Waiting
Login processing...

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

Bioengineering

Targeting neuronalen Faser Traktate für Deep Brain Stimulationstherapie mit interaktiven, patientenspezifische Modelle

doi: 10.3791/57292 Published: August 12, 2018

Summary

Das Ziel dieses Projektes ist es, eine interaktive, Patienