Waiting
Login processing...

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

Bioengineering

Inriktning neuronala Fiber skrifter för Deep Brain stimulering terapi med hjälp av interaktiva, patientspecifika modeller

doi: 10.3791/57292 Published: August 12, 2018

Summary

Målet med detta projekt är att utveckla en interaktiv, patientspecifika modellering rörledning för att simulera effekterna av Djup hjärnstimulering i nära realtid och ge meningsfull feedback om hur dessa enheter påverkar neural aktivitet i hjärnan.

Abstract

Djup hjärnstimulering (DBS), som innebär införande av en elektrod att leverera stimulering till en lokaliserad hjärnregionen, är en etablerad behandling för rörelsestörningar och tillämpas på ett växande antal störningar. Datormodellering har framgångsrikt använts för att förutsäga de kliniska effekterna av DBS; dock finns det ett behov för nya beräkningsmodeller hålla jämna steg med den ökande komplexiteten i DBS enheter. Dessa modeller behöver också generera förutsägelser snabbt och korrekt. Målet med detta projekt är att utveckla en bild bearbetningen rörledningen för att införliva strukturell magnetresonanstomografi (Mr) och diffusion vägt imaging (DWI) i en interaktiv, patientens specifika modell för att simulera effekterna av DBS. En virtuell DBS bly kan placeras inuti patientens modellen, tillsammans med aktiva kontakter och stimulering inställningar, där förändringar i ledande ställning eller läggning genererar en ny finita element mesh och lösning av problemet bioelectric området i nära realtid, en TimeSpan cirka 10 sekunder. Detta system möjliggör också simulering av flera leder i närheten att möjliggöra nuvarande styrning av varierande anoder och katoder på olika leder. De tekniker som presenteras i denna uppsats minska bördan av generera och använda beräkningsmodeller samtidigt som meningsfull feedback om effekterna av elektroden position, elektrod design och stimulering konfigurationer för forskare eller kliniker som kanske inte modellering experter.

Introduction

Djup hjärnstimulering (DBS) är en etablerad terapi för rörelserubbningar såsom essentiell tremor1 och Parkinsons sjukdom2. Denna behandling är också utreds som en potentiell behandling för ett växande antal sjukdomar inklusive traumatisk hjärnan skada3, Tourettes syndrom4och depression5. DBS system kräver kirurgisk implantation av en elektrod bly att leverera stimulering i en lokaliserad hjärnregionen att modulera pågående neural aktivitet6. Platsen för både elektroderna och parametrarna stimulering har en effekt på modulerande neuronala kretsar som ger terapeutiska fördelar. Små variationer i läge kan påverka det terapeutiska fönstret, eventuellt öka sannolikheten för biverkningarna innan terapeutiska fördelar är uppnådda7,8,9. I praktiken är det ofta svårt att förutsäga effekterna stimulering har på neural aktivitet; Följaktligen, fönstret terapeutiska fördelar identifieras på basis av patient-av-patient som stimulering enheten programmeras med klinikern8,9. Denna process blir mer komplicerad när nya generationer av DBS enheter blir tillgängliga. Till exempel romanen lead designer introduceras med fler kontakter10,11,12, och i vissa fall flera leads som implanteras i nära närhet till varandra13. Därför finns det ett behov för att kunna utforska och förutsäga effekterna av DBS över en stor och växande parametern utrymme.

Computational modellering och analys kan användas för att förutsäga de fysiologiska och kliniska effekterna av DBS på patient-specifik basis. Dessa modeller använder finita element modellering (FEM) för att bygga tre dimensionella representationer av hjärnvävnad och inopererade elektroden biofysiska egenskaper. FEM bioelectric området-modeller har framgångsrikt använts för att förutsäga effekter av DBS14, men hittills har dessa varit tidskrävande och beräkningsmässigt kostsamt att generera. Det finns ett behov av nya beräkningsmodeller hålla jämna steg med den ökande komplexiteten i DBS enheter. Dessa patientspecifika modeller bör ge nära visuell feedback i realtid om effekterna av DBS som bly plats eller stimulering parametrar ändras. Användaren skulle erhålla feedback om bly och stimulering inställning i några sekunder, aktivera fortsatt förfining av bly placering under loppet av flera minuter. Patienten-selektivitet uppnås genom att införliva patientens anatomi, deras hjärnans form och storlek, när man bygger FEM och tillämpa sin hjärna, såsom Anisotrop vävnad ledningsförmåga biofysiska egenskaper. Anisotrop ledningsförmåga beskriver hur strömmen kommer att spridas genom olika hjärnregioner och kan mätas non-invasivt för hela hjärnan liknar en typisk magnetresonans avbildning (MRI).

DBS modellering metoder som inte använder patientspecifik information kan ge snabb, men mindre exakta förutsägelser av stimulering effekter, på grund av generaliserad geometrier och ledningsförmåga värden för hjärnvävnaden. I detta synsätt, en enda FEM används för alla patienter och den förutspådda neural aktiviteten kan beräknas i förväg. Patientspecifika modeller inte kan generaliseras och pre beräknats sedan en ny FEM är byggd för varje individ. Dessa modeller kräver mer ansträngning att bygga men kan vara mer exakt. Flera faktorer begränsar hastigheten vid vilken dessa modeller kan byggas och användas: 1) ändra parametrar i början av rörledningen modell byggnad, såsom elektrod position, kräver manuell insats för att uppdatera alla efterföljande steg; och 2) stegen i rörledningen modellering är inte enkelt integrerade med varandra, som kräver överföring av data mellan flera programvarupaket. Ofta vill vi utvärdera många olika situationer som elektrod placering, stimulering parametrar eller elektrod mönster. För att ge meningsfull feedback om den effekt dessa förändringar har på den terapeutiska effekten som patienten får, bör dessa resultat både korrekt och genererade snabbt.

Vårt mål är att presentera nya tekniker för byggnaden patientspecifika modeller som utnyttjar hastighet erhålls i generaliserade modeller och automatisera många av rörledning stegen för att skapa en interaktiv modellmiljö som ger nära realtid visual feedback om effekterna av DBS. En interaktiv simulering tillåter en användare att testa förutsägelser och få resultat snabbt utan att fokusera på Detaljer för modellera konstruktion. Detta är fördelaktigt när det finns ett stort parametern utrymme att utforska och hur dessa parametrar påverkar simuleringen är osäkra. Vi kommer att beskriva stegen i bearbetningen rörledningen att generera interaktiva, patientspecifika FEM-modeller från magnetisk resonanstomografi (MRT) förvärv. Utnyttja de verktyg och tekniker som beskrivs i detta dokument kommer att minska tiden för att skapa FEM bioelectric området-modeller och ger ett sätt att göra dessa modeller tillgängliga för forskare och kliniker som inte modellering experter.

Det här protokollet beskriver hur man bygger en patientspecifik finita element modell från förvärvade MRI volymer, och sedan simulera det elektriska fältet induceras av en DBS-elektrod. De viktigaste stegen i skapandet av dessa modeller är att: 1) bygga en finita element modell (FEM) som representerar patientens hjärna och inopererade elektroden, 2) lägga till biofysiska egenskaper av parametrarna hjärnan och stimulering av DBS enheten i FEM och 3) lösa för den spänningen som genereras av elektroden i modellen. Två avbildningsmetoder behövs för att bygga en patient specifik modell för DBS simulering. En T1 MRT används för att konstruera segmenteringar av hjärnans yta, ventriklarna och specifika kärnor. Diffusion vägt imaging (DWI), ett mått på vatten diffusivitet, används för att uppskatta diffusion tensorer i hela hjärnan vävnad15. De diffusion tensorer omvandlas till konduktivitet tensorer som kvantifiera inhomogena, Anisotrop biofysiska egenskaper av vävnad på en voxel av voxel basen16. Spänning distribution i hela hjärnan framkallas av elektroden beräknas genom att lösa ekvationen Poisson, som genom tillämpning av FEM förenklar att ett linjärt ekvationssystem Ax = b där A är en stelhet matris som representerar ledningsförmåga och geometri av mesh, x är den spänning lösningen på varje nod i mesh och b ändras utifrån randvillkor och strömkällor.

