Waiting
Login processing...

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

Bioengineering

Målretning Neuronal Fiber skrifter for dyb Brain Stimulation terapi ved hjælp af interaktive, Patient-specifikke modeller

doi: 10.3791/57292 Published: August 12, 2018

Summary

Målet med dette projekt er at udvikle en interaktiv, patient-specifikke modellering rørledningen for at simulere virkningerne af dyb brain stimulation i nær real-time og give meningsfulde feedback om, hvordan disse apparater påvirker neurale aktivitet i hjernen.

Abstract

Deep brain stimulation (DBS), som indebærer indsættelse af en elektrode til at levere stimulation til et område af lokaliserede hjernen, er en etableret terapi for bevægelsesforstyrrelser og anvendes til et stigende antal lidelser. Datamodellering har held været anvendt til at forudsige de kliniske effekter af DBS; der er imidlertid behov for romanen modellering teknikker til at holde trit med den stigende kompleksitet af DBS enheder. Disse modeller skal også generere forudsigelser, hurtigt og præcist. Målet med dette projekt er at udvikle et billede behandling pipeline for at indarbejde strukturelle magnetisk resonans imaging (MR) og diffusion vægtet imaging (DWI) i en interaktiv, patientens specifikke model at simulere virkningerne af DBS. En virtuel DBS bly kan placeres inde i den tålmodige model, sammen med aktive kontakter og stimulation indstillinger, hvor ændringer i ledende stilling eller orientering generere en ny finite element mesh og løsning af bioelektrisk felt problem i nær real-time, en TimeSpan ca 10 sekunder. Denne ordning giver også mulighed for simulation af flere kundeemner i tæt nærhed til nuværende styring af varierende anoder og katoder på forskellige kundeemner. De teknikker præsenteret i dette papir reducere byrden af generering og bruge beregningsmæssige modeller samtidig skabe meningsfuld feedback om virkningerne af elektrode placering, elektrode design og stimulation konfigurationer for forskere og klinikere der kan ikke være modellering eksperter.

Introduction

Deep brain stimulation (DBS) er en etableret terapi for bevægelsesforstyrrelser som væsentlige tremor1 og Parkinsons sygdom2. Denne terapi er også ved at blive undersøgt som en potentiel behandling for et stigende antal af lidelser, herunder traumatisk hjerne skade3, Tourettes syndrom4og depression5. DBS systemer kræver kirurgisk implantation af en elektrode fører til levere stimulation i et område af lokaliserede hjernen til at modulere igangværende neurale aktivitet6. Placering af elektroderne og stimulation parametre begge have en effekt på modulerende neuronal kredsløb, som giver terapeutisk effekt. Små variationer i beliggenhed kan påvirke den terapeutisk vindue, muligvis øger sandsynligheden for negative bivirkninger før terapeutisk effekt er opnået7,8,9. I praksis er det ofte svært at forudsige virkningerne stimulering vil have på neurale aktivitet; Derfor er dette vindue af terapeutisk fordel identificeret på grundlag af patienten af patienten som enhedens stimulation er programmeret af kliniker8,9. Denne proces bliver mere komplekst, efterhånden som nye generationer af DBS enheder bliver tilgængelige. For eksempel, Roman bly designs introduceres med flere kontakter10,11,12, og i nogle tilfælde flere kundeemner er ved at blive implanteret i umiddelbar nærhed af hinanden13. Derfor er der behov for at være i stand til at udforske og forudsige virkningerne af DBS på tværs af en stor og voksende parameter plads.

