Waiting
Login processing...

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

Medicine

Interictal højfrekvente Svingninger Registrerede med Samtidig magnetoencephalography og Elektroencefalografi som biomarkør for Pediatric Epilepsi

Published: December 6, 2016 doi: 10.3791/54883

Summary

Højfrekvente Svingninger (HFO'er) er dukket op som prækirurgisk biomarkører til identifikation af den epileptogen zone i pædiatriske patienter med medicinsk refraktær epilepsi. En metode til noninvasiv optagelse, afsløring og lokalisering af HFO'er med samtidig hovedbund electroencefalografi (EEG) og magnetoencephalography (MEG) præsenteres.

Abstract

Afgørende for succes for epilepsi kirurgi er tilgængeligheden af ​​en robust biomarkør, der identificerer epileptogen Zone (EZ). Højfrekvente Svingninger (HFO'er) er dukket op som potentielle prækirurgisk biomarkører for identifikation af EZ foruden interictal epileptiforme Udledning (IED) og iktal aktivitet. Selv om de er lovende at lokalisere EZ, er de endnu ikke egnet til diagnosticering eller overvågning af epilepsi i klinisk praksis. Primære barrierer er fortsat: manglen på en formel og global definition for HFO'er; den deraf følgende heterogenitet metodiske tilgange, der anvendes til deres undersøgelse; og de praktiske vanskeligheder at opdage og lokalisere dem invasivt fra hovedbund optagelser. Her præsenteres en metode til optagelse, afsløring og lokalisering af interictal HFO'er fra pædiatriske patienter med refraktær epilepsi. Vi rapporterer repræsentative data for HFO'er opdaget invasivt fra interictal hovedbund EEG og MEG fra to børnforetaget en operation.

De underliggende generatorer af HFO'er blev lokaliseret ved at løse det inverse problem og deres lokalisering blev sammenlignet med beslaglæggelsen Onset Zone (SOZ), da dette blev defineret af epileptologer. For begge patienter blev interictal epileptogen Udledning (IED) og HFO'er lokaliseret med kilde billeddannelse ved overensstemmende steder. For én patient, intrakranielle EEG (iEEG) data var også tilgængelige. For denne patient, fandt vi, at HFO'er lokalisering var overensstemmende mellem noninvasive og invasive metoder. Sammenligningen af ​​iEEG med resultaterne fra hovedbunden optagelser tjente til at validere disse resultater. Til vores bedste viden, dette er den første undersøgelse, der præsenterer kilden lokalisering af hovedbund HFO'er fra samtidige EEG og MEG optagelser sammenligner resultaterne med invasive optagelser. Disse resultater tyder på, at HFO'er kan detekteres pålideligt og lokaliseret invasivt med hovedbunden EEG og MEG. Vi konkluderer, at non-invasiv lokalisering af interictal HFO'er kunne i betydelig grad forbedre prækirurgisk evaluering for pædiatriske patienter med epilepsi.

Introduction

Pediatric epilepsi er en almindelig neurologisk lidelse med en prævalens på 4 - 6 per 1.000 børn 1. Det kan have en stor indvirkning på børns udvikling 2 og kan påvirke deres voksne liv markant. Langsigtede opfølgende studier i barndommen debut epilepsi viser, at ca. 30% af patienter med epilepsi bliver medicinsk intraktabel 3-6, og kræver normalt resective epileptisk kirurgi. I mange af disse patienter, epilepsi kirurgi medfører signifikant reduktion i beslaglæggelse frekvens og ofte til beslaglæggelse frihed. Hvis det skal lykkes, skal epilepsi kirurgi opnå et anfald-fri tilstand med minimal eller ingen funktionelle underskud. Dette kræver omhyggelig afgrænsning af epileptogene Zone (EZ) 7, det område med cortex, som er absolut nødvendig for generering af epileptiske anfald »8. EZ kan ikke måles direkte; dens placering er anslået på grundlag af overensstemmende data fra en lang række test that identificere andre kortikale zoner. Invasiv intrakraniel electroencefalografi (iEEG) fungerer som den gyldne standard for lokalisering af beslaglæggelse debut zone (SOZ), den region, hvor anfald genereres og stammer på iktal optagelser. Men iEEG er dyrt, afhængig af samarbejde med barnet, bærer en vis risiko for infektion og blødning 9, og kan fremkalde yderligere neurologiske skader under implantation 10. Endvidere kan optagelserne føre til fejlagtige konklusioner da store områder af hjernen er udforske. Således er en robust prækirurgisk biomarkør, der hjælper med at identificere EZ nødvendige til succes for kirurgisk epilepsi behandling.

Patologiske HFO'er (80 - 500 Hz) 11,12 er opstået i løbet af det sidste årti som biomarkør til identifikation af den epileptogen væv, der kan forbedre prækirurgisk diagnose og kirurgisk resultat af patienter med epilepsi 13. Rapporter bruger microelektroder kombineret med dybde EEG-elektroder viste tilstedeværelsen af ​​HFO'er hos patienter med epilepsi. HFO'er blev også fundet ved hjælp af standard macroelectrodes under iktal og interictal perioder. Nylige undersøgelser har vist, at HFO'er identificere SOZ med højere følsomhed og specificitet sammenlignet med den irritative zone 14,15, den zone, der genererer IED, og at den kirurgiske fjernelse af HFO-genererende væv korrelerer med bedre resultater end fjernelse af SOZ eller irritative zone 15. HFO'er er almindeligt kategoriseres som krusninger (80-250 Hz) eller hurtige krusninger (250 - 500 Hz). Hurtige krusninger er mere tæt forbundet med patologisk aktivitet og til lokalisering af SOZ 16, men undersøgelser af humane intrakranielle optagelser viser, at både krusninger og hurtige krusninger stige i krampefremkaldende regioner 17.

På trods af disse lovende resultater, er HFO'er endnu ikke egnet til diagnosticering eller overvågning afepilepsi i klinisk praksis. Primære barrierer er fortsat: (i) manglen på en formel og global definition for HFO'er; (Ii) den deraf følgende heterogenitet af metodiske tilgange bruges til deres undersøgelse; og (iii) de praktiske vanskeligheder at opdage og lokalisere dem invasivt fra hovedbund optagelser. Sidstnævnte skyldes, at elektroderne er langt væk fra kilden til det signal, signalet kan blive sløret af baggrundsstøj og muskelaktivitet, og signalet kan blive forvrænget af hovedbunden eller fontanels og suturer i kraniet, især i spædbarn patienter. Desuden er det vanskeligt at skelne mellem normale og unormale HFO'er 18,19 da begge krusninger og hurtige krusninger er til stede selv i normalt humant hjernevæv 20. Tidlige studier rapporterede HFO'er i hovedbunden EEG i kun en lille (0,2 - 3,4%) del af patienter med epilepsi 21-23. Imidlertid har nyere undersøgelser vist, at der kan påvises HFO'er ikke-invasivt med hovedbunden EEG. Ictally, HFOs er blevet rapporteret ved begyndelsen af epileptiske spasmer hos børn (50 - 100 Hz, 24 40 - 120 Hz 25), samt ved begyndelsen af toniske anfald i Lennox-Gastaut syndrom (50 - 100 Hz,) 26. Interictal HFO'er (70-200 Hz) blev først observeret på hovedbunden EEG hos børn med søvn-induceret elektrisk status epilepticus 27. Derefter interictal HFO'er - blev (80 200 Hz) identificeret i hovedbunden EEG af patienter med fokal epilepsi med højere satser inde i SOZ 28. Interessant, HFO'er var hyppigere hos patienter med høje antal af interictal epilepsilignende udladninger (IED), og de viste sig at være mere specifik end vejsidebomber for SOZ 29, fremhæver forholdet mellem HFO'er med epileptogenicity.