Protocol

1. bildbehandling

  1. T1 MRT segmentering
    1. Hämta och installera FreeSurfer17. Det antas att en T1 MRT har förvärvats och är i DICOM- eller NIFTI-format.
    2. Skriv följande kommando för att skapa en patient katalog och Lägg till deras T1 volym i FreeSurfer: recon-all - s patientnamn -i /Full/Path/To/nii
    3. Typ följande kommando för att köra Freesurfers automatiserad segmentering: recon-all - s patientnamn-alla
    4. Använd mri_convert för att konvertera ”aseg.auto.mgz” ur Freesurfers egenutvecklade .mgz format.
  2. Diffusion vägt Imaging (DWI)
    1. Hämta och installera Slicer18. Det antas att en DWI förvärv har utförts och är tillgänglig som en trave med DICOM-filer.
      Notera: Ett bra kommandoradsverktyg för att utföra denna rekonstruktion är den FMRIB programvara bibliotek (FSL)19. FSL användes i detta protokoll för att utföra echo-planar, rörelse och eddy nuvarande linsförvrängning korrigering innan rekonstruktionen. DWI data används i denna analys är en serie av DICOM-filer för 41 olika diffusion sensibiliserande gradient riktningar.
    2. Modulen DWIConverter i utsnittet för att rekonstruera 41 separat förvärven i en enda volym. Ange Indata Dicom datakatalog där DWI data finns. Välj radioknappen DicomToNrrd och ange namnet på den utgående DWI volymen.
    3. Skapa en Tensor mask med modulen Diffusion viktad volym maskering för att eliminera bakgrundsljud från DTI uppskattning. Lämna parametern tröskelvärdet 0,5 standardinställningen.
    4. Konvertera denna enda DWI-volym till en Diffusion Tensor (DTI) volym med DWI till DTI uppskattning använder masken skapade i föregående steg som Diffusion Tensor Mask. Ange parametrarna uppskattning till minsta kvadratmetoden och kontrollera att alternativet SKIFT negativa egenvärden är markerat.
    5. Spara den nyskapade DTI-volymen i NRRD format.

