) lavere forekomst av HFOs i hodebunnen opptak sammenlignet med intrakranielle seg, noe som innebærer analyse av mye lengre opptakstid, og (iii) det høye antallet kanaler for å analysere, særlig i høy tetthet EEG eller MEG. Flere algoritmer for automatiske og semi-automatisk gjenkjenning av HFOs er foreslått i det siste tiåret 54. Tidligere detektorer stolte på terskler i tidsdomenet, for å identifisere hendelser som kan skilles fra pågående bakgrunn aktivitet 49,80. Nylige fremskritt foreslår også å inkludere informasjon fra frekvensdomenet, forutsatt at en HFO må fremstå som en kortvarig hendelse med en isolert spektral topp på en tydelig frekvens 50,56,81. Semi-automatiserte metoder synes å være den mest hensiktsmessige metode for anvendelse av HFOs i klinisk praksis. Disse metodene innebærer 2 trinn: (i) initial automatisk gjenkjenning av hendelser som har høy følsomhet, og (ii) visuell gjennomgang av hendelser av en ekspert, som har høy spesifisitet. Denne tilnærmingen gir høyere spesifisitet i forhold til de helautomatiske metoder og sørger for at de endelige anmeldt hendelsene er faktiske HFOs av cerebral opprinnelse.

Her er en semi-automatisert metode presenteres som muliggjør påvisning av HFOs fra interiktal skalp EEG og MEG-innspillinger. Den foreslåtte fremgangsmåte utvider tidligere beskrevne teknikker for påvisning av HFOs fra hodebunnen EEG 60 ved å inkorporere i de identifikasjonskriterier to innførselmaur funksjoner: (i) den automatiske tids frekvens analyse av HFO hendelser; og (ii) den tidsmessige sammenfall av HFOs hendelser i både MEG og EEG opptak.

Fremtidige applikasjoner eller retninger etter å mestre denne teknikken

Den pålitelige lokalisering av HFOs med ikke-invasive Bildediagnostiske metoder, for eksempel skalp EEG og MEG, er kritisk. Mastering, forbedre og validere den foreslåtte protokollen vil gi leger med en pålitelig, ikke-invasivt skrivbar biomarkør for identifikasjon av EZ. Utviklingen av en slik biomarkør har potensial til å redusere behovet for langsiktig overvåking og invasive intrakranielle opptak fører til en betydelig forbedring i presurgical evalueringen hos barn. Det ville ikke bare bidra til å identifisere epileptogen vev for kirurgi, men vil også tillate definitive differensialdiagnose av epilepsi fra akutte symptomatiske anfall, som krever en helt diffeleie behandling tilnærming, og fra ikke-epileptiske anfall spar behovet for langsiktig overvåking hos noen pasienter. Videre kan dette gi vurdering av effekten av terapeutiske intervensjoner uten å vente på en annen anfall oppstår.

Disclosures

Forfatterne har ikke noe å avsløre.

Materials

Name Company Catalog Number Comments
VectorView MEG system Elekta-Neuromag, Finland MEG System
Magentically Shielded Room Imedco, Hagendorf, Switzerland Three-layer MSR
EEG system Elekta-Neuromag, Finland 70 Channel EEG system
3D digitizer Polhemus, Colchester, VT

