Waiting
Login processing...

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

Bioengineering

Målretting Neuronal Fiber Tracts for dypt hjernen stimulering terapi bruker interaktive, pasient-spesifikke modeller

doi: 10.3791/57292 Published: August 12, 2018

Summary

Målet med dette prosjektet er å utvikle en interaktiv, pasient-spesifikke modellering pipeline for å simulere effektene av dyp hjernestimulasjon i nær sanntid og gi meningsfull tilbakemelding om hvordan disse enhetene påvirke nevrale aktivitet i hjernen.

Abstract

Dyp hjernestimulasjon (DBS), som innebærer innsetting av en elektrode å levere stimulering til en lokalisert hjernen regionen, er en etablert terapi for bevegelsesforstyrrelser og brukes i et økende antall lidelser. Beregningsorientert modellering har blitt brukt til å forutsi kliniske effekten av DBS; Det er imidlertid behov for romanen modellering teknikker for å holde tritt med den økende kompleksiteten av DBS enheter. Disse modellene må også generere spådommer raskt og nøyaktig. Målet med dette prosjektet er å utvikle et bilde forløpet å innlemme strukturelle magnetisk resonans imaging (MRI) og diffusion vektet bildebehandling (DWI) i en interaktiv, pasient bestemt modell å simulere effektene av DBS. En virtuell DBS ledelsen kan plasseres i pasienten modellen, sammen med aktive kontakter og stimulering innstillinger, der endringer i ledelsen plasseringen eller orienteringen genererer en ny endelig element mesh og bioelectric feltet løse problemet i nær sanntid, en tidsrom på ca 10 sekunder. Dette systemet gjør det også mulig for simulering av flere kundeemner i nærheten å tillate for gjeldende styring av varierende anoder og katode på ulike leder. Teknikker som presenteres i denne utredningen redusere byrden av genererer og bruker datamodeller mens meningsfull tilbakemelding om virkningene av elektroden posisjon, elektrode design og stimulering konfigurasjoner til forskere eller klinikere som kanskje ikke er modellering eksperter.

Introduction

Dyp hjernestimulasjon (DBS) er en etablert terapi for bevegelsesforstyrrelser som viktig tremor1 og Parkinsons sykdom2. Denne terapien undersøkes også som potensielle behandling for et økende antall lidelser inkludert traumatisk brain skader3, Tourettes syndrom4og depresjon5. DBS systemer krever kirurgisk implantasjon av en elektroden føre til levere stimulering i et lokalisert hjernen område å modulere pågående nevrale aktivitet6. Plasseringen av elektrodene og parameterne stimulering begge ha en effekt på modulerende nevrale kretser som tilbyr terapeutiske fordel. Små variasjoner i plassering kan påvirke vinduet terapeutiske, muligens øker muligheten for uønskede bivirkninger før terapeutiske fordelen er oppnådd7,8,9. I praksis er det ofte vanskelig å forutsi virkningene stimulering vil ha på neural aktivitet. Derfor er dette vinduet terapeutiske fordel identifisert på pasienten-ved-pasient basis som stimulering enheten er programmert av kliniker8,9. Denne prosessen blir mer komplisert som nye generasjoner av DBS enheter blir tilgjengelige. For eksempel romanen bly design blir introdusert med flere kontakter10,11,12, og i noen tilfeller er flere kundeemner blir implantert i nærheten en annen13. Derfor er det behov for å kunne utforske og forutsi virkningene av DBS over et stort og voksende parameteren mellomrom.