2. Finita Element modellgenerering

  1. SCIRun
    1. Hämta och installera SCIRun version 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun är en problemlösning miljö för modellering, simulering och visualisering av vetenskapliga problem. Detta är den computational workbench som används för att skapa, lösa och interagera med den modell som utvecklats i detta projekt.
      Obs: SCIRun nätverk byggs genom att ansluta sekvenser av enskilda moduler som utför specifika uppgifter. Överföra data via ett nätverk som består av enkla moduler möjliggör mer komplexa bearbetning och simulering.
  2. Bygga elektrod geometri
    Obs: Elektroden modelleras i detta projekt är en Medtronic 3387 DBS bly20. Det är en cylindrisk ledningen med fyra kontakter 1,5 mm i höjd, 1,27 mm i diameter och radavstånd 1,5 mm från varandra. Icke-ledande material avskiljer de fyra kontakterna.
    1. Skapa en sluten yta maska för varje komponent i DBS ledningen på de angivna dimensionerna. Skapa hela ledningen med två primitiva geometrier, cylindrar och sfärer.
      Obs: Bly geometri kan skapas i en mängd 3D-modellering program.
    2. Skapa en yta maskstorlek på en inkapsling 0,5 mm tjockt lager omger hela ledningen.
  3. Skapa hela hjärnan Mesh
    1. Ladda hjärnan ytan skapade i Del1 skall utgöra den yttre gränsen av FEM.
    2. Skapa två koncentriska box ytor kring DBS ledningen att styra mesh täthet runt elektroden.
      Obs: DBS leda och rutan ytan bör anpassas längs positiva z-axeln med nedre spetsen på elektroden axeln ligger på beskärningen. Detta är viktigt för senare rotation och översättning av elektroden.
    3. Skapa ett punktmoln med en enda kontaktpunkt i varje distinkt regionen av mesh. Regionerna av mesh är: segmenten axeln, de fyra kontakterna, rutan och hjärnan ytan. De värden som bifogas dessa punkter utgör maximal volym begränsningar för varje tetraedriska element i mesh för regionen. Dessa begränsningar är justerade för att styra mesh täthet i och runt elektroden.
    4. Skapa hela hjärnan mesh med modulen ”InterfaceWithTetGen”. Så här anger du de ingående portarna:
      Port 1: hjärnans yta (från 1,1)
      Port 2: regionala attributet punktmoln, volym begränsningar (från 2.3.3)
      Port 3: ingen
      Hamn 4: elektroden modell ytor (från 2.2)
  4. Interaktiva elektrodplacering
    Obs: Målet med detta steg är att möjliggöra enkel förflyttning av elektroden någonstans inne i hjärnan och har systemet automatiskt uppdatera med en ny maska och simulering.
    1. Använd två överlappande CreateGeometricTransform moduler för att rotera elektroden i X- och Y-planet. Klicka på Rotera och första modulen 1,00 på Axeln Y och andra till 1.00 på Axis X. Rotationsvinkeln ställs in med skjutreglaget längst ned, Rotera Theta (grader).
    2. Ansluta en TransformMeshWithTransform modul för varje transformering och objekt som behöver transformeras.
    3. Skapa en GenerateSinglePointProbeFromField -modul och Anslut dess geometri port till ViewScene modulen. Flytta området runt i fönstret ViewScene genom att hålla Skift-tangenten och vänsterklicka. Modulen punkt sonden uppdaterar sfärens läge vid frisläppning.
      Obs: Detta läge används för att bestämma översättning transformationen tillämpas på elektroden geometri.
    4. Använd en TransformMeshWithTransform modul för att översätta varje del av elektroden geometri med punkt sondens läge.
    5. Applicera två rotation transformeringar och översättningen från punkt sonden widget till alla objekt utom hjärnan ytan.
      Obs: Alla tre av dessa omvandlingar bör utföras på varje objekt innan den leds in i InterfaceWithTetGen -modulen så Meshning algoritmen vet till mesh elektrod geometri inuti hjärnan på den nya platsen och orientering. Varje gång elektroden flyttas inom hjärnan byggs en ny maska.

3. bioelectric området beräkning

  1. Konduktivitet-inställning parametrar
    1. Ladda DTI volymen skapade i steg 1 och ange data på tetraedriska mesh utdata från InterfaceWithTetGen skapade i steg 2 med MapFieldDataFromSourceToDestination med alternativet linear('weighted').
      Obs: Någon Anisotrop ledningsförmåga uppskattning kan implementeras i det här steget.
    2. Ange axel regionen konduktiviteten till 1e-6 och regionen kontakt till 1e6 med CalculateFieldData. När alla ledningsförmåga värden fastställs, pipe fältet i BuildFEMatrix.
  2. Ström/spänning källor och randvillkor
    1. Pipe hjärnan ytan används i Meshning processen från steg 2 i SetFieldDataToConstantValue och ange värdet till 0. Detta skapar en spänning diskbänk på hela hjärnans yta. Använd sedan InsertVoltageSource för att placera spänningsvärden på tetraedriska mesh utdata från InterfaceWithTetGen.
    2. För monopolär stimulering, skapa en enda punkt i mitten av en av kontakt platser genom att beräkna värdet FieldCenter från modulen ReportFieldInfo på en av kontaktytorna. Ange fältdata på denna punkt till-1 volt. Sedan använda InsertVoltageSource för att placera punktkälla i tetraedrisk mesh.
      Obs: Det finns nu två kopior av den tetraedriska mesh. En med spänningsvärden på hjärnans yta och en med en punktkälla inuti en kontakt.
    3. Gå med i produktionen av de två InsertVoltageSource modulerna och rör produktionen till ApplyFEMVoltageSource tillsammans med produktionen av BuildFEMatrix.
  3. Lösa framåt
    Obs: Produktionen av ApplyFEMVoltageSource ger matrisen stelhet på port 1 och höger matrisen på port 2. Dessa är de två komponenterna som behövs för att lösa systemet med ekvationer.
    1. Rör de två utgångarna för ApplyFEMVoltageSource i SolveLinearSystem. Välj den Conjugate Gradient lösa metod och Jacobi som preconditioner. Produktionen av denna modul är matrisen lösning, spänning värdet på varje nod i den tetraedriska mesh.
    2. Använd SetFieldData för att placera matrisen spänning lösning på den tetraedriska mesh för en 3D-representation av spänning distribution.
  4. Isosurface visualisering
    1. Pipe resultatet av SetFieldData i ExtractSimpleIsosurface. Öppna Användargränssnittet till fliken kvantitet och ange antalet jämnt fördelade nivåkurvor till 10.
    2. Använda en ShowField -modul och Anslut den till modulen ViewScene att Visa nivåytor som transparent med en regnbåge färgkarta skalad till min och max spänning lösning.