Datamodellering og analyse kan bruges til at forudsige de fysiologiske og kliniske effekter af DBS på en patient-specifikt grundlag. Disse modeller bruger finite element modellering (FEM) til at bygge tre-dimensionelle repræsentationer af hjernevæv og de biofysiske Karakteristik af implanteret elektrode. Five bioelektrisk felt modeller held har været anvendt til at forudsige virkningerne af DBS14, men indtil nu har disse været tidskrævende og beregningsmæssigt dyrt at generere. Der er behov for nye modellering teknikker til at holde trit med den stigende kompleksitet af DBS enheder. Disse patient-specifikke modeller skal nær real-time visuel feedback på virkningerne af DBS som bly placering eller stimulation parametre er ændret. Brugeren vil få feedback om en bly placering og stimulation indstilling i et par sekunder, så fortsatte videreudvikling af bly placering i løbet af nogle minutter. Patient-specificitet opnås ved at inkorporere patientens anatomi, deres hjerne form og størrelse, når bygningen Five og anvende de biofysiske egenskaber af deres hjerne, såsom anisotrope væv ledningsevne. Anisotropisk ledningsevne beskriver hvordan aktuelle vil spredes via forskellige hjerneregioner og ikke-invasivt kan måles for hele hjernen svarende til en typisk magnetisk resonans billede (MR).

DBS modellering tilgange, der ikke bruger patient-specifikke oplysninger kan give hurtig, men mindre præcise forudsigelser af stimulation effekter, generaliseret geometrier og ledningsevne værdier for hjernevæv. I denne tilgang, en enkelt Five bruges til alle patienter og de forudsagte neurale aktivitet kan beregnes på forhånd. Patient-specifikke modeller kan ikke generaliseres og forud beregnet siden en ny Five er bygget for den enkelte. Disse modeller kræver en større indsats til at bygge, men kan være mere præcis. Flere faktorer begrænser hastigheden hvormed disse modeller kan bygget og brugt: 1) ændring af parametre i begyndelsen af model bygning pipeline, såsom elektrode placering, kræver manuel indsats for at opdatere alle de efterfølgende trin; og 2) skridt i modellering pipeline er ikke let integreres med hinanden, som kræver passerer af data mellem flere software-pakker. Ofte, vil vi evaluere mange forskellige situationer som elektrode placering, stimulation parametre eller elektrode designs. For at give relevant feedback om den virkning disse ændringer har på den terapeutiske effekt patienten vil modtage, skal disse resultater være korrekte og genererede hurtigt.

Vores mål er at præsentere nye teknikker til opbygning af patient-specifikke modeller, som drager fordel af hastigheden opnået i generaliseret modeller og automatisere mange af rørledningen trin til at oprette en interaktiv modelleringsmiljø, der tilbyder nær real-time visuelle feedback om virkningerne af DBS. En interaktiv simulation tillader brugeren at teste forudsigelser og opnå resultater hurtigt uden at fokusere på detaljerne i model konstruktion. Dette er nyttigt, når der er en stor parameter til at udforske og hvordan disse parametre påvirker simuleringen er usikker. Vi vil beskrive trinnene i behandling pipeline til at generere interaktive, patient-specifikke FEM modeller fra magnetisk resonans imaging (MR) erhvervelser. Udnytte de værktøjer og teknikker, der beskrives i dette dokument vil reducere tid, omkostningen til oprettelse af Five bioelektrisk felt modeller og giver en måde at gøre disse modeller tilgængelige for forskere og klinikere, som ikke modellerer eksperter.