Beregningsorientert modellering og analyse kan brukes til å forutsi fysiologiske og kliniske effekten av DBS på pasient-spesifikke basis. Disse modellene bruke endelig element modellering (FEM) for å bygge tre dimensjonale representasjoner av hjernevevet og Biofysiske egenskaper implantert elektroden. FEM bioelectric feltet modeller har blitt brukt til å forutsi virkningene av DBS14, men inntil nå har dette vært tidkrevende og beregningsmessig dyrt å generere. Det er behov for romanen modellering teknikker for å holde tritt med den økende kompleksiteten av DBS enheter. Disse pasient-spesifikke modeller bør gi nær sanntid visuelle tilbakemeldinger på effekter av DBS som bly plassering eller stimulering parametere er endret. Brukeren vil få tilbakemelding om en leder plassering og stimulering innstillingen i noen sekunder, slik fortsatte finpussingen av avledningene i løpet av noen minutter. Pasient-spesifisitet oppnås ved å innlemme pasientens anatomi, deres hjernens form og størrelse, ved bygging av FEM og bruke egenskapene Biofysiske av hjernen, som Anisotrop vev ledningsevne. Anisotrop ledningsevne beskriver hvordan gjeldende vil spre seg gjennom ulike hjernen regioner og kan måles ikke-invasively for hele hjernen lik en typisk magnetisk resonans bilde (MRI).

DBS modellering tilnærminger som ikke bruker pasient-spesifikk informasjon kan gi rask, men mindre nøyaktige spådommer stimulering effekter, generalisert geometrier og ledningsevne verdier for hjernevev. I denne tilnærmingen, et enkelt FEM brukes for alle pasienter og anslått nevrale aktiviteten kan beregnes på forhånd. Pasient-spesifikke modeller kan ikke generalisert og pre-beregnet siden en ny FEM er bygget for hver enkelt. Disse modellene krever mer innsats for å bygge, men kan være mer nøyaktig. Flere faktorer begrense hastigheten som disse modellene kan være bygget og brukt: 1) å endre parameterne i begynnelsen av modell bygning rørledningen, for eksempel elektrode posisjon, krever manuell innsats for å oppdatere alle etterfølgende trinnene; og 2) trinnene i rørledningen modellering ikke lett er integrert med hverandre, krever bestått av data mellom flere programvarepakker. Ofte skal vi vurdere mange ulike situasjoner som elektrode posisjon, stimulering parametere eller elektrode design. For å gi meningsfull tilbakemelding om effekten disse endringene har på den terapeutiske effekten pasienten får, skal disse resultatene være både nøyaktig og genererte raskt.

Vårt mål er å presentere nye teknikker for å bygge pasient-spesifikke modeller som drar nytte av hastigheten innhentet i generalisert modeller og automatisere mange av rørledningen fremgangsmåten for å opprette en interaktiv modelleringsmiljø som gir nær sanntid visuelle tilbakemelding om virkningene av DBS. En interaktiv simulering tillater en bruker å teste spådommer og få resultater raskt uten fokus på detaljer av modellen. Dette er nyttig når det er en stor parameteren plass å utforske og hvordan disse parameterne påvirke simuleringen er usikre. Vi beskriver trinnene i rørledningen behandling generere interaktive, pasient-spesifikke FEM modeller av magnetisk resonans imaging (MRI) oppkjøp. Utnytte verktøy og teknikker som er beskrevet i dette dokumentet vil redusere tiden for oppretting av FEM bioelectric feltet modeller og å gjøre disse modellene tilgjengelig for forskere og klinikere som ikke modellerer eksperter.