Representative Results

I slutet av detta protokoll tillhandahålls alla nödvändiga ingångar att skapa en patientspecifik modell: den hjärnans yta, elektrod geometri och ledningsförmåga tensorer. Ett SCIRun nätverk bör också ha skapats som integrerar alla indata till bygga en finita element-modell och simulera det inducerade bioelectric området. Simuleringsmodellen ger rörelse av elektroden i hjärnan och ändring av parametrar såsom aktiva kontakter eller stimulering amplitud.

Figur 1 visar möjligheten att simulera och jämför fiber aktiveringen prognoser över flera elektrod positioner. Generation av fiber skrifter från av diffusion imaging påvisades inte i detta protokoll, men denna analys kan utföras med någon deterministisk tractography metod. Position 2 förutspår en mer robust aktivering av målet fiber bunt vid lägre stimulering amplituder över alla kontakter jämfört med position 1. Denna analys används under planeringsstadiet av DBS kirurgi för att bestämma elektrod banan som effektivt stimulerar det mål fiber utbildningsavsnittet.

Ett nytt inslag i detta system är möjligheten att snabbt växla elektrod geometri i modellen och förmågan att simulera flera leads i nära närhet till varandra. Båda dessa metoder används för att ge större kontroll över formen och styrning av det elektriska fältet runt elektroden. Figur 2 illustrerar jämförelse av fiber aktiveringen förutsägelser mellan en rotationssymmetriska och en riktningsvisare DBS leda samtidigt undersöka bly platser att stimulera centrala thalamic fiber vägar och undvika närliggande områden som den sensoriska kärnan . För samma elektrod bana, kan vi se att riktad ledningen ska kunna styra fiber aktivering mot målregionen samtidigt undvika stimulering av främmande fibrer. Denna analys kan användas för att avgöra när det skulle vara nödvändigt att ändra den enhet som patienten skulle få för DBS-behandling för att undvika stimulering av närliggande regioner som skulle framkalla oönskade biverkningar. Detta tillvägagångssätt är användbart för inriktning subthalamic kärnan för att behandla symtom på Parkinsons sjukdom, samtidigt som man undviker den närliggande interna kapseln.