Denne protokol beskriver hvordan man opbygger en patient-specifikke finite element model fra erhvervede Mr diskenheder, og så simulere det elektriske felt induceret af et DBS elektrode. De vigtigste trin i oprettelsen af disse modeller er at: 1) opbygge en finite element model (FEM), der repræsenterer patientens hjerne, og en indopereret elektrode, 2) tilføje biofysiske egenskaber af parametrene hjernen og stimulation af DBS enheden til Five og 3) løse for den spænding, der er genereret af elektrode i modellen. To billeddiagnostiske modaliteter er nødvendige for at bygge en patient bestemt model for DBS simulering. En T1 Mr bruges til at konstruere segmenter af hjernen overflade, hjertekamrene og særlige kerner. Diffusion vægtet imaging (DWI), en foranstaltning af vand diffusivity, bruges til at beregne diffusion tensoren i hele hjernen væv15. Diffusion tensoren er omdannet til ledningsevne tensoren som kvantificere de inhomogene, Anisotropisk biofysiske egenskaber af væv på en voxel af voxel grundlag16. Spænding distribution i hele hjernen inducerede af elektroden er beregnet ved at løse den ligning, Poisson, som gennem anvendelse af Five forenkler til en lineær system af ligninger Ax = b hvor A er en stivhed matrix, repræsenterer ledningsevne og geometri af trådnet, x er spænding løsningen på hver node i trådnet, og b ændres baseret på randbetingelser og nuværende kilder.

Protocol

1. billedbehandling

  1. T1 Mr segmentering
    1. Hent og Installer FreeSurfer17. Det antages at en T1 Mr blevet opkøbt og i DICOM- eller NIFTI format.
    2. Skriv følgende kommando for at oprette en patient mappe og tilføje deres T1 volumen i FreeSurfer: recon-all - s patientName -i /Full/Path/To/nii
    3. Type følgende kommando for at køre Freesurfers automatiseret segmentering: recon-all - s patientName-alle
    4. Brug mri_convert til at konvertere "aseg.auto.mgz" ud af Freesurfers proprietære .mgz format.
  2. Diffusion vægtet Imaging (DWI)
    1. Hent og Installer Slicer18. Det antages at en DWI erhvervelse er udført og er tilgængelig som en stak af DICOM-filer.
      Bemærk: En god befale kø værktøj til at udføre denne genopbygning er FMRIB Software bibliotek (FSL)19. FSL blev brugt i denne protokol til at udføre echo-planar, motion og eddy nuværende forvrængningskorrektion før genopbygningen. DWI data anvendt i denne analyse er en serie af DICOM-filer til 41 forskellige diffusion-sensibiliserende gradient retninger.
    2. Brug modulet DWIConverter i Slicer til at rekonstruere de 41 separat opkøb i en enkelt enhed. Angiv Input DICOM-datamappen hvor DWI data er placeret. Vælg alternativknappen DicomToNrrd og angive navnet på DWI lydstyrke.
    3. Oprette en Tensor maske med modulet Diffusion vægtet volumen maskering hen til eliminere baggrundsstøj fra DTI skøn. Forlade parameteren tærskel ved misligholdelse af 0,5.
    4. Konvertere enkelt DWI diskenheden til en Diffusion Tensor (DTI) volumen med DWI til DTI Estimation ved hjælp af maske lavet i det forrige trin som Diffusion Tensor maske. Angiv parametrene skøn til mindste kvadraters og sørg for Skift Negative egenværdier er afkrydset.
    5. Gem den nyoprettede DTI volumen i NRRD format.