Denne protokollen beskriver hvordan du bygger en pasient-spesifikk endelig element modell fra ervervet MRI volumene, og deretter simulere det elektriske feltet indusert av en DBS elektrode. De viktigste trinnene i etableringen av disse modellene er: 1) bygge en endelig element modell (FEM) representerer pasientens hjernen og implantert elektroden 2) legge til Biofysiske egenskaper av parameterne hjernen og stimulering av DBS enheten i FEM og 3) løse for spenningen generert av elektroden i modellen. To tenkelig modaliteter for å bygge en pasient bestemt modell for DBS simulering. En T1 MRI brukes til å konstruere segmentations hjernen overflaten, ventriklene og spesifikke kjerner. Diffusjon vektet imaging (DWI), et mål på vann diffusivity, brukes til å anslå diffusjon tensors gjennom hjernen vev15. Diffusjon tensors konverteres til ledningsevne tensors som kvantifisere ikke-homogen, Anisotrop Biofysiske egenskapene av vev på en voxel av voxel basis16. Spenningen distribusjon gjennom hjernen indusert av elektroden beregnes ved å løse Poisson ligningen, som gjennom bruk av FEM forenkler lineær systemet av ligninger Ax = b der A er en stivhet matrise som representerer ledningsevne og geometri over nettet, x er spenning løsningen på hver node i mesh, og b endres basert på betingelser og gjeldende kilder.

Protocol

1. bildebehandling

  1. T1 MRI segmentering
    1. Dataoverføre og installere FreeSurfer17. Det antas at en T1 Mr har blitt kjøpt og i DICOM-eller NIFTI.
    2. Skriv inn følgende kommando for å opprette en pasient katalogen og legge til T1 volumet i FreeSurfer: recon-alle - s patientName -jeg /Full/Path/To/nii
    3. Skriv inn følgende kommando til å kjøre Freesurfers automatisert segmentering: recon-alle - s patientName-alle
    4. Bruk mri_convert til å konvertere "aseg.auto.mgz" av Freesurfers proprietære .mgz format.
  2. Diffusjon vektet Imaging (DWI)
    1. Dataoverføre og installere Slicer18. Det antas at en DWI anskaffelse er utført, og er tilgjengelig som en bunke med DICOM-filer.
      Merk: En god kommandolinje-verktøyet til å utføre denne rekonstruksjonen er FMRIB programvare bibliotek (FSL)19. FSL ble brukt i denne protokollen til å utføre echo-Plane, bevegelse, og eddy nåværende forvrengning korreksjon før gjenoppbygging. DWI dataene som brukes i denne analysen er en serie med DICOM-filer for 41 forskjellige diffusion-sensitiverende gradient retninger.
    2. Bruke modulen DWIConverter i Slicer for å rekonstruere 41 separat oppkjøpene i ett enkelt volum. Angi Inndata Dicom datamappen der DWI data ligger. Velg radioknappen DicomToNrrd og oppgi navnet på DWI volumet.
    3. Opprette en tensoren maske med modulen Diffusion vektet volum maskering å fjerne bakgrunnsstøyen fra DTI estimering. La parameteren terskelen standard på 0,5.
    4. Konvertere enkelt DWI volumet til en spredning tensoren (DTI) volum DWI til DTI estimering med masken som er opprettet i forrige trinn som Diffusion tensoren maske. Angi parametere for estimering til minste kvadraters og kontroller at alternativet SKIFT Negative Eigenvalues .
    5. Lagre det nyopprettede DTI volumet i NRRD format.