Figure 1
Figur 1 : Jämförelse av elektroden ställning och förutsägelser av målet fiber aktivering. Prediktion av totala fiber bunt aktivering för stimulering amplituder (-0,5 V till -5,0 V) och alla fyra kontakter för två olika elektrod positioner. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2 : Jämförelse av centrala thalamic fiber bunt aktiveringen förutsägelser med rotationssymmetriska och riktad DBS leder. (A) visualisering av både Medtronic 3387 cylindriska DBS bly och Sapiens riktad DBS bly med aktiverande funktion beräkningar på målet centrala thalamic fiber bunten för en enda monopolär stimulering amplitud. (B) (i) en tvärsnitts skära genom DBS bly och fiber buntarna. (ii) en tvådimensionell projektion av tvärsnittsarean med identifiering av DBS leda, rikta fibrer och fibrer för att undvika. (C) spridningen av aktivering över både målet fibrer och fibrer av undvikande som stimulering amplitud ökar för både rotationssymmetriska och riktad DBS leda. Aktiverade fibrer för en viss stimulering amplitud visas i rött, medan fibrerna inte aktiverad visas i blått. (D) en sammanställning av alla simuleringar visas i panelen C, visar förväntade stimulering tröskel amplituden i alla regioner av fiberpackar. Klicka här för att se en större version av denna siffra.

Discussion

Detta protokoll har visat tekniker för att minska tid och computational kostnad bygga patientens specifika modeller för DBS grad som tillåter nära realtid feedback av simuleringsresultat. Snabb feedback möjliggör utforskandet av en stor parametern rymden att bättre förstå hur parameterändringar påverkar modell resultaten. Parametrarna inkluderar bly läge, val av aktiva kontakter, och amplitud, pulsbredden och frekvensen av stimulering vågformen på dessa kontakter. De viktigaste funktionerna i verktyget föreslagna är: 1) en enkel förbrukaren gräns flat till justera parametrarna modell med nära realtid visualisering av hur dessa parametrar påverkar simulering, och 2) automatisering av modell skapelse från en liten uppsättning ingångar: hjärnan ytan, hjärnans vävnad ledningsförmåga tensorer och en surface representation av elektroden geometri. Detta automation underlättar skapandet av patientspecifika modeller för många individer som har olika hjärnan geometrier och vävnad konduktivitet samt utvärdera effekterna av att infoga olika elektrod mönster i befintliga modeller. Bild Pre-processing stegen som beskrivs i detta protokoll inte var fullt automatiserad och kan ta upp till en dag av handläggningstiden. När slutfört de data som genereras från dessa steg är ansåg dock statisk, vilket innebär att informationen inte ändras under simuleringarna. Automatisering av modellskapande uppstår från systemets förmåga att tillämpa dessa data till den patient-specifika FEM utan manuellt arbete. SCIRun nätverket för att utföra alla av modell generationen, simulering, visualisering steg bara behöver byggas en gång. Därför behöver bara de bilden Pre-processing steg utföras igen för att generera en patientspecifik modell för en inkommande patient.

Föreställningen vinst i generera resultat från rörledningen modellering är på grund av integrationen av mesh generation, bioelectric området beräkningar och visualisering av lösningen till en enda programvarumiljö. Befintliga beräkningsmodeller mesh såsom adaptiv mesh generation användes för att skapa högre täthet runt elektroden och lägre densitet vattenhastigheten elektroden som minskar den tid att bygga och lösa FEM. Programvaran, SCIRun, också möjliggör automatisering av mesh generering och bioelectric området beräkningar. Användardefinierade rörelse av elektroden med interaktiv widgets utlöser byggandet av en ny maska med uppdaterade elektrod placering. Detta inkluderar ändring av randvillkor och ledningsförmåga värden för den nya elektrod-positionen.

Elektroden geometri behandlas som en gratis-rörliga objekt inuti hjärnvolymen innan dess position är integrerad i FEM. En viktig implikation av denna strategi för mesh konstruktion är att flera elektroder enkelt kan sättas in i modellen. Exempelvis en andra kopia av elektroden geometri kan placeras flera millimeter bort och båda kommer att ingå i FEM. I nyare forskning har två elektroder implanterats i närheten att behandla multipel skleros tremor13 och har använts i icke-mänskliga primater experiment för att utforska effektiva stimulering mål21. Fördelen med att använda flera elektroder är att ge bättre kontroll av det elektriska fältet genereras i vävnaden över ett större område. Stimulera med aktiva kontakter på båda elektroderna kan styra nuvarande mot målregionen och från regioner som skulle leda till negativa effekter. Bättre kontroll av stimulering över ett större område är också användbart att utforska olika stimulering platser när den exakta platsen för det avsedda målet är okänt, liksom är fallet med många av de framväxande terapi program för DBS. Men är att fastställa parametrar för att uppnå terapeutisk stimulering mer utmanande än en enda elektrod på grund av ökningen i ett redan stora parametern utrymme.