MEG synes at præsentere signifikante fordele sammenlignet med hovedbunden EEG for noninvasiv detektion og lokalisering af HFO'er: (i) høj frekvens aktivitet i MEG er mindre modtagelige end EEG for forurening fra muskulæraktivitet 30-31, (ii) MEG-signaler ikke forvrides af kraniet ledningsevne og mindre forvrænget end EEG ved ikke-fusionerede regioner i kranie knogle såsom fontanel eller sutur, og (iii) MEG sensor arrays har større tæthed i forhold til EEG, der altid står problemet med saltbroer mellem elektroderne, når hovedet er lille, som med børn. Beviser fra fantom konstruktioner, der simulerer HFO'er generatorer foreslog, at der kan påvises HFO'er og lokaliseret med høj lokalisering nøjagtighed (2 - 3 mm) med MEG 32. Adskillige nyere undersøgelser rapporteret HFO'er i MEG signaler optaget fra patienter med epilepsi i krusning frekvensbåndet 33-38. Time-frekvens analyse har vist, at MEG-data indeholder højfrekvente komponenter relateret til EZ 33-36. Imidlertid har kun få undersøgelser identificeret interictal HFO'er som synlige begivenheder stående ud af baggrunden signal i tidsdomænet, som typisk gøres med iEEG 37-38. Van Klink et al. 37 opdaget HFO'er i krusning bånd ved hjælp af virtuelle kanaler konstrueret med beamforming teknikker baseret på geografisk information indhentet fra IED. Von Ellenrieder et al. 38 opdaget HFO'er i MEG-signaler fra de fysiske sensorer uafhængigt af vejsidebomber og brugte Maximum Entropy på Mean (MEM) metode til at lokalisere deres kilder og til at undersøge deres korrelation med EZ. Rampp et al. (2010) også påvist epileptiske høj gamma svingninger med MEG, som var spike-låst eller spike-uafhængig, og lokaliseret denne aktivitet med minimum-norm kilde analyse 39. De fandt, at egenskaberne af sådanne hurtige svingninger (dvs. klar indtræden af fuld-band gennemsnitlige og maksimale amplitude af svingninger) var stærkt associeret med SOZ. HFO'er blev også påvist med MEG under iktal aktivitet hos pædiatriske patienter med epileptiske spasmer 40. Men MEG præsenterer, nogle bestemte begrænsninger i forhold til hovedbunden EEG: (i) det er Insensitive kilder, der har en radial orientering i forhold til midten af ​​hovedet, (ii) det ikke tillader lange optagelser, der øger muligheden for at detektere og registrere iktal begivenheder, og (iii) dets sensorer kan ikke tilpasse sig til formen af ​​hovedet enkelte eftersom hjelmen og sensorarrayet inden hjelmen er alle fastsat i form. Således det ideelle setup, der maksimerer muligheden for at detektere og lokalisere det epileptogen aktivitet er ved at kombinere information fra både hovedbunden EEG og MEG.

I denne undersøgelse, vi sigter mod at illustrere den metode vi følger for noninvasiv detektion af interictal HFO'er ved hjælp af samtidige optagelser af hovedbunden EEG og MEG fra pædiatriske patienter med medicinsk refraktær epilepsi. Vi præsenterer opsætningen af ​​optagelserne og pipeline af dataanalyse ved hjælp af en semi-automatiseret metode, som vi har udviklet til påvisning af HFO begivenheder i samtidige MEG og EEG-data. Endelig skal vi også præsentere lokaliseringen afunderliggende generatorer af hovedbund HFO'er, opnået ved at løse det inverse problem, og sammenligne den med den SOZ da dette blev defineret af epileptologer.

Protocol

Etik Statement: her er blevet godkendt af Institutional Review Board (IRB) af Massachusetts General Hospital, Boston, MA, USA Eksperimentelle procedurer. I det følgende afsnit vil beskrive forsøgsprotokollen for noninvasiv detektion og kilde lokalisering af HFO'er hjælp hovedbund EEG og MEG. Patient forberedelse er minimal, og undersøgelsen er generelt veltolereret. Hele session varer ca 2 - 3 i h med de faktiske optagelser varige omkring 60 min.