2. finite Element modell generasjon

  1. SCIRun
    1. Dataoverføre og installere SCIRun versjon 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun er en problemløsning miljø for modellering, simulering og visualisering av vitenskapelige problemer. Dette er beregningsorientert workbench brukes til å opprette, løse og samhandle med modellen utviklet i dette prosjektet.
      Merk: SCIRun nettverk er bygget ved å koble sekvenser av individuelle moduler det utfører bestemte oppgaver. Sende data via et nettverk av enkel moduler tillater mer komplekse behandling og simulering.
  2. Bygge elektrode geometri
    Merk: Elektroden modellert i dette prosjektet er en Medtronic 3387 DBS ledelsen20. Det er en sylindrisk føre med fire kontakter 1,5 mm inne høyde 1.27 mm i diameter og linjeavstand 1,5 mm fra hverandre. Ikke-ledende materialer skiller fire kontaktene.
    1. Opprette et lukket overflate nett for hver komponent i DBS ledelsen matchende oppført dimensjonene. Opprette hele ledelsen med to primitive geometrier, sylindere og kuler.
      Merk: Bly geometri kan opprettes i en rekke 3D-modellering programmer.
    2. Opprette et overflate nett av et innkapsling lag 0,5 mm tykk rundt hele ledelsen.
  3. Opprette hele hjernen Mesh
    1. Laste hjernen overflaten opprettet i del 1 som den ytre grensen til FEM.
    2. Opprett to konsentriske boksen flater rundt DBS ledelsen å kontrollere mesh tetthet rundt elektroden.
      Merk: DBS føre og boksen overflaten skal justeres langs positive z-aksen med nederst spissen av elektroden akselen på opprinnelsen. Dette er viktig for senere rotasjon og omsetjing av elektroden.
    3. Opprette en punkt Sky med et enkelt punktet ligger i forskjellige områder av nettet. Regionene i mesh er: aksel segmentene, fire kontakter, boksen og hjernen overflaten. Verdiene knyttet til disse punktene representerer maksimalt volum begrensningene for hvert tetrahedral element i mesh for regionen. Disse begrensningene er justert for å kontrollere mesh tetthet i og rundt elektroden.
    4. Bruke modulen "InterfaceWithTetGen" for å lage hele hjernen mesh. Angi inngangene som følger:
      Port 1: hjernen overflaten (fra 1.1)
      Port 2: regionale attributtet punkt Sky, volum begrensninger (fra 2.3.3)
      Porten 3: ingen
      Port 4: elektrode modelloverflater (fra 2.2)
  4. Interaktiv elektrodeplassering
    Merk: Målet med dette trinnet er å aktivere enkel bevegelse av elektroden hvor som helst i hjernen og at systemet automatisk oppdatere med en ny maske og simulering.
    1. Bruk to gjennomgripende CreateGeometricTransform moduler for å rotere elektroden i Planet X og Y. Klikk Roter og angi første modulen til 1,00 på Aksen Y og andre til 1,00 på Aksen X. Rotasjonsvinkelen ligger med bunnen glidebryteren, Rotere Theta (grader).
    2. Koble til en TransformMeshWithTransform for hver transformering og objektet som skal transformeres.
    3. Opprett en GenerateSinglePointProbeFromField modul og koble geometri porten til modulen ViewScene . Flytte sfæren rundt i vinduet ViewScene ved å holde SKIFT-tasten og venstreklikke. Punkt sonde modulen oppdaterer sfæren plasseringen ved løslatelse.
      Merk: Denne plasseringen brukes til å bestemme oversettelse transformeringen på elektroden geometrien.
    4. Bruk en TransformMeshWithTransform modul til å oversette hver del av elektroden geometrien med punkt sonde plasseringen.
    5. Bruke to rotasjon transformeringene og oversettelse fra punkt sonde widget til alle objekter unntatt hjernen overflaten.
      Merk: Alle tre av disse transformasjoner skal utføres på hvert objekt før den transporteres i modulen InterfaceWithTetGen så griper algoritmen vet for å mesh elektrode geometrien i hjernen på den nye plasseringen og orientering. Hver gang elektroden flyttes i hjernen skal en ny maske bygges.