Vi ser framför oss att denna interaktiva modelleringsverktyg kunde ge förmån under preoperativ planering för DBS implantation. Feedback om omfattningen av stimulering i hjärnvävnaden kan kirurger att ändra platsen för elektrod i deras kirurgiska plan att ge terapeutisk stimulering till målregionen. Medan DBS-behandling var den primära motiverande faktorn för att utveckla detta verktyg, kan de tekniker som presenteras i denna uppsats tillämpas på alla FEM bioelectric området-modell med olika stimulering eller inspelning paradigm. Stimulering terapier såsom transkraniell likström stimulering för depression22 eller användningen av djup elektroder för behandling av epilepsi23 dela samma utmaningar som DBS i att bestämma den bästa placeringen av stimulans för att uppnå terapeutiska resultat. Electrocorticography, en inspelningsteknik med matriser av elektroder på ytan av hjärnan för att identifiera beslag debut regioner, har utmaningen med att bestämma var du ska placera elektroderna att spela in från målet regioner i hjärnan24. Alla dessa program är beroende av elektroden ställning medan osäkerheten som behandlar hur strömmen flyter genom hjärnvävnaden. De tekniker som presenteras i denna uppsats minska bördan av generera och använda beräkningsmodeller samtidigt ge meningsfull feedback till forskare och kliniker som använder dessa enheter som inte är modellering experter.

Disclosures

Christopher R. Butson, Ph.D. fungerat som konsult för NeuroPace, Advanced Bionics, Boston Scientific, Intelect Medical, St. Jude Medical och funktionella Neuromodulation.

Acknowledgments

Projektet stöddes av det nationella institutet för hälsa bidrag UH3, NS095554. Tekniskt stöd tillhandahölls av centrum för integrativ biomedicinsk Computing på beräkningsvetenskap och Imaging Institute och möjliggjordes delvis av programvara utvecklad från den NIH P41-GM103545, centrum för integrativ biomedicinsk Computing.

Tacksamhet är utvidgas till Lexie golv och Nathan Galli på beräkningsvetenskap och Imaging Institute för produktion och redigering av video inlämnande, och också till Theresa Lins för hjälp med manuskriptet förberedelse.

Materials

Name Company Catalog Number Comments
FreeSurfer Athinoula A. Martinos Center for Biomedical Imaging https://surfer.nmr.mgh.harvard.edu/
3D Slicer BWH, Harvard University https://www.slicer.org/
SCIRun  University of Utah Center for Integrative Biomedical Computing http://www.sci.utah.edu/cibc-software/scirun.html