2. finite Element Model Generation

  1. SCIRun
    1. Hent og Installer SCIRun version 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun er en problemløsning miljø for modellering, simulering og visualisering af videnskabelige problemer. Dette er den beregningsmæssige workbench bruges til at oprette, løse og interagere med den model, der er udviklet i dette projekt.
      Bemærk: SCIRun netværk er bygget ved at forbinde sekvenser af individuelle moduler, til at udføre specifikke opgaver. Overføre data gennem et netværk af enkle moduler giver mulighed for mere komplekse behandling og simulering.
  2. Bygning elektrode geometri
    Bemærk: Elektroden modelleret i dette projekt er en Medtronic 3387 DBS bly20. Det er en cylindrisk fører med fire kontakter 1,5 mm i højden, 1,27 mm i diameter og fordelte 1,5 mm fra hinanden. Ikke-ledende materiale adskiller de fire kontakter.
    1. Oprette en lukket overflade mesh for hver komponent i DBS spidsen matcher de anførte dimensioner. Oprette den hele bly ved hjælp af to primitive geometrier, cylindre og kugler.
      Bemærk: Bly geometri kan oprettes i en række 3D-modellering programmer.
    2. Oprette en overflade maske af en indkapsling lag 0,5 mm tyk omkring hele føringen.
  3. Oprettelse af hele hjernen Mesh
    1. Indlæse hjernen overfladen oprettede i Del1, til at tjene som den yderste grænse af FEM.
    2. Opret to koncentriske boks overflader omkring DBS bly til at kontrollere mesh tæthed omkring elektroden.
      Bemærk: DBS føre og box overflade skal justeres langs den positive z-akse med nederste spids af elektrode akslen ligger på oprindelse. Dette er vigtigt for senere rotation og oversættelse af elektroden.
    3. Oprette en punkt Sky med et enkelt punkt i hvert særskilt område i masken. Regioner i trådnet: aksel segmenter, de fire kontakter, boksen og hjernen overflade. De værdier, der er knyttet til disse punkter repræsenterer de maksimale volumen begrænsninger for hver tetrahedrale element i trådnet for det pågældende område. Disse begrænsninger er justeret for at kontrollere mesh tæthed i og omkring elektroden.
    4. Bruge modulet "InterfaceWithTetGen" til at oprette masken for hele hjernen. Angiv input-porte som følger:
      Port 1: hjernen overflade (fra 1.1)
      Port 2: regionale attribut punkt cloud, volumen begrænsninger (fra 2.3.3)
      Port 3: ingen
      Port 4: elektrode model overflader (fra 2.2)
  4. Interaktive elektrode placering
    Bemærk: Målet med dette trin er at aktivere let bevægelse af elektrode overalt inde i hjernen og har systemet automatisk skal opdateres med en ny mesh og simulering.
    1. Brug to overlappende CreateGeometricTransform moduler til at rotere elektrode i X og Y flyet. Klik på Roter og satte første modul til 1,00 på Aksen Y og andet til 1,00 på Aksen X. Rotationsvinklen er angivet med skyderen nederst, Rotere Theta (grader).
    2. Tilslut et TransformMeshWithTransform modul for hver transformering og objekt, der skal transformeres.
    3. Opret et GenerateSinglePointProbeFromField modul og forbinde strømbegrænsning geometri til modulet ViewScene . Flytte kuglen rundt i ViewScene -vinduet ved at holde Skiftetasten nede og venstreklikke. Modulet punkt sonde opdaterer den sfære placering ved udgivelse.
      Bemærk: Denne placering bruges til at bestemme oversættelse transformeringen påføres elektrode geometri.
    4. Brug et TransformMeshWithTransform modul til at oversætte hver del af elektrode geometri med punkt sondens placering.
    5. Anvende transformeringer to rotation og oversættelse fra punkt sonde widget til hvert objekt, undtagen hjernen overflade.
      Bemærk: Alle tre af disse transformationer bør udføres på hvert objekt, før det er ledes ind i InterfaceWithTetGen modulet så den meshing algoritme ved mesh elektrode geometri inde i hjernen på den nye placering og orientering. Hver gang elektroden er flyttet i hjernen vil en ny mesh blive bygget.

3. bioelektrisk feltet beregning

  1. Ledningsevne indstillingsparametre
    1. Indlæse DTI volumen oprettet i trin 1 og data på tetrahedrale mesh output fra InterfaceWithTetGen lavet i Step 2 ved hjælp af MapFieldDataFromSourceToDestination med indstillingen linear('weighted').
      Bemærk: Enhver anisotrope ledningsevne vurdering kan gennemføres i dette trin.
    2. Sæt akslen region ledningsevne til 1e-6 og kontakt regionen til 1e6 ved hjælp af CalculateFieldData. Når alle ledningsevne værdier er indstillet, pibe feltet i BuildFEMatrix.
  2. Indstillingen strøm/spænding kilder og randbetingelser
    1. Rør hjernen overfladen bruges i meshing processen fra trin 2 i SetFieldDataToConstantValue og placere værdien hen til 0. Dette vil skabe en spænding vask på hele hjernen overflade. Brug derefter InsertVoltageSource til at placere spænding værdier i tetrahedrale mesh outputtet fra InterfaceWithTetGen.
    2. Oprette et enkelt punkt i centrum af et af kontakt-steder ved at beregne FieldCenter værdi fra modulet ReportFieldInfo på en af de støtteflade for monopolære stimulation. Indstil feltdataene på dette punkt til-1 volt. Brug derefter InsertVoltageSource til at placere punktkildebelastningerne i tetrahedrale mesh.
      Bemærk: Der er nu to kopier af de tetrahedrale mesh. Én med spænding værdier på hjernens overflade og en med en punktkilde inde en kontakt.
    3. Deltage i produktionen af de to InsertVoltageSource moduler og pibe arbejdsydelse i ApplyFEMVoltageSource sammen med produktionen af BuildFEMatrix.
  3. Løse fremad
    Bemærk: Output af ApplyFEMVoltageSource giver stivhed matrix på port 1 og matrixen til højre på port 2. Disse er de to komponenter for at løse systemet af ligninger.
    1. Rør de to udgange på ApplyFEMVoltageSource i SolveLinearSystem. Vælg den konjugerede Gradient løse metode og Jacobi som preconditioner. Produktionen af dette modul er opløsningsmatrix, spænding værdi på hver node i den tetrahedrale mesh.
    2. Brug SetFieldData til at placere matrixen spænding løsning på de tetrahedrale mesh for en 3D repræsentation af spænding distribution.
  4. Isosurface visualisering
    1. Pibe resultatet af SetFieldData i ExtractSimpleIsosurface. Åbn UI til fanen mængde og indstille antallet af jævnt fordelt isoværdier til 10.
    2. Brug et ShowField modul og Tilslut den til modulet ViewScene til at vise Isosurfaces som gennemsigtig med en regnbue farve kort skaleret til min og max af spænding løsning.

Representative Results

Alle de nødvendige input til at skabe en patient-specifikke model leveres i slutningen af denne protokol: hjernen overflade, elektrode geometri og ledningsevne tensoren. Et SCIRun netværk bør også har været lavet der integrerer alle indgange til at bygge en finite element model og simulere den inducerede bioelektrisk felt. Simulationsmodellen tillader bevægelse af elektrode i hjernen og ændring af parametre som aktive kontakter eller stimulation amplitude.

Figur 1 viser evnen til at simulere og sammenligne fiber aktivering forudsigelser på tværs af flere elektrode positioner. Generation af fiber skrifter fra diffusion imaging blev ikke påvist i denne protokol, men denne analyse kan udføres med en deterministisk traktografi metode. Position 2 forudsiger en mere robust aktivering af target fiber bundle på lavere stimulation amplituder på tværs af alle kontakter i forhold til position 1. Denne analyse bruges under planlægningsfasen af DBS kirurgi til at bestemme den elektrode bane, der effektivt vil fremme målet fiber pathway.

En roman træk ved dette system er evnen til at skifte hurtigt elektrode geometri i modellen og evnen til at simulere flere kundeemner i umiddelbar nærhed af hinanden. Begge disse metoder bruges til at give større kontrol over figuren og styring af det elektriske felt omkring elektroden. Figur 2 illustrerer sammenligningen af fiber aktivering forudsigelser mellem en axisymmetric og en retningsbestemt DBS føre samtidig undersøge bly steder til at stimulere centrale thalamic fiber veje og undgå i nærheden områder som de sensoriske kerner . For den samme elektrode bane, kan vi se, at den retningsbestemte bly er stand til at styre fiber aktivering mod regionen mål samtidig undgå stimulering af uønskede fibre. Denne analyse kan bruges til at bestemme, hvornår det vil være nødvendigt at ændre enhedens patienten vil modtage for DBS terapi at undgå stimulation af nærliggende områder, der ville fremkalde uønskede bivirkninger. Denne fremgangsmåde er nyttig for målretning subthalamicus for at behandle symptomerne på Parkinsons sygdom, samtidig undgå den nærliggende interne kapsel.