1. Patientens Forberedelse

  1. Sørg for, at barnet er komfortable med miljøet.
    BEMÆRK: Lad små børn til at udforske testmiljø og se det udstyr. Screen patienten vedrørende sikkerhed og samtykke ved hjælp af en screening formular. Spørg patienten (eller hans / hendes forældre), om han / hun havde en klinisk anfald inden for de sidste 2 timer.
  2. Fjern alle metalliske / magnetiske materialer og give hospital udstedt tøj til patienten. Fjern skoeneeftersom de ofte magnetisk. Kontroller, om emnet er fri af magnetiske artefakter ved at måle MEG-signaler i et par minutter. Brug en degausser til reduktion artefakter fra implanterede materialer, såsom dental værker.
    BEMÆRK: demagnetizer bør ikke anvendes, hvis der er nogen mulighed for, at ferromagnetiske genstande i kroppen.
  3. Mål den maksimale hovedomkreds at vælge den rigtige EEG cap størrelse for barnet. Brug et målebånd og hold den til nasion. Derefter måle omkring hovedet omkring den største omkreds (~ 1 cm over Inion).
  4. Placer EEG hætten på hovedet henhold til den internationale 10 - 20 system. Rense huden, hvor hver elektrode er placeret og anvende pasta / gel for hver elektrode.
    BEMÆRK: Flere detaljer om hovedbund EEG optagelser i børn leveres andre steder 41.
    1. Placer jorden og reference- elektroder på hovedet. Tilslut yderligere elektroder til måling horisontal og vertical electrooculography (EOG), elektrokardiografi (EKG), elektromyografi (EMG) og yderligere EEG elektroder på steder, der dækker de tidsmæssige regioner (T1 / T2).
      BEMÆRK: EOG, EKG, og EMG støtte identifikationen af ​​øjenbevægelser, magnetocardiographic forurening, muskel aktivitet, og også for at overvåge patientens tilstand.
  5. Sikre, at EEG kanaler har god kontakt med hovedbunden ved at placere sensorerne individuelt. Forsigtigt vride hver sensor fra side til side for at flytte hår ud af vejen. Mål alle elektrodestykkerne impedanser med en EEG ohmmeter for at være under 10 kohm.
  6. Placer fire HPI spoler på hovedet: to bag øreflipper og to på panden ved omtrentlige symmetriske steder.
    BEMÆRK: HPI spoler med til at lokalisere den relative position af patientens hoved i forhold til placeringen af ​​MEG sensorer i 3D rummet. Antallet af HPI spoler kan variere afhængigt af leverandøren af ​​MEG-systemet.
  7. Anskafplaceringer af HPI spoler og EEG elektroder ved hjælp af en digitizer.
    BEMÆRK: digitizer registrerer koordinaterne for en sensor i 3D-rum. Føleren er placeret på spidsen af ​​en pen. Placeringerne af HPI spolerne skal være kendt med hensyn til hovedet anatomi og placeringen af ​​MEG sensorer.
  8. Få placeringen af ​​referencemærker vartegn, herunder venstre / højre præaurikulær point og nasion hjælp af digitizer. Digitalisere ekstra point (ca. 300 point) for at opnå præcis hovedform.
  9. Overfør patienten i den magnetiske afskærmet rum (MSR) 42, hvor MEG systemet er placeret.
    BEMÆRK: MSR er et afskærmet miljø, der minimerer interferens af MEG optagelser fra eksterne elektromagnetiske kilder (dvs. elledninger, radiofrekvens signaler fra bærbare enheder, elektriske apparater og computere, magnetiske felter fra at flytte magnetiseret genstande såsom biler, elevatorer, og tog ). Det består af tre indlejrede lag.Hvert lag er fremstillet af en ren aluminium lag plus en høj permeabilitet ferromagnetisk lag (dvs. mu-metal, en legering bestående hovedsagelig af nikkel og jern).
  10. Fastsætte patienten på sengen, satte hans / hendes hoved ind i MEG hjelmen, og anvende passende pads / svampe under patientens hoved for komfort.
  11. Tilslut HPIs, EEG kundeemner, den EOG, EKG, EMG, og de ekstra elektroder til optagelsen maskine. Juster patientens hoved position i scanneren sikrer, at det er placeret så dybt som muligt i hjelmen.

2. Data Acquisition

  1. MEG og EEG
    BEMÆRK: MEG / EEG datafangst udføres baseret på fremgangsmåden beskrevet i en tidligere undersøgelse 42 fremgangsmåde. Flere detaljer om den kliniske anvendelse af MEG i pædiatrisk epilepsi kan findes andre steder 43,44.
    1. Optag MEG signaler med en hel-head MEG-system.
      BEMÆRK: MEG-systemet anvender tynd-film sensorer to typer (planegradiometre og magnetometre) integreret på 102 følerelementer. Hvert element indeholder et magnetometer, der består af en enkelt spole, og to ortogonale plane gradiometre, der består af en "figur-of-otte" -typen coil konfiguration. Magnetometer måler den magnetiske flux er vinkelret på dens overflade, og de gradiometre måle forskellen mellem de to sløjfer af "otte", eller den rumlige gradient. Det MEG systemet har 204 plane gradiometre og 102 magnetometre (306 sensorer i alt). MEG-systemer fra forskellige leverandører har forskellige antal og typer af bredbånd (dvs. aksiale gradiometre).
    2. Optag samtidigt EEG-signaler ved hjælp af en umagnetisk 70-kanals elektrode cap med Ag / AgCI sintret ring elektroder og yderligere elektroder i T1 / T2 42. Brug en fælles reference montage.
    3. Luk døren til MSR. Kommuniker med patienten via et samtaleanlæg at kontrollere, om han / hun føler sig godt tilpas. Spørg forældrene at holde inside MSR under optagelsen, hvis barnet føler sig ubehageligt at være alene.
    4. Start optagelserne ved at klikke på knappen "Go" i MEG erhvervelse software. Brug en høj samplingfrekvens på 1 KHz (eller mere). Brug en lav-pass IIR (IIR) filter på 6 th ordre på 400 Hz. Check online alle de optagne signaler. Fix dårlige MEG kanaler ved hjælp af en sensor tuner.
      BEMÆRK: Bad MEG-kanaler er defineret sensorer (gradiometre eller magnetometre), der har et relativt højt niveau af hvid støj (over 2 til 5 fT / √ Hz for magnetometre) eller sensorer, der rekord uægte miljømæssige elektromagnetisk støj. Dette er normalt sker når sensorerne er udsat for stærk (i forhold til de signaler målt) magnetfelter og specifikke dele af spolerne "fælde" den magnetiske flux ødelægge superledning. En sensor tuner derefter anvendes der opvarme spolen ved at påføre en elektrisk strøm gennem den. Denne procedure kaldes tuning og bruges, nårhvid støj niveauet af sensoren er over en bestemt tærskel (dvs. 2 - 5, fT / √ Hz). Nogle MEG systemer ikke har sensor tunere.
    5. Mål patientens hoved position ved at klikke på knappen 'Mål' i MEG erhvervelse software. Hvis patientens hoved er ikke godt dækket af den sensoriske array, bede patienten om at flytte hans / hendes hoved dybere ind i hjelmen.
      BEMÆRK: Denne manøvre aktiverer de 4 HPI spoler ved at anvende forbigående oscillerende elektriske signaler gennem spolerne, der genererer kunstige magnetfelter. Disse felter detekteres af MEG sensorer, således hovedet position bestemmes. Fremgangsmåden kan variere mellem forskellige MEG leverandører.
    6. Optag MEG, EEG, og perifere optagelser ved at klikke på knappen 'Record' i MEG erhvervelse software (dvs. EKG, EOG, og EMG) for ~ 60 min.
      BEMÆRK: data lagres som en .fif fil i Redundant Arrays af Independent Disks (RAID).Den filtype er anderledes for andre MEG leverandører.
    7. Når optagelsen er slut, åbner MSR, frakoble kablerne, og tag patienten fra MSR værelse. Fjern alle de bånd, elektroder, HPI spoler og EEG cap forsigtigt. Tilvejebringe hoved vask for patienten.
    8. Efter købet er afsluttet, registrere de magnetiske signaler af den tomme MSR uden at patienten. Start optagelserne ved at klikke på knappen "Go" i MEG erhvervelse software. Optag MEG data for 2 min ved anvendelse af de samme parametre som i trin 2.1.4.
      BEMÆRK: Denne data bliver brugt til at estimere de miljømæssige elektromagnetisk støj.
  2. MRI
    1. Anskaf anatomiske MRI data med magnetisering forberedt hurtig erhvervelse gradient-ekko sekvenser (MPRAGE; TE = 1,74 ms, TR = 2.520 ms, voxel size = 1 × 1 × 1 mm) med en høj opløsning 3T scanner. Detaljer om MR-scanning-protokollen kan findes andre steder 45.
      BEMÆRK: Vi har ikke udfører MR-scanningsamme dag som MEG session for at undgå artefakter i MEG optagelser følge magnetisering af mulige patients metalliske implantater, såsom fra dental værker.