3. bioelectric feltet beregning

  1. Innstillingen ledningsevne parametere
    1. Last DTI volum opprettet i trinn 1, og angi data på tetrahedral maske utdataene fra InterfaceWithTetGen opprettet i trinn 2 MapFieldDataFromSourceToDestination med alternativet linear('weighted').
      Merk: Noen Anisotrop ledningsevne estimering kan implementeres i dette trinnet.
    2. Angi aksel regionen ledningsevne 1e-6 og kontakt regionen til 1e6 ved hjelp av CalculateFieldData. Når alle ledningsevne verdiene er angitt, pipe feltet i BuildFEMatrix.
  2. Nåværende/spenning kilder og betingelser
    1. Rør hjernen overflaten brukt i griper fra trinn 2 i SetFieldDataToConstantValue og sette verdien til 0. Dette vil opprette en spenning vask på hele hjernen overflaten. Deretter bruke InsertVoltageSource for å plassere spenning verdiene på tetrahedral maske utdataene fra InterfaceWithTetGen.
    2. For monopolar stimulering, opprette ett punkt i midten av en av kontakt plasseringer ved beregning av FieldCenter verdien fra modulen ReportFieldInfo på en av kontakten overflater. Angi feltdata på dette punktet til-1 volt. Deretter bruke InsertVoltageSource for å plassere punkt kilde i tetrahedral nettet.
      Merk: Det finnes nå to kopier av tetrahedral nettet. En med spenning verdisett på hjernen overflate og med en kilde i en kontakt.
    3. Bli resultatet av de to InsertVoltageSource -modulene og rør inn utdataene i ApplyFEMVoltageSource sammen med produksjonen av BuildFEMatrix.
  3. Løse frem problemet
    Merk: Produksjon av ApplyFEMVoltageSource gir stivhet matrix på port 1 og høyre matrix på port 2. Dette er de to komponentene for å løse systemet av ligninger.
    1. Pipe to resultatene av ApplyFEMVoltageSource i SolveLinearSystem. Velg den bøy Gradient løse metoden og Jacobi som preconditioner. Resultatet av denne modulen er løsningen matrix, spenning verdien på hver node i tetrahedral nettet.
    2. Bruk SetFieldData til å plassere spenning løsning matrisen i tetrahedral nettet for en 3D-representasjon av spenningen distribusjon.
  4. Isosurface visualisering
    1. Pipe resultatet av SetFieldData i ExtractSimpleIsosurface. Åpne Brukergrensesnittet til kategorien antall og antall jevnt plasserte isovalues 10.
    2. Bruk en ShowField satt til noe modul og koble den til modulen ViewScene vise Isosurfaces som gjennomsiktig med kart for farge for regnbueørret skalert til min og maks spenning løsningen.

Representative Results

På slutten av denne protokollen tilbys alle nødvendige kontakter til opprette en pasient-spesifikk modell: hjernen overflaten, elektrode geometri og ledningsevne tensors. Et SCIRun nettverk bør også opprettet som integrerer alle innganger til bygge en endelig element modell og simulere indusert bioelectric feltet. Simuleringsmodell tillater bevegelse av elektroden i hjernen og endring av parametere som aktive kontakter eller stimulering amplitude.

Figur 1 viser simulere og sammenligne fiber aktivisering spådommer over flere elektrode posisjoner. Generasjon av fiber tracts fra diffusjon avbilding ble ikke vist i denne protokollen, men denne analysen kan utføres med en deterministisk tractography metode. Posisjon 2 spår en mer robust aktivering av målet fiber bunt på lavere stimulering amplituder over alle kontakter i forhold til posisjon 1. Denne analysen brukes under planlegging av DBS kirurgi til å bestemme elektrode banen som vil effektivt stimulere målet fiber veien.

En roman trekk ved dette systemet er evnen til å raskt bytte elektrode geometrien i modellen og muligheten til å simulere flere kundeemner i nærheten av hverandre. Begge disse metodene brukes til å få bedre kontroll over figuren og styring av det elektriske feltet rundt elektroden. Figur 2 viser sammenligningen av fiber aktivisering spådommer mellom en axisymmetric og en retningsbestemt DBS føre mens han etterforsker bly steder å stimulere sentrale thalamic fiber stier og unngå nærliggende områder som sensoriske kjerner . For samme elektrode banen, kan vi se at retningsbestemt ledelsen er i stand til å styre fiber aktivisering mot målregion samtidig unngå stimulering av uønskede fiber. Denne analysen kan brukes til å bestemme når det ville være nødvendig å endre enheten pasienten vil motta for DBS terapi for å unngå stimulering av nærliggende områder som ville føre til uønskede bivirkninger. Denne tilnærmingen er nyttig for målretting nucleus subthalamicus å behandle symptomer på Parkinsons sykdom, og unngå nærliggende interne kapselen.

Figure 1
Figur 1 : Sammenligning av elektroden posisjon og spådommer om målet fiber aktivisering. Prediksjon av totale fiber bunt aktivisering for stimulering amplituder (-0.5 V til-5.0 V) og alle fire kontakter for to forskjellige elektrode posisjoner. Klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2 : Sammenligning av sentrale thalamic fiber bunt aktivisering spådommer med axisymmetric og retningsbestemt DBS fører. (A) visualisering av begge Medtronic 3387 sylindriske DBS føre og Sapiens retningsbestemt DBS ledelsen med aktivere funksjonen beregninger på målet sentrale thalamic fiber bunt for et enkelt monopolar stimulering. (B) (i) en cross-sectional skive gjennom DBS ledelsen og fiber pakker. (ii) en to-dimensjonal projeksjon av tverrsnitt område med identifikasjon av DBS føre, fiber, og fibre å unngå. (C) spredning av aktivisering i både målet fiber og fibre av unngåelse som stimulering amplituden øker for både axisymmetric og retningsbestemt DBS føre. Aktivert fiber for et gitt stimulering vises i rødt, mens fiber ikke aktivert vises i blått. (D) en samling av alle simuleringer vises i panelet C, viser anslått stimulering terskelen amplituden i alle regioner av fiber bunter. Klikk her for å se en større versjon av dette tallet.

Discussion

Denne protokollen har vist teknikker for å redusere tiden belastningen og databehandlingskostnaden bygge pasienten spesifikke modeller for DBS grad som gir nær tilbakemelding i sanntid simulering resultater. Rask tilbakemelding gjør utforskning av store parameteren plass å bedre forstå hvordan parameterendringer påvirker modell resultatene. Disse parametrene omfatter bly plassering, valg av aktive kontakter og amplitude, pulsbredde og hyppigheten av stimulering bølgeform på disse kontaktene. Hovedfinessene for foreslåtte verktøyet er: 1) en enkel bruker grenseflate å justere parameterne modell med nær sanntids visualisering av hvordan disse parameterne påvirke simulering, og 2) automatisering av opprettelsen av produktmodellen fra et lite sett med innganger: hjernen overflaten, hjernen vev ledningsevne tensors, og en overflate representasjon av elektroden geometrien. Automatiseringen påskynder etableringen av pasient-spesifikke modeller for mange personer som har forskjellige hjernen geometrier og vev conductivities samt vurdere virkningene av å sette inn ulike elektrode design i eksisterende modeller. Bildet forhåndsbehandling fremgangsmåten beskrevet i denne protokollen var ikke fullt automatisert og kan ta opp til en dag med behandlingstid. Men etter fullført dataene som genereres fra følgende anses som statiske, betyr disse dataene ikke endres under simuleringene. Automatisering av opprettelsen av produktmodellen oppstår fra systemet å bruke disse dataene til pasient-spesifikke FEM uten manuell innsats. SCIRun nettverket utføre alle modell generasjon, simulering, visualisering trinn trenger bare bygget en gang. Bare bilde forhåndsbehandling trinnene må derfor utføres igjen for å generere en pasient-spesifikk modell for en innkommende pasient.

Forestillingen gevinst generere resultater fra modellering pipeline er integrering av mesh generasjon, bioelectric feltberegninger og visualisering av løsningen i en enkelt programvaremiljø. Eksisterende modellering teknikker mesh som adaptive mesh generasjon ble brukt til å opprette høyere tetthet rundt elektroden og lavere tetthet lenger fra elektroden som reduserer tiden å bygge og løse FEM. Programvaren, SCIRun, kan også automatisering av mesh generasjon og bioelectric feltberegninger. Brukerdefinerte bevegelse av elektroden interaktive widgetene utløser byggingen av en ny maske med oppdaterte elektrode posisjon. Dette inkluderer å endre betingelser og ledningsevne verdier for den nye elektrode posisjonen.