Figure 1
Figur 1 : Sammenligning af elektrode placering og forudsigelser af target fiber aktivisering. Forudsigelse af samlede fiber bundt aktivering for stimulation amplituder (-0,5 V til-5.0 V) og alle fire kontakter til to forskellige elektrode positioner. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2 : Sammenligning af centrale thalamic fiber bundt aktivering forudsigelser med axisymmetric og retningsbestemt DBS fører. (A) visualisering af både Medtronic 3387 cylindrisk DBS føre og de Sapiens retningsbestemt DBS føre med aktivering funktion beregninger på mål centrale thalamic fiber bundle for en enkelt monopolære stimulation amplitude. (B) (i) en tværsnits skive gennem DBS bly og fiber bundter. (ii) en todimensional projektion af tværsnitsareal med identifikation af DBS føre, målrette fibre og fibre til at undgå. (C) spredningen af aktivering på tværs af både mål fibre og fibre af unddragelse som stimulation amplitude stigninger for både axisymmetric og retningsbestemt DBS føre. Aktiveret fibre for en given stimulation amplitude er vist med rødt, mens fibre ikke aktiveret er vist i blåt. (D) en samling af alle simuleringer vist i panelet C, viser den forventede stimulation tærskel amplitude på tværs af alle regioner af fiber bundter. Venligst klik her for at se en større version af dette tal.

Discussion

Denne protokol har vist teknikker til at mindske byrden, tid og beregningsmæssige udgifter til bygning patientens specifikke modeller for DBS til en vis grad at tillader nær real-time feedback af simulation resultater. Hurtig feedback muliggør udforskning af en stor parameter plads til bedre at forstå hvordan parameter ændringer påvirker modelresultater. Disse parametre omfatter bly placering, valg af aktive kontakter, og amplitude, pulse bredde og hyppigheden af stimulation bølgeform på disse kontakter. Hovedelementerne i det foreslåede værktøj er: 1) en simpel brugergrænseflade til at justere parametrene model med nær real-time visualisering af, hvordan disse parametre påvirker simulation, og 2) automatisering af oprettelse af produktmodel fra et lille sæt af input: hjernen overflade, hjernens væv ledningsevne tensoren, og en overflade repræsentation af elektrode geometri. Denne automatisering fremskynder oprettelsen af patient-specifikke modeller for mange enkeltpersoner, der har forskellige hjernen geometrier og væv grænseledningsevner samt evaluere virkningerne af indsætte forskellige elektrode designs i eksisterende modeller. Billede forbehandling trinene beskrevet i denne protokol blev ikke fuldt automatiseret og kan tage til et døgn behandlingstid. Men når afsluttet de data, der genereres fra disse trin betragtes statisk, hvilket betyder, at disse data ikke er ændret under simuleringer. Automatisering af oprettelse af produktmodel udspringer af systemets evne til at anvende disse data på patient-specifikke Five uden manuel indsats. SCIRun netværk til at udføre alle model generation, simulering, visualisering trin skal kun bygges en gang. Derfor kun billede forbehandling skridt, der skal udføres igen for at generere en patient-specifik model for en indgående patienten.