3. Identifikation af Optagelser af aktivitet

  1. Åbn data ved hjælp Brainstorm 46, som er dokumenteret og frit tilgængelig for download online under GNU General Public License.
  2. Vælg visuelt dele af EEG data med interictal aktivitet forekommer mindst 2 timer bortset fra kliniske anfald.
    BEMÆRK: Figur 1 viser en del af EEG og MEG-data med hyppige vejsidebomber.
    1. Identificer empirisk veldefinerede IED i EEG-signaler: Dette omfatter pigge (20 - 70 ms) og skarpe bølger (70 - 200 ms) 47-48.
      BEMÆRK: Den kliniske betydning af begge typer af vejsidebomber i epileptisk fokus lokalisering er tilsvarende.
    2. Forsøge at identificere (om muligt) portioner af optagelserne med: (i) minimal motipå artefakter, (ii) mere end 3 - 4 IED pr 10 s display, og (iii) slow-wave ikke-REM søvn, der normalt præsentere et stort antal HFO'er 49.

figur 1
Figur 1: IED i EEG og MEG Signaler. Del af samtidigt registrerede hovedbund EEG og MEG signalerer med hyppige vejsidebomber. 1 s af fremhævede afsnit, der indeholder en skarp bølge præsenteres på de rigtige paneler i en længere tidsskala display. Røde prikker angiver toppen af ​​IED. Klik her for at se en større version af dette tal.

  1. Brug Brainstorm, vise data med standard skærmindstillinger (10 s / side). Gå til fanen Filter og sætte følgende filter Vis parametre: højpasfilter: 1 Hz, lav-pass filter: 80 Hz, Notch filter: 50 oR 60 Hz (i henhold til frekvensen af ​​kraftledningen). Undersøg data og identificere dele af data med IED.
    BEMÆRK: Kun dele af signalet med vejsidebomber vil blive scannet for at lede efter HFO'er (trin 3.4). De valgte filtre er kun visualisering; de er ikke blevet anvendt på de data. For at kunne anvende disse filtre permanent til dataene, skal du bruge et band-pass Butterworth filter (4 th rækkefølge) at følge instruktionerne i Brainstorm hjemmeside (http://neuroimage.usc.edu/brainstorm/).
  2. Mark toppen af hver IED forekommer i både EEG og MEG-data (se røde pletter i figur 1).
    BEMÆRK: Flere detaljer om mærkning IED hjælp Brainstorm kan findes andre steder (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy).

4. Semi-automatiseret Påvisning af HFO'er i Samtidig Scalp EEG og MEG data

BEMÆRK: Her beskriver vi en semi-automatiseret metode til påvisning HFO'er, som omfatter en automatiseret detektering (trin 4.1; FiguAd 2), efterfulgt af en visuel gennemgang af de automatisk detekterede HFO'er (trin 4.3). For at undgå de falske svingninger af skarpe transienter som sande krusninger og at sikre, at HFO'er ikke skyldes en filtrering fænomen, vi fulgte de nyeste forslag i den relevante litteratur: vi krævede de HFO'er at have et minimum af 4 svingninger siden det er blevet observeret, at impulssvaret af filteret har færre svingninger end det valgte antal cyklusser 50, vi bruges Finite Impulse Response (FIR) filter til at minimere ringen virkning og "Gibbs" fænomen 50, vi kræves kandidat- HFO begivenheder skal inspiceres også visuelt af en ekspert for at kontrollere, om HFO'er var også synlige overlejret på IED 50,51, og vi krævede en isoleret ø, der skal overholdes i den tid-frekvens plain fordi en skarp begivenhed og en oscillation har forskellige signaturer: en rigtig HFO er repræsenteret ved en isoleret top i den tid-frecy plot (begrænset i frekvens, som "ø"), der ligger i bandet på 80 - 500 Hz, mens en forbigående hændelse genererer en aflang klat, udvidet i frekvens 50,52,53.

Figur 2
Figur 2: Skematisk diagram af algoritmen Steps. Algoritmen fungerer i to faser: den første identificerer kandidat HFO'er fra hver EEG signal i tidsdomænet (venstre og midterste søjler); den anden klassificerer de tidligere fundne kandidat begivenheder for at skelne virkelige HFO'er fra artefakter i den tid-frekvens domæne (højre kolonne). Klik her for at se en større version af dette tal.

  1. Automatisk registrering HFO
    BEMÆRK: Figur 2 beskriver rutediagram for automatisk detekteringaf HFO'er på hver EEG signal. Målet med den udviklede metode er at mindske byrden for EEG ekspert mærkning HFO begivenheder på hver EEG-kanal ved hjælp af en 2 s / side display, der anbefales til visuel inspektion af HFO'er. En HFO blev defineret som en hændelse inden krusning frekvensbånd (80-250 Hz), som har mindst 4 svingninger af sinusformet morfologi stående ud fra den omgivende baggrund 54 (trin 4.1.1), og der vises som et kort- levede begivenhed med en isoleret spektrum har maksimum ved en særskilt høj frekvens 14 (trin 4.1.2).
    1. Påvisning af kandidat HFO'er i tidsdomænet
      1. Band-pass (BP) filtrere EEG-signaler mellem 80 og 250 Hz, der begrænser indholdet af signalerne frekvens til krusning båndet af interesse.
        BEMÆRK: Det anbefales at bruge en FIR filter til at minimere ringer effekt og "Gibbs" fænomen 55, og nul-fase digital filtrering for at undgå fase forvrængning.
      2. Beregnekonvolutten af ​​BP-signalet ved hjælp af Hilbert transformation. Beregne middelværdien og standardafvigelsen (SD) af konvolutten over 10 s skydevinduer centreret på hvert punkt af tidsserier. Estimere det samlede gennemsnit og SD med medianværdien over alle vinduer (for at opnå værdier, der er robuste over for den mulige tilstedeværelse af dele af signalet med mange HFO'er og høj SD).
      3. Beregn z-score på kuverten og markere en kandidat HFO hver gang z-score er højere end den minimumsgrænse, sat lig med 3 56.
      4. Definer starter og slutter punkter i detekterede hændelse som opadgående og nedadgående krydsninger af halvdelen tærsklen. Overvej HFO'er med en inter-begivenhed interval på mindre end 30 ms som et enkelt HFO. Beregn antallet af toppe i BP signal mellem HFO start og slutpunkter, og kassér arrangementer med mindre end 4 toppe. Også kassere begivenheder med en z-score højere end 12.
        BEMÆRK: Ændr din maksimeum z-score grænsen ifølge amplituden af ​​artefakter, der kan opstå i dine optagelser. Hændelser med et lavt antal svingninger kan være forårsaget af filtrering effekter 57,58, mens begivenheder med ekstremt høj amplitude kan skyldes muskelvæv eller elektrode artefakter.
    2. Afvis mulige artefakter i den tid-frekvens domæne.
      BEMÆRK: Dette trin er nødvendigt at skelne virkelige HFO'er af begivenheder, der kan være fremkaldt af andre EEG aktivitet og filtrering artefakter, hvis frekvens indhold er ikke begrænset til frekvensbåndet af interesse. Den er baseret på den antagelse, at en reel HFO vises som en kortvarig begivenhed med en isoleret spektral spids ved en særskilt frekvens over 80 Hz, i modsætning til en transient hændelse, der genererer en aflang klat forlænget i frekvens 59. Figur 3 illustrerer et eksempel på en detekteret HFO viser BP filtrerede EEG-signal (øverste panel), dens hylster (midterste panel), og svarering tid-frekvens plan (nederste panel), i den periode, [-0.5, 0,5] s omkring HFO højdepunkt. Visningen af ​​den tid-frekvens fly er begrænset 80-150 Hz fordi ingen fremtrædende aktivitet blev observeret for frekvenser over 150 Hz.
      1. Omdan alle kandidatlande HFO'er begivenheder i tid-frekvens rum ved hjælp af Morlet transformation i frekvensområdet fra 1 Hz til den højeste frekvens af interesse, dvs., 250 Hz (central frekvens = 1 Hz, Full-bredde-At-Half-Maximum = 3 s).
      2. Analyser den øjeblikkelige effekt spektre af tiden frekvens repræsentation i hvert tidspunkt af varigheden begivenhed. For hver kraftspektret, følge de automatiske kriterier beskrevet af Burnos et al. 56 at detektere top i høj frekvensbånd, og at kontrollere, om det er klart adskiller sig fra den nærmeste top i det nedre frekvensområde. Kassér HFO'er, som ikke viser en magt spektrum med en isoleret peak højfrekvente i mindst 90% af dentidspunkter.
  2. Sorter alle de fundne HFO'er begivenheder ved deres tidsmæssige forekomst på tværs af kanaler. Samle alle fortløbende HFO'er hvis varighed overlapper. Behold kun grupper af HFO'er involverer mindst to EEG kanaler til yderligere analyse.
    BEMÆRK: Algoritmen anmoder om HFO'er at forekomme i mindst 2 kanaler for at undgå at fange falske tilfældige artefakter, som kan ligne virkelige HFO'er og forekommer i enkelte EEG leads. To på hinanden følgende HFO'er betragtes som overlapper hinanden, når starttidspunktet for den anden HFO forud starttidspunktet for den første.

Figur 3
Figur 3: HFO Begivenhed opdaget af algoritme. Overpanel: BP filtreret (80 -: 150 Hz) EEG-signal (i μV) fra en kanal (F8 - T8) fra patient 1. Mellemøsten panel: konvolutten af ​​BP-signalet (z-score). Toppen af ​​konvolutten (rød stjerne) angiver timingen af ​​HFO peak (rød lodret stiplet linje). De blå Stjernerne markere opadgående og nedadgående krydsninger af halvdelen tærsklen (blå stiplet linje), som angiver start og slut tidspunkter af HFO (blå lodrette stiplede linjer). Nederste panel: den tid-frekvens analyse flyet. Bemærk den isolerede top i ripple frekvensbånd (~ 100 Hz) omkring toppen af ​​HFO. Klik her for at se en større version af dette tal.

  1. Visuel gennemgang af HFO begivenheder
    OBS: En del af den visuelle gennemgang er baseret på de af Andrade-Valenca et al retningslinjer. 28 og Zelmann et al. 60.
    1. Lodret justere 2 computerskærme; én til inspektion af EEG og en for inspektion af MEG-signaler. Vise de fundne begivenheder på både den udvidede (2 s / side) og typiske scale (10 s / side), der viser, henholdsvis 80-250 Hz og 1-40 Hz BP filtrerede signaler.
    2. Ignorer begivenheder cooccurring med muskelvæv eller elektrode artefakter i den ufiltrerede EEG og MEG, samt begivenheder med stor frekvens variabilitet, uregelmæssig morfologi, eller store amplitude variationer.
    3. Overhold EOG og EMG-signaler under påvisningen af ​​HFO'er og kassere alle omstændigheder, som menes at svare til EOG eller muskelaktivitet. Tænk kun de HFO'er der overlapper med EEG / MEG IED (påvist i trin 3.3), da de er mere tilbøjelige til at være sande HFO'er 15,28,56.
      BEMÆRK: Denne fremgangsmåde har høj specificitet på bekostning af lav følsomhed; derfor, det giver tillid til, at de identificerede HFO'er er af kortikal oprindelse.
    4. Hold kun HFO hændelser, der forekommer i begge EEG og MEG-signaler på samme tid.

5. Kilde Lokalisering af IED og HFO'er

  1. Lokaliser generatorerne på toppen af ​​MEG IED, Markerede i trin 3.3, ved hjælp af de tilsvarende Aktuelle Dipoler (ECD). Brug Minimum Norm Skøn software, der er frit tilgængelig (http://martinos.org/mne/stable/index.html). Tænk kun spikes med goodness-of-fit (GOF)> 80% og dipolmoment Q <500 nA - m. Overlejre ECD placering på MRI af hver patient.
    BEMÆRK: Maximum Entropy på Mean (MEM) er et attraktivt alternativ metode, der bestemmer placeringen og omfanget af kilderne 61.
  2. HFO lokalisering kilde ved både EEG og MEG hjælp af wavelet Maximum Entropy på Mean (wMEM) metode (som foreslået af von Ellenrieder et al 38).
    BEMÆRK: MEM er en effektiv teknik, som er blevet anvendt til at bestemme placeringen og omfanget af kilder til epileptisk aktivitet 62-64. Den wMEM er en udvidelse af MEM, der er udviklet til lokalisering oscillerende aktivitet som evalueres med realistiske simulationer 65. Det nedbrydes signalet i en discrete wavelet grundlag, før du udfører MEM kilde lokalisering på hver gang-frekvens kassen. Således wMEM er særdeles velegnet til at lokalisere HFO'er.
    1. Segment MRI og få den kortikale overflade ved hjælp Freesurfer 66-67.
    2. Løs EEG / MEG fremad problem med grænsen element metoden (BEM) for en 3-lags model ved hjælp af OpenMEEG 68.
    3. Gensample signalerne til 640 Hz for at sikre, at den anden målestok af den diskrete wavelet transformation, svarer til frekvensbåndet af interesse.
    4. Skøn støj kovarians matrix i data rummet uafhængigt for hver HFO, baseret på baggrund i krusning bandet i et vindue 150 ms umiddelbart før hver HFO. Udfør lokalisering kilde til hver HFO i ripple band og gennemsnittet langs HFO varighed. Bemærk: Den resulterende kort består af en cortical aktivering værdi tilknyttet til hvert hjørne af den kortikale tessellation.
    5. Normalisere hvert kort for at have en maksimalaktivering værdi lig med 1 for hver HFO.
    6. Beregn gennemsnittet af aktiveringsindsatsen værdier på tværs af alle HFO'er på hvert hjørne. Anvender en tærskel på 60% af den maksimale aktivering for at kunne vise det endelige kort over kortikale overflade.