DOWNLOAD MATERIALS LIST

References

  1. Benabid, A. L., et al. Chronic electrical stimulation of the ventralis intermedius nucleus of the thalamus as a treatment of movement disorders. Journal of Neurosurgery. 84, (2), 203-214 (1996).
  2. Limousin, P., et al. Effect of parkinsonian signs and symptoms of bilateral subthalamic nucleus stimulation. The Lancet. 345, (8942), 91-95 (1995).
  3. Schiff, N. D., et al. Behavioural improvements with thalamic stimulation after severe traumatic brain injury. Nature. 448, (7153), 600-603 (2007).
  4. Vandewalle, V., et al. Stereotactic treatment of Gilles de la Tourette syndrome by high frequency stimulation of thalamus. Lancet. 353, (9154), 724 (1999).
  5. Mayberg, H. S., et al. Deep brain stimulation for treatment-resistant depression. Neuron. 45, (5), 651-660 (2005).
  6. Hashimoto, T., Elder, C. M., Okun, M. S., Patrick, S. K., Vitek, J. L. Stimulation of the subthalamic nucleus changes the firing pattern of pallidal neurons. Journal of Neuroscience. 23, (5), 1916-1923 (2003).
  7. York, M. K., Wilde, E. A., Simpson, R., Jankovic, J. Relationship between Neuropsychological Outcome and DBS Surgical Trajectory and Electrode Location. J. Neurol. Sci. 287, (1-2), 159-171 (2009).
  8. Machado, A., et al. Deep brain stimulation for Parkinson's disease: surgical technique and perioperative management. Movement Disorders. 21, S247-S258 (2006).
  9. Volkmann, J., Moro, E., Pahwa, R. Basic algorithms for the programming of deep brain stimulation in Parkinson's disease. Movement Disorders. 21, (S14), S284-S289 (2006).
  10. Contarino, M. F., et al. Directional steering: A novel approach to deep brain stimulation. Neurology. 83, (13), 1163-1169 (2014).
  11. Pollo, C., et al. Directional deep brain stimulation: An intraoperative double-blind pilot study. Brain. 137, (7), 2015-2026 (2014).
  12. Willsie, A. C., Dorval, A. D. Fabrication and initial testing of the µDBS: a novel deep brain stimulation electrode with thousands of individually controllable contacts. Biomedical Microdevices. 17, (56), 9961 (2015).
  13. Oliveria, S. F., et al. Safety and efficacy of dual-lead thalamic deep brain stimulation for patients with treatment-refractory multiple sclerosis tremor: a single-centre, randomised, single-blind, pilot trial. The Lancet Neurology. 16, (9), 691-700 (2017).
  14. Butson, C. R., Cooper, S. E., Henderson, J. M., Wolgamuth, B., Mcintyre, C. C. Probabilistic Analysis of Activation Volumes Generated During Deep Brain Stimulation. Neuroimage. 54, (3), 2096-2104 (2011).
  15. Basser, P. J., Mattiello, J., LeBihan, D. MR diffusion tensor spectroscopy and imaging. Biophys. J. 66, (1), 259-267 (1994).
  16. Gullmar, D., Haueisen, J., Reichenbach, J. R. Influence of anisotropic electrical conductivity in white matter tissue on the EEG/MEG forward and inverse solution. A high-resolution whole head simulation study. NeuroImage. 51, (1), 145-163 (2010).
  17. Fischl, B. FreeSurfer. Neuroimage. 62, (2), 774-781 (2012).
  18. Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 30, (9), 1323-1341 (2012).
  19. Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. Neuroimage. 62, (2), 782-790 (2012).
  20. Medtronic DBS 3387/3389 Lead Kit Manual. (2018).
  21. Baker, J. L., et al. Robust modulation of arousal regulation, performance and frontostriatal activity through central thalamic deep brain stimulation in healthy non-human primates. Journal of Neurophysiology. 116, (5), 2383-2404 (2016).
  22. Fregni, F., et al. Treatment of major depression with transcranial direct current stimulation. Bipolar Disorders. 8, (2), 203-204 (2006).
  23. Hodaie, M., Wennberg, R. A., Dostrovsky, J. O., Lozano, A. M. Chronic anterior thalamus stimulation for intractable epilepsy. Epilepsia. 43, (6), 603-608 (2002).
  24. Rosenow, F., Lüders, H. Presurgical evaluation of epilepsy. Brain. 124, (9), 1683-1700 (2001).
Inriktning neuronala Fiber skrifter för Deep Brain stimulering terapi med hjälp av interaktiva, patientspecifika modeller
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Janson, A. P., Butson, C. R. Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models. J. Vis. Exp. (138), e57292, doi:10.3791/57292 (2018).More

Janson, A. P., Butson, C. R. Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models. J. Vis. Exp. (138), e57292, doi:10.3791/57292 (2018).

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