Forestillingen gevinst i at generere resultaterne fra modellering rørledningen er på grund af integrationen af mesh generation, bioelektrisk feltberegninger og visualisering af løsningen i en enkelt software-miljø. Eksisterende modellering teknikker mesh såsom adaptive mesh generation blev brugt til at skabe højere omkring elektroden og lavere massefylde længere fra den elektrode, hvilket reducerer tid til at opbygge og løse FEM. Softwaren, SCIRun, giver også mulighed for automatisering af mesh generation og bioelektrisk feltberegninger. Bruger-defineret bevægelse af elektroden ved hjælp af de interaktive widgets udløser opførelsen af en ny mesh med den opdaterede elektrode holdning. Dette omfatter ændre randbetingelser og ledningsevne værdierne for den nye elektrode placering.

Elektrode geometri er behandlet som en gratis-flytter objektet inde i hjernen volumen, før dens holdning er integreret i FEM. En afgørende konsekvenser af denne tilgang til mesh konstruktion er, at flere elektroder nemt kan indsættes i modellen. For eksempel, en anden kopi af elektrode geometri kan placeres flere millimeter væk og begge vil indgå i FEM. I nyere forskning, har været indopereret to elektroder i tæt nærhed til behandling af multipel sklerose tremor13 og har været brugt i primat eksperimenter til at udforske effektiv stimulation mål21. Fordelen ved at bruge flere elektroder er at give bedre kontrol af det elektriske felt genereret i væv over et større område. Stimulere med aktive kontakter på begge elektroder kan styre aktuelle mod regionen mål og fra regioner, der ville føre til negative bivirkninger. Finere kontrol af stimulation over et større område er også nyttigt at udforske forskellige stimulation steder når den nøjagtige placering af den tilsigtede mål er ukendt, som er tilfældet med mange af de nye terapi applikationer af DBS. Men fastlæggelse af parametre til at opnå terapeutiske stimulation er mere udfordrende end en enkelt elektrode på grund af stigningen i en allerede stor parameter plads.

Vi forestiller os, at denne interaktive modelleringsværktøj kunne give fordel under præ-operativ planlægning til DBS implantation. Feedback om omfanget af stimulation i hjernevævet kan tillade kirurger til at ændre den elektrode placering i deres kirurgisk plan at give terapeutisk stimulation til regionen mål. Mens DBS terapi var den primære motiverende faktor for udviklingen af dette værktøj, kan de teknikker præsenteret i dette papir anvendes på enhver Five bioelektrisk felt model med forskellige stimulation eller optagelse paradigmer. Stimulation behandlinger såsom transkranial jævnstrøm stimulation depression22 eller dybde elektroder anvendes til behandling af epilepsi23 dele de samme udfordringer som DBS i bedste placering af stimulation til at opnå terapeutiske resultater. Electrocorticography, en optagelse teknik med arrays af elektroder på overfladen af hjernen til at identificere beslaglæggelse debut regioner, har udfordringen at bestemme hvor du skal placere elektroder til at optage fra målområder i hjernen24. Alle disse programmer er afhængige af elektrode holdning mens der beskæftiger sig med usikkerheden om, hvordan aktuelle strømme gennem hjernevæv. De teknikker præsenteret i dette papir reducere byrden af generering og bruge beregningsmæssige modeller samtidig give relevant feedback til forskere og klinikere ved hjælp af disse enheder, som ikke modellering eksperter.

Disclosures

Christopher R. Butson, Ph.D. har fungeret som konsulent for NeuroPace, Advanced bionik, Boston Scientific, Intelect medicinsk, St. Jude Medical, og funktionelle Neuromodulationsbehandling.

Acknowledgments

Dette projekt blev støttet af den nationale Institute sundhed tilskud UH3, NS095554. Teknisk support blev leveret af Center for Integrativ biomedicinsk Computing på Scientific Computing og Imaging Institut og blev muliggjort i en del af software udviklet fra NIH P41-GM103545, Center for Integrativ biomedicinsk Computing.

Taknemmelighed er udvidet til Lexie gulv og Nathan Galli på Scientific Computing og Imaging Institut for produktion og redigering af video indgivelse, og også til Theresa Lins bistand med håndskriftet forberedelse.

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).
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