6. Validering

  1. Intrakraniel EEG (iEEG):
    1. Anskaf ekstra-operative iEEG ved at ansætte subduralt net og / eller stereotaktisk guidet dybde elektroder. Guide placeringen af ​​elektroderne baseret på resultaterne af tidligere prækirurgisk evaluering tests og de kliniske hypoteser, der skal behandles, som er specifik for hver patient.
      BEMÆRK: intrakranielt EEG registreres med en digital EEG-system under anvendelse af en 2 kHz samplingfrekvens, som en del af prækirurgisk evaluering. Subduralt gitre er typisk det bedste valg, hvis topografi i kortikale beslaglæggelse område er vigtigt at løse, og hvis kortlægning af veltalende cortex er kritisk (f.eks med et epileptogent område nær PrimarY-motor cortex, hvor den nøjagtige afgrænsning kan estimeres ved stimulering kortlægning og iktal intrakranielle EEG analyse).
  2. Definition af SOZ:
    1. Identificer SOZ som defineret ved en ekspert epileptologist baseret på kliniske oplysninger til rådighed for hver patient.
      BEMÆRK: SOZ er defineret som det område, der viser den tidligste og hurtige udbredelse af iEEG ændring (iktal afladning) fra baseline før eller samtidig med den kliniske udbrud. Alle kanaler er involveret i starten af ​​det iktal elektrografisk udledning, normalt de første 5 s, blev anset som SOZ. Hos patienter, hvor anfaldene der stammer fra mere end ét område uafhængigt af hinanden, er alle kontakter i de forskellige SOZs betragtes som soz kontakter. Eksperten er blind for HFO kilde lokalisering resultater på det tidspunkt definere SOZ. Den kliniske oplysninger omfatter også: iktal og interictal iEEG resultater, synlige læsion på MRI, iktal og interictal hovedbund EEGfund.
  3. Identifikation af HFO-kanaler:
    1. Detect de HFO'er i hvert intrakraniel elektrode som beskrevet i 4.1. Brug Kittler metode til at bestemme tærsklen baseret på histogrammet af antallet af HFO'er fra alle kanaler, derefter anvende bootstrapping og beregne middelværdien som den endelige tærskel 69. Endelig identificere kanalerne med en HFO sats over tærsklen.
  4. Sammenlign HFO lokalisering med SOZ identificeret i 6.2 som den gyldne standard for kilde lokalisering resultater.

Representative Results

Pædiatriske patienter med refraktær epilepsi blev rekrutteret fra Epilepsi Klinik for Boston børnehospital (Boston, USA). Her er repræsentative data fra 2 patienter præsenteres: en 15-årig pige med encephalomalacia af retten midterste cerebrale arterie (MCA) region (patient 1), og en 11-årig dreng med venstre parietal / overlegen tidsmæssig encephalomalacia ( patient 2). Dataene blev indsamlet som led i deres prækirurgisk oparbejdning til operation. Samtidige MEG og EEG optagelser blev udført på Athinoula A. Martinos Center for Biomedicinsk Imaging.

For begge patienter blev HFO'er identificeret i krusning frekvensbånd (80-150 Hz) forekommer i både EEG og MEG og overliggende IED. Figur 4 viser 10 s samtidig hovedbund EEG og MEG data med interictal aktivitet (øverste paneler) fra patient 1. Det samme tal også rapporterer enn forlænget tidsskala del (2 s) af de signaler, som viser de fundne HFO'er i tidsdomænet (midterste paneler) og i den tid-frekvens plan (nederste panel). Denne patient udviste en hastighed på 8,8 HFO'er / min. For overskuelighedens skyld er visningen af ​​den tid-frekvens fly begrænset 80-150 Hz fordi ingen fremtrædende aktivitet blev observeret for frekvenser over 150 Hz. I patient 1, den automatiske registrering identificeret 248 HFO'er begivenheder inden 8,65 minutter af optagelser. Efter visuel gennemgang af de fundne begivenheder, blev 76 arrangementer holdes der blev anset for at være rigtige HFO'er, opnå en hastighed på 8,8 HFO'er / min.

Figur 4
Figur 4: HFO'er oven på IED Registrerede fra Scalp EEG og MEG. Overpanel: IED fra patient 1 detekteret fra hovedbunden EEG (til venstre) og MEG (til højre). 10 s data filtreret 1-70 Hz. Midterste panel: Udvidet tidsskala display (2 s) af EEG og MEG-data fremhævet med grå baggrund i det øverste panel. Data er frafiltreret 80 -: 150 Hz. Lavere panel: Time-frekvens plan to repræsentative EEG og MEG-kanaler. Klik her for at se en større version af dette tal.

Figur 5 viser HFO'er lokalisering resultater for patient 1 fra både hovedbund EEG og MEG. Begge teknikker lokaliseret de HFO'er på nærhed af læsionen i en placering tæt på den højre temporo-parietal junction. MEG og EEG præsenteret lidt forskellige positionsbestemmelser: MEG-aktivitet blev placeret mere anteriort i forhold til EEG og tættere på den bageste grænse af læsionen. Afstanden mellem de to maksima af wMEM aktivitet for MEG og EEG var 15,0 mm. HFO'er localizatipå var også støder op til den irritative zone, da dette blev defineret ved MEG. Den euklidiske afstand mellem midlede ECDs og den maksimale wMEM aktivitet var 18,7 mm for MEG og 28,0 mm for hovedbunden EEG. For patient 2, vi identificeret 8 min af data under slow-wave non-REM søvn med IED og minimale artefakter, som vi brugte til HFO analyse.

Antallet af hovedbund HFO'er var signifikant lavere end hos patient 1, der viser en hastighed på 0,4 HFO'er / min. Figur 6 præsenterer kilde lokalisering resultater af hovedbund HFO'er for MEG og hovedbund EEG, de IED lokaliseret ved MEG hjælp ECDs, og placeringen af HFO'er opdaget af iEEG. Afstanden mellem to maksima af wMEM aktivitet for MEG og EEG var 16,4 mm. Afstanden mellem de midlede ECDs og den maksimale wMEM aktivitet var 10,9 mm for MEG og 24,1 mm for EEG. HFO zone identificeret ikke-invasivt ved hovedbunden EEG og MEG var på samme sted, hvor HFO'er var IDEntified invasivt med iEEG. Elektroderne med det højeste antal HFO'er var LA51, LA52, og LA53, som vist i figur 6, hvis lokalisering var overensstemmende med HFO aktivitet lokaliseret non-invasivt.

Figur 5
Figur 5: Lokalisering af HFO'er og IED. HFO'er zone lokaliseret ved hjælp af wMEM med MEG og EEG fra patient en overlejret på patientens MRI (til venstre). Den HFO'er kort repræsenterer gennemsnittet af de normaliserede aktivering værdier tærsklingsbehandlet til 60% af den maksimale aktivitet. IED lokaliseret ved ECDs med MEG (til højre). De placeringer og orienteringer af ECDs er angivet i cyan. Den lilla trekant angiver placeringen af ​​de midlede ECDs (46 ECDs), og det røde rektangel placeringen af ​​ECD fra midlede IED (28 IED). For midling af IED, identificerede vispikes med lignende morfologi. Klik her for at se en større version af dette tal.

Figur 6
Figur 6: Rumlig Overensstemmelse mellem HFO Zone Lokaliseret invasivt med Scalp EEG og MEG, irritative Zone, og HFO Zone Lokaliseret invasivt med iEEG. Øvre paneler: Lokalisering af HFO'er fra patient 2 med hovedbunden EEG (til venstre) og MEG (midten), og lokalisering af IED med MEG (til højre) overlejret på patientens MRI. Den HFO'er kort repræsenterer gennemsnittet af de normaliserede aktivering værdier tærsklingsbehandlet til 60% af den maksimale aktivitet. Cyan cirkler og streger indikerer de steder og orienteringer af ECDs. Den lilla trekant angiver placeringen af ​​de midlede ECDs (30 ECDs), og den røde rektangel than placeringen af ​​ECD fra midlede IED (21 IED). Lavere paneler: Lokalisering af HFO'er på iEEG (til venstre) og 2 s af optagelser fra kanaler med den højeste HFO sats. Implanterede elektroder er vist på patientens MRI. Elektroden placering opnås ved co-registrering af post-implanterede computertomografi (CT) og MR-billeder. Elektroderne med den højeste rate af HFO'er er fremhævet på kortet over nettet implanteret på patientens cortex. Klik her for at se en større version af dette tal.

De repræsentative resultater præsenteres her angive den potentielle anvendelse af den beskrevne teknik i kliniske omgivelser for noninvasiv identifikation og lokalisering af HFO'er under præ-kirurgisk vurdering af pædiatriske patienter med medicinsk refraktær epilepsi. For både patienter, HFO'er var localized samstemmende for hovedbunden EEG og MEG (se figur 5). Lokalisering forskelle i få mm kan tilskrives den overlegne lokalisering evne high-density MEG sammenlignet med hovedbunden EEG 70, eller kan repræsentere forskellige underliggende generatorer 71. Lokaliseringen var også overensstemmende med den irritative zone, da dette blev defineret ved MEG (se figur 5 - højre panel). I patient 2, data fra iEEG var også tilgængelig. Den HFO'er zone lokaliseret invasivt med hovedbunden EEG og MEG var overensstemmende med HFO'er zone defineret invasivt med iEEG (se figur 6). Resultaterne af den foreslåede metode kan guide placeringen af ​​gitre under epilepsi kirurgi for den potentielle identifikation af EZ.

Discussion

Konvergerende beviser fra dyr og mennesker undersøgelser har vist, at HFO'er er en ny potentiel biomarkør for epileptogen væv. På trods af dette bevis, HFO'er har meget begrænset anvendelse i klinisk praksis til diagnosticering eller overvågning af epilepsi, mest fordi: (i) der er ingen formel og global definition for HFO'er; (Ii) forskellige forskergrupper bruger forskellige metoder til registrering og analyse af data; (Iii) ikke-invasiv påvisning af HFO'er med Neuroimaging teknikker er udfordrende; og (iv) gennemgangen af ​​HFO'er er tidskrævende og upraktisk, især for multikanal EEG eller MEG optagelser med et stort antal sensorer. I et forsøg på at give et samlet standardiseret metode, der fremmer systematisk brug af HFO'er i klinisk praksis, den metode, der er fulgt i Boston Børnehospital for noninvasiv optagelse, afsløring og lokalisering af interictal HFO'er fra pædiatriske patienter med epilepsi præsenteres. Representative resultaterne af HFO'er detekteret med samtidig hovedbund EEG og MEG fra to børn med medicinsk refraktær epilepsi er også præsenteret.

Kritiske trin i protokollen

Den foreslåede metode omfatter følgende kritiske trin: (i) udførelsen af ​​høj Signal-til-støj-forhold (SNR) EEG og MEG samtidige optagelser af interictal aktivitet fra pædiatriske patienter med medicinsk refraktær epilepsi (trin 2.1.1 og 2.1.2 ); (Ii) omhyggelig forbehandling og udvælgelse af data med interictal udladninger (trin 3.1 og 3.2); (Iii) den visuelle gennemgang af de identificerede HFO'er begivenheder med høj specificitet (trin 4.3.1, 4.3.2, og 4.3.3); og (iv) den pålidelige lokalisering af HFO'er med et egnet lokalisering metode (trin 5.2).

Det mest kritiske skridt i denne protokol er den visuelle gennemgang af HFO begivenheder identificeret af den automatiske detektor. En grundig gennemgang af de automatisk detekterede HFO'er er crucial at kassere HFO'er af non-cerebrale oprindelse. træthed eller distraktion af den humane anmelder under besigtigelse af multikanal EEG og MEG data, kan imidlertid føre til fejl, hvilket reducerer specificiteten af ​​registreringsprocessen.

Ændringer og fejlfinding

Vi undgå brugen af Signal Space Projection (SSP) og Signal rummæssigt (SSS) metoder 72,73 for at sikre, at der ikke var nogen forvridning af HFO aktivitet fra deres anvendelse. Disse metoder er ofte brugt af de fleste af brugerne af den særlige MEG leverandør til at undertrykke eksterne interferens og for at korrigere for hoved bevægelser 72. Yderligere undersøgelser er nødvendige for at sikre, at anvendelsen af ​​disse metoder ikke påvirker eller fordrejer HFO aktivitet eller ikke producerer falske virkninger, der kan ligne menneskelige HFO'er. Mindre ændringer af den nedre tærskel for z-score af signalet kuvert (trin 4.1.1.3) og tærsklen til acdyrknings- værdier (trin 5.2.6) kan være nødvendige for at forbedre følsomheden af ​​algoritmen til påvisning af HFO'er og begrænse lokaliseringen af ​​HFO'er zone i en mere fokusområde.

Begrænsninger af teknikken

Den beskrevne metode præsenterer begrænsninger, der skal yderligere behandles i fremtidige studier. For det første er det ikke overveje HFO'er forekommer kun i MEG eller EEG-signaler, og det omfatter ikke automatisk detektering af HFO'er i MEG-signaler, hvilket indebærer, at nogle faktiske lave SNR MEG HFO'er kan slippe visuel inspektion 74. Endvidere bør følsomheden og specificiteten af den foreslåede metode til at påvise de HFO'er og dens evne til at lokalisere dem med stor nøjagtighed valideres med samtidige optagelser af hovedbunden EEG, MEG og iEEG 75. Vores data har vist, at en enkelt ECDs angivet en udvidet irritativ zone i forhold til omdrejningspunktet HFO'er zone. Men når ECDs blev beregnet, derefter dipol location var ganske tæt på HFO zone for både patienter. Vores data indikerer specificiteten af ​​de 2 metoder, som viser en mulig højere specificitet HFO zone for epileptogenicity (især for patient 2 for hvem HFO zone var overlappende med SOZ) i forhold til den irritative zone, selv om det ikke kan drages sikre konklusioner fra sådan en lille gruppe af patienter. Endnu vigtigere, er lokaliseringen af ​​HFO kilder, der ikke direkte indebærer lokalisere EZ, der er ansvarlig for krampeanfald. Vores resultater bør valideres mod udfaldet af epilepsi kirurgi, at vi planlægger at gøre i en fremtidig undersøgelse. Endelig, for at registrere EEG data blev en 70-kanals system anvendes. Men i de fleste centre bruges standard kliniske EEG indstilling, der registrerer data fra 19 elektroder placeres efter den 10 - 20-systemet. Mere avancerede pædiatriske EEG systemer med meget højere antal kanaler (op til 256) er i øjeblikket tilgængelige på markedet. Anvendelsen af ​​disse systemer kan yderligere forbedre than lokalisering nøjagtigheden af ​​HFO'er zone detekteres med hovedbunden EEG.

Betydningen af ​​teknikken med hensyn til eksisterende / alternative metoder

Til vores bedste viden, dette er den første undersøgelse, der rapporterer invasiv lokalisering af interictal HFO'er med samtidig EEG og MEG, og også undersøger overensstemmelsen af ​​lokalisering resultater med dem fra intrakranielle optagelser. Den noninvasive optagelse, afsløring og lokalisering af HFO'er er udfordrende. Dette er fordi HFO'er er meget svage signaler ved de små områder af hjernen i størrelsesordenen kubikmillimeter 16,76 og desuden hæmmes af støj og hjerne baggrund aktivitet. En nylig undersøgelse foreslået, at HFO'er registrerede ikke-invasivt med hovedbunden EEG repræsenterer summen af aktiviteten af flere rumligt distribueret samlingspunkt og sammenhængende kilder 60. Hidtil få studier 28,29,37,38,60 formået at vise, at der kan påvises HFO'er non-invasivt ved hjælp scalp EEG og MEG; endnu færre lokaliseret denne aktivitet ved at løse det inverse problem 37-38.

Her er tegn på interictal HFO'er præsenteret, som er blevet opdaget med samtidig hovedbund EEG og MEG fra to pædiatriske patienter med epilepsi. HFO'er blev lokaliseret ved anvendelse af en tidligere beskrevet ramme 38. De repræsentative data tyder på, at non-invasiv lokalisering af interictal HFO'er er mulig ved hjælp source billeddannelsesteknikker udført på enten hovedbunden EEG eller MEG optagelser, forudsat at en passende lokalisering teknik anvendes. Dette er i overensstemmelse med en tidligere undersøgelse, der brugte en fantom konstruktion ligner HFO'er generatorer, hvilket indikerer, at HFO'er kan noninvasivt opdages og præcist lokaliseret med MEG 32.

Påvisning og mærkning af interictal HFO'er er traditionelt udført gennem visuel inspektion af data fra humane EEG eksperter. Selv om denne fremgangsmåde er ofte Regarded som guldstandarden, det præsenterer alvorlige begrænsninger, da det har dårlig inter-anmelder pålidelighed 77,78, og er ikke for store MEG og EEG datasæt med høje antal sensorer. Afgørende for anvendelsen af ​​HFO'er i klinisk praksis er udviklingen af ​​algoritmer, der registrerer de HFO'er automatisk fra hovedbunden optagelser reducerer behovet for menneskelig input. Den visuelle identifikation af hovedbund HFO'er er i virkeligheden ganske udfordrende på grund af: (i) den lave SNR af HFO'er på hovedbunden; (Ii) de lavere HFO'er i hovedbund optagelser sammenlignet med intrakranielle dem, hvilket indebærer en analyse af meget længere optagetider; og (iii) det store antal kanaler til at analysere, især i høj massefylde EEG eller MEG. Flere algoritmer til automatisk og semi-automatisk detektering af HFO'er er blevet foreslået i det sidste årti 54. Tidligere detektorer påberåbt tærskelværdier i tidsdomænet, for at identificere hændelser, der kan skelnes fra igangværende baggrund aktivitet 49,80. Nylige fremskridt foreslår også integrerer oplysninger fra frekvensdomænet, under forudsætning af, at en HFO skal fremstå som en kortvarig begivenhed med en isoleret spektrum har maksimum ved en særskilt frekvens 50,56,81. Semi-automatiserede metoder synes at være den mest hensigtsmæssige metode for anvendelsen af ​​HFO'er i klinisk praksis. Disse metoder involverer 2 faser: (i) indledende automatisk afsløring af begivenheder, der har høj følsomhed, og (ii) visuel anmeldelse af begivenheder af en ekspert, som har høj specificitet. Denne fremgangsmåde giver højere specificitet sammenlignet med de fuldt automatiserede fremgangsmåder og sikrer, at de endelige revideret begivenheder er faktiske HFO'er af cerebral oprindelse.

Her er en semi-automatiseret metode præsenteret som muliggør påvisning af HFO'er fra interictal hovedbund EEG og MEG optagelser. Den foreslåede metode strækker tidligere beskrevne teknikker til påvisning af HFO'er fra hovedbunden EEG 60 ved at indarbejde i kriterierne identifikation to important funktioner: (i) den automatiske tid-frekvens analyse af de HFO begivenheder; og (ii) den tidsmæssige sammenfald af HFO'er begivenheder i både MEG og EEG optagelser.

Fremtidige applikationer eller retninger efter mastering denne teknik

Den pålidelige lokalisering af HFO'er med ikke-invasive Neuroimaging metoder, såsom hovedbunden EEG og MEG, er kritisk. Mastering, forbedre og validere den foreslåede protokol vil give læger med en pålidelig, ikke-invasivt skrivbare biomarkør for identifikation af EZ. Udviklingen af ​​en sådan biomarkør har potentiale til at reducere behovet for langsigtet overvågning og invasive intrakranielle optagelser, der fører til en signifikant forbedring i prækirurgisk evalueringsprocedure i pædiatriske patienter. Det ville ikke blot bidrage til at identificere den epileptogen væv til operation, men ville også tillade definitiv differentialdiagnose af epilepsi fra akutte symptomatiske anfald, der kræver en helt diffeleje behandling tilgang, og fra ikke-epileptiske anfald besparende behovet for langsigtede overvågning hos nogle patienter. Endvidere kan dette tillade vurdering af effekten af ​​terapeutiske interventioner uden at vente på en anden beslaglæggelse at forekomme.

Disclosures

Forfatterne har intet at afsløre.

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

Medicin Pediatric Epilepsi Høje frekvenssvingninger Pre-kirurgisk Biomarkør magnetoencephalography (MEG) Elektroencefalografi (EEG) Kilde lokalisering interictal epileptiforme Udledninger (IED)
Interictal højfrekvente Svingninger Registrerede med Samtidig magnetoencephalography og Elektroencefalografi som biomarkør for 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