DOWNLOAD MATERIALS LIST

References

  1. Cowan, L. D., Bodensteiner, J. B., Leviton, A., Doherty, L. Prevalence of the Epilepsies in Children and Adolescents. Epilepsia. 30 (1), 94-106 (1989).
  2. Stores, G. School-children with Epilepsy at Risk for Learning and Behaviour Problems. Dev. Med. Child Neurol. 20 (4), 502-508 (1978).
  3. Sillanpää, M., Schmidt, D. Prognosis of seizure recurrence after stopping antiepileptic drugs in seizure-free patients: A long-term population-based study of childhood-onset epilepsy. Epilepsy Behav. 8 (4), 713-719 (2006).
  4. Geerts, A., et al. Course and outcome of childhood epilepsy: a 15-year follow-up. Dutch study of epilepsy in childhood. Epilepsia. 51 (7), 1189-1197 (2010).
  5. Engel, J. Etiology as a risk factor for medically refractory epilepsy: A case for early surgical intervention. Neurology. 51 (5), 1243-1244 (1998).
  6. Kwan, P., Brodie, M. Early Identification of Refractory Epilepsy. N. Eng. J. Med. 342 (5), 314-319 (2000).
  7. Datta, A., Loddenkemper, T. The Epileptogenic Zone. In: Wyllie, E. Wyllie's treatment of epilepsy Principles & Practice 5th Ed. , Wolters Kluwer/Lippincott Williams & Wilkins . Philadelphia. 818-827 (2011).
  8. Rosenow, F. Presurgical evaluation of epilepsy. Brain. 124 (9), 1683-1700 (2001).
  9. Önal, Ç, Otsubo, H., et al. Complications of invasive subdural grid monitoring in children with epilepsy. J. Neurosurg. 98 (5), 1017-1026 (2003).
  10. Jacobs, J., Zijlmans, M., et al. High-frequency electroencephalographic oscillations correlate with outcome of epilepsy surgery. Ann. Neurol. 67 (2), 209-220 (2010).
  11. Bragin, A., Engel, J., Wilson, C., Fried, I., Buzsáki, G. High-frequency oscillations in human brain. Hippocampus. 9 (2), 137-142 (1999).
  12. Bragin, A., Engel, J., Wilson, C., Fried, I., Mathern, G. Hippocampal and Entorhinal Cortex High-Frequency Oscillations (100-500 Hz) in Human Epileptic Brain and in Kainic Acid-Treated Rats with Chronic Seizures. Epilepsia. 40 (2), 127-137 (1999).
  13. Zijlmans, M., Jiruska, P., Zelmann, R., Leijten, F., Jefferys, J., Gotman, J. High-frequency oscillations as a new biomarker in epilepsy. Ann. Neurol. 71 (2), 169-178 (2012).
  14. Crepon, B., Navarro, V., et al. Mapping interictal oscillations greater than 200 Hz recorded with intracranial macroelectrodes in human epilepsy. Brain. 133 (1), 33-45 (2010).
  15. Jacobs, J., LeVan, P., Chander, R., Hall, J., Dubeau, F., Gotman, J. Interictal high-frequency oscillations (80-500 Hz) are an indicator of seizure onset areas independent of spikes in the human epileptic brain. Epilepsia. 49 (11), 1893-1907 (2008).
  16. Bragin, A., Mody, I., Wilson, C. L., Engel, J. Local generation of fast ripples in epileptic brain. J Neurosci. 22 (5), 2012-2021 (2002).
  17. Worrell, G. A., Gardner, A. B., et al. High-frequency oscillations in human temporal lobe: simultaneous microwire and clinical macroelectrode recordings. Brain. 131 (4), 928-937 (2008).
  18. Engel, J. Jr, Bragin, A., Staba, R., Mody, I. High-frequency oscillations: What is normal and what is not? Epilepsia. 50 (4), 598-604 (2009).
  19. Traub, R. Fast Oscillations and Epilepsy. Epilepsy Curr. 3 (3), 77-79 (2003).
  20. Blanco, J., Stead, M., et al. Unsupervised Classification of High-Frequency Oscillations in Human Neocortical Epilepsy and Control Patients. J. Neurophysiol. 104 (5), 2900-2912 (2010).
  21. Rodin, E., Smid, N., Mason, K. The grand mal pattern of Gibbs, Gibbs and Lennox. Electroencephalogr Clin Neurophysiol. 40 (4), 401-406 (1976).
  22. Nealis, J. G., Duffy, F. H. Paroxysmal beta activity in the pediatric electroencephalogram. Ann Neurol. 4 (2), 112-116 (1978).
  23. Halasz, P., Terzano, M., Parrino, L., Bodizs, R. The nature of arousal in sleep. J. Sleep. Res. 13 (1), 1-23 (2004).
  24. Kobayashi, K., Oka, M., et al. Very Fast Rhythmic Activity on Scalp EEG Associated with Epileptic Spasms. Epilepsia. 45 (5), 488-496 (2004).
  25. Inoue, T., Kobayashi, K., Oka, M., Yoshinaga, H., Ohtsuka, Y. Spectral characteristics of EEG gamma rhythms associated with epileptic spasms. Brain. Dev. 30 (5), 321-328 (2008).
  26. Kobayashi, K., Jacobs, J., Gotman, J. Detection of changes of high-frequency activity by statistical time-frequency analysis in epileptic spikes. Clin Neurophysiol. 120 (6), 1070-1077 (2009).
  27. Kobayashi, K., Watanabe, Y., Inoue, T., Oka, M., Yoshinaga, H., Ohtsuka, Y. Scalp-recorded high-frequency oscillations in childhood sleep-induced electrical status epilepticus. Epilepsia. 51 (10), 2190-2194 (2010).
  28. Andrade-Valenca, L. P., Dubeau, F., Mari, F., Zelmann, R., Gotman, J. Interictal scalp fast oscillations as a marker of the seizure onset zone. Neurology. 77 (6), 524-531 (2011).
  29. Melani, F., Zelmann, R., Dubeau, F., Gotman, J. Occurrence of scalp-fast oscillations among patients with different spiking rate and their role as epileptogenicity marker. Epilepsy Res. 106 (3), 345-356 (2013).
  30. Claus, S., Velis, D., Lopes da Silva, F., Viergever, M., Kalitzin, S. High frequency spectral components after Secobarbital: The contribution of muscular origin-A study with MEG/EEG. Epilepsy Res. 100 (1-2), 132-141 (2012).
  31. Zimmermann, R., Scharein, E. MEG and EEG show different sensitivity to myogenic artifacts. Neurol Clin Neurophysiol. 78, (2004).
  32. Papadelis, C., Poghosyan, V., Fenwick, P., Ioannides, A. MEG's ability to localise accurately weak transient neural sources. Clin Neurophysiol. 120 (11), 1958-1970 (2009).
  33. Miao, A., Xiang, J., et al. Using ictal high-frequency oscillations (80-500Hz) to localize seizure onset zones in childhood absence epilepsy: A MEG study. Neuroscience Lett. 566, 21-26 (2014).
  34. Rampp, S., Kaltenhäuser, M., et al. MEG correlates of epileptic high gamma oscillations in invasive EEG. Epilepsia. 51 (8), 1638-1642 (2010).
  35. Tenney, J. R., Fujiwara, H., et al. Low- and high-frequency oscillations reveal distinct absence seizure networks. Ann Neurol. 76 (4), 558-567 (2014).
  36. Xiang, J., et al. Frequency and spatial characteristics of high-frequency neuromagnetic signals in childhood epilepsy. Epileptic Disord. 11 (2), 113-125 (2009).
  37. van Klink, N., Hillebrand, A., Zijlmans, M. Identification of epileptic high frequency oscillations in the time domain by using MEG beamformer-based virtual sensors. Clin Neurophysiol. 127 (1), 197-208 (2016).
  38. von Ellenrieder, N., Pellegrino, G., et al. Detection and Magnetic Source Imaging of Fast Oscillations (40-160 Hz) Recorded with Magnetoencephalography in Focal Epilepsy Patients. Brain Topogr. 29 (2), 218-231 (2016).
  39. Rampp, S., Kaltenhäuser, M., et al. MEG correlates of epileptic high gamma oscillations in invasive EEG. Epilepsia. 51 (8), 1638-1642 (2010).
  40. Ramachandrannair, R., Ochi, A., et al. Epileptic spasms in older pediatric patients: MEG and ictal high-frequency oscillations suggest focal-onset seizures in a subset of epileptic spasms. Epilepsy Res. 78 (2-3), 216-224 (2008).
  41. Bathelt, J., O'Reilly, H., de Haan, M. Cortical source analysis of high-density EEG recordings in children. J Vis Exp. (88), e51705 (2014).
  42. Liu, H., Tanaka, N., Stufflebeam, S., Ahlfors, S., Hämäläinen, M. Functional Mapping with Simultaneous MEG and EEG. M. J Vis Exp. (40), e1668 (2010).
  43. Papadelis, C., Harini, C., Ahtam, B., Doshi, C., Grant, E., Okada, Y. Current and emerging potential for magnetoencephalography in pediatric epilepsy. J Ped Epilepsy. 2, 73-85 (2013).
  44. Gaetz, W., Gordon, R. S., Papadelis, C., Fujiwara, H., Rose, D. F., Edgar, J. C., Schwartz, E. S., Roberts, T. P. L. Magnetoencephalography for Clinical Pediatrics: Recent Advances in Hardware, Methods, and Clinical Applications. J Pediatr Epilepsy. 4 (4), 139-155 (2015).
  45. Prabhu, S., Mahomed, N. Imaging of intractable paediatric epilepsy. SA Journal of Radiology. 19 (2), 1-10 (2015).
  46. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Comput Intell Neurosci. , 879716 (2011).
  47. Bagic, A. I., Knowlton, R. C., Rose, D. F., Ebersole, J. S. American Clinical Magnetoencephalography Society Clinical Practice Guideline 1: Recording and Analysis of Spontaneous Cerebral Activity. J Clin Neurophysiol. 0 (0), 1-7 (2011).
  48. Noachtar, S., Binnie, C., Ebersole, J., Mauguière, F., Sakamoto, A., Westmoreland, B. A glossary of terms most commonly used by clinical electroencephalographers and proposal for the report form for the EEG findings. The International Federation of Clinical Neurophysiology. Electroencephalogr Clin Neurophysiol Suppl. 52, 21-41 (1999).
  49. Staba, R. J., Wilson, C. L., Bragin, A., et al. High-frequency oscillations recorded in human medial temporal lobe during sleep. Ann'Neurol. 56 (1), 108-115 (2004).
  50. Benar, C. G., Chauviere, L., Bartolomei, F., Wendling, F. Pitfalls of high-pass filtering for detecting epileptic oscillations: a technical note on "false" ripples. Clin Neurophysiol. 121 (3), 301-310 (2010).
  51. Crepon, B., Navarro, V., et al. Mapping interictal oscillations greater than 200 Hz recorded with intracranial macroelectrodes in human epilepsy. Brain. 133 (1), 33-45 (2010).
  52. Jmail, N., Gavaret, M., et al. A comparison of methods for separation of transient and oscillatory signals in EEG. J Neurosci Methods. 199 (2), 273-289 (2011).
  53. Wang, S., Wang, I. Z., et al. Ripple classification helps to localize the seizure-onset zone in neocortical epilepsy. Epilepsia. 54 (2), 370-376 (2013).
  54. Worrell, G. A., Jerbi, K., Kobayashi, K., Lina, J. M., Zelmann, R., Le Van Quyen, M. Recording and analysis techniques for high-frequency oscillations. Prog Neurobio. 98 (3), 265-278 (2012).
  55. Gibbs, J. W. Fourier's series. Nature. 59, 606 (1899).
  56. Burnos, S., Hilfiker, P., et al. Human Intracranial High Frequency Oscillations (HFOs) Detected by Automatic Time-Frequency Analysis. PLoS ONE. 9 (4), (2014).
  57. Jacobs, J., LeVan, P., Châtillon, C., Olivier, A., Dubeau, F., Gotman, J. High frequency oscillations in intracranial EEGs mark epileptogenicity rather than lesion type. Brain. 132 (4), 1022-1037 (2009).
  58. Urrestarazu, E., Chander, R., Dubeau, F., Gotman, J. Interictal high-frequency oscillations (100-500 Hz) in the intracerebral EEG of epileptic patients. Brain. 130 (9), 2354-2366 (2007).
  59. Amiri, M., Lina, J. M., Pizzo, F., Gotman, J. High Frequency Oscillations and spikes: Separating real HFOs from false oscillations. Clin Neurophysiol. 127 (1), 187-196 (2015).
  60. Zelmann, R., Lina, J. M., Schulze-Bonhage, A., Gotman, J., Jacobs, J. Scalp EEG is not a Blur: It Can See High Frequency Oscillations Although Their Generators are Small. Brain Topogr. 27 (5), 683-704 (2014).
  61. Chowdhury, R. A., Lina, J. M., Kobayashi, E., Grova, C. MEG source localization of spatially extended generators of epileptic activity: comparing entropic and hierarchical bayesian approaches. PLoS One. 8 (2), e55969 (2013).
  62. Chowdhury, R. A., Merlet, I., Birot, G., Kobayashi, E., Nica, A., Biraben, A., Wendling, F., Lina, J. M., Albera, L., Grova, C. Complex patterns of spatially extended generators of epileptic activity: Comparison of source localization methods cMEM and 4-ExSo-MUSIC on high resolution EEG and MEG data. Neuroimage. , 175-195 (2016).
  63. Pellegrino, G., Hedrich, T., Chowdhury, R., Hall, J. A., Lina, J. M., Dubeau, F., Kobayashi, E., Grova, C. Source localization of the seizure onset zone from ictal EEG/MEG data. Hum Brain Mapp. 37 (7), 2528-2546 (2016).
  64. Grova, C., Aiguabella, M., Zelmann, R., Lina, J. M., Hall, J. A., Kobayashi, E. Intracranial EEG potentials estimated from MEG sources: A new approach to correlate MEG and iEEG data in epilepsy. Hum Brain Mapp. 37 (5), 1661-1683 (2016).