Elektroden geometrien behandles som fritt bevegelige objekter i hjernen volumet før sin posisjon er integrert i FEM. En nøkkel implikasjon av denne tilnærmingen for mesh bygging er at flere elektroder lett kan settes inn i modellen. For eksempel en ekstra kopi av elektroden geometri kan plasseres flere millimeter unna og begge vil bli inkludert i FEM. I nyere forskning, har to elektroder blitt implantert i nærheten behandle multippel sklerose tremor13 og har blitt brukt i ikke-menneskelige primas eksperimenter for å utforske effektiv stimulering mål21. Fordelen med å bruke flere elektroder er å gi bedre kontroll av det elektriske feltet generert i vev over et større område. Stimulere med aktive kontakter på begge elektrodene kan styre gjeldende mot målregion og fra områder som ville føre til negative bivirkninger. Bedre kontroll over stimulering over et større område er også nyttig å utforske ulike stimulering steder når den nøyaktige plasseringen av det tiltenkte målet er ukjent, slik tilfellet er med mange av de nye terapi anvendelser av DBS. Bestemme parametrene for å oppnå terapeutiske stimulering er imidlertid mer utfordrende enn en enkel elektrode på grunn av økningen på et allerede store parameteren.

Vi forventer at denne interaktive modelleringsverktøy kan gi nytte under preoperativ planlegging for DBS implantasjon. Tilbakemelding om omfanget av stimulering i hjernevevet kan tillate kirurger endrer elektrode plasseringen i kirurgiske planen å gi terapeutiske stimulering målregion. Mens DBS terapi var den primære motiverende faktoren for utvikling av dette verktøyet, kan teknikker som presenteres i dette dokumentet brukes på alle FEM bioelectric feltet modell med forskjellige stimulering eller opptak paradigmer. Stimulering behandling som Transkraniell likestrøm stimulering for depresjon22 eller bruken av dybde elektroder for behandling av epilepsi23 deler de samme utfordringene som DBS å bestemme den beste plasseringen av stimulering å oppnå terapeutiske resultater. Electrocorticography, en opptak teknikk med matriser av elektrodene på overflaten av hjernen til å identifisere anfall utbruddet regioner, har utfordringen med å bestemme hvor du skal plassere elektrodene ta opp fra Målrett mot regioner i hjernen24. Alle disse programmene er avhengig av elektroden posisjon samtidig håndtere usikkerheten hvordan strøm flyter gjennom hjernevev. Teknikker som presenteres i denne utredningen redusere byrden av genererer og bruker datamodeller mens meningsfull tilbakemelding til forskere og klinikere bruke disse enhetene som ikke er modellering eksperter.

Disclosures

Christopher R. Butson, Ph.D. har fungert som konsulent for NeuroPace, Advanced Bionics, Boston Scientific, Intelect Medical, St. Jude Medical og funksjonelle Neuromodulation.

Acknowledgments

Dette prosjektet ble støttet av det nasjonale institutt helse tilskudd UH3, NS095554. Kundestøtte ble gitt av Center for integrerende biomedisinsk databehandling på Scientific Computing og bildebehandling Institute og ble gjort mulig delvis av programvare utviklet fra NIH P41-GM103545, sentrum av integrerende biomedisinsk databehandling.

Takknemlighet er utvidet Lexie gulvet og Nathan Galli Scientific Computing og bildebehandling Institutt for produksjon og redigering av innlevering video, og også til Theresa Lins for hjelp med manuskriptet 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).
Målretting Neuronal Fiber Tracts for dypt hjernen stimulering terapi bruker interaktive, pasient-spesifikke 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