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.
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.
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.
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.
The authors have nothing to disclose.
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.
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 |