  65. Lina, J. M., Chowdhury, R. A., Lemay, E., Kobayashi, E., Grova, C. Wavelet-based localization of oscillatory sources from magnetoencephalography data. IEEE Trans Biomed Eng. 61 (8), 2350-2364 (2014).
  66. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis, I: segmentation and surface reconstruction. Neuroimage. 9, 179-194 (1999).
  67. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis, II: inflation, flattening, a surface-based coordinate system. Neuroimage. 9, 195-207 (1999).
  68. Gramfort, A., Papadopoulo, T., Olivi, E., Clerc, M. OpenMEEG: opensource software for quasistatic bioelectromagnetics. Biomed Eng OnLine. 9 (1), (2010).
  69. Akiyama, T., McCoy, B., et al. Focal resection of fast ripples on extraoperative intracranial EEG improves seizure outcome in pediatric epilepsy. Epilepsia. 52 (10), 1802-1811 (2011).
  70. Leahy, R. M., Mosher, J. C., Spencer, M. E., Huang, M. X., Lewine, J. D. A study of dipole localization accuracy for MEG and EEG using a human skull phantom. Electroencephalogr Clin Neurophysiol. 107 (2), 159-173 (1989).
  71. Hunold, A., Haueisen, J., Ahtam, B., Doshi, C., Harini, C., Camposano, S., Warfield, S. K., Grant, P. E., Okada, Y., Papadelis, C. Localization of the epileptogenic foci in tuberous sclerosis complex: a pediatric case report. Front Hum Neurosci. 8 (175), (2014).
  72. Taulu, S., Kajola, M., Simola, J. Suppression of interference and artifacts by the signal space separation method. Brain Topogr. 16 (4), 269-275 (2004).
  73. Taulu, S., Simola, J. Spatiotemporal signal space separation method for rejecting nearby interference in MEG measurements. Phys Med Biol. 51 (7), 1759-1768 (2006).
  74. Bénar, C. G., Chauvière, L., Bartolomei, F., Wendling, F. Pitfalls of high-pass filtering for detecting epileptic oscillations: a technical note on false ripples. Clin Neurophysiol. 121 (3), 301-310 (2010).
  75. Dubarry, A. S., Badier, J. M., et al. Simultaneous recording of MEG, EEG and intracerebral EEG during visual stimulation: from feasibility to single-trial analysis. Neuroimage. 99, 548-558 (2014).
  76. Chrobak, J. J., Buzsaki, G. High-frequency oscillations in the output of the hippocampal-entorhinal axis of the freely behaving rat. J Neurosci. 19 (9), 3056-3066 (1996).
  77. Abend, N. S., Gutierrez-Colina, A., et al. Interobserver Reproducibility of Electroencephalogram Interpretation in Critically Ill Children. J Clin Neurophysiol. 28 (1), 15-19 (2011).
  78. Benbadis, S. R., LaFrance, W. C., Papandonatos, G. D., Korabathina, K., Lin, K., Kraemer, H. C. Interrater reliability of EEG-video monitoring. Neurology. 73 (11), 843-846 (2009).
  79. von Ellenrieder, N., Andrade-Valença, L., Dubeau, F., Gotman, J. Automatic detection of fast oscillations (40-200Hz) in scalp EEG recordings. Clin Neurophysiol. 123 (4), 670-680 (2012).
  80. Zelmann, R., Mari, F., Jacobs, J., Zijlmans, M., Dubeau, F., Gotman, J. A comparison between detectors of high frequency oscillations. Clin Neurophysiol. 123 (1), 106-116 (2011).
  81. Birot, G., Kachenoura, A., Albera, L., Bénar, C., Wendling, F. Automatic detection of fast ripples. J Neurosci Methods. 213 (2), 236-249 (2013).

Tags

Medisin Pediatric epilepsi høyfrekvente svingninger Pre-kirurgisk Biomarker magnetoencefalografi (MEG) Electroencephalography (EEG) Source lokalisering interiktal Epileptiforme Utslipp (IEDer)
Interiktal høyfrekvente Svingninger oppdages med samtidig magnetoencefalografi og Electroencephalography som Biomarker av Pediatric Epilepsi
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Papadelis, C., Tamilia, E.,… More

Papadelis, C., Tamilia, E., Stufflebeam, S., Grant, P. E., Madsen, J. R., Pearl, P. L., Tanaka, N. Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy. J. Vis. Exp. (118), e54883, doi:10.3791/54883 (2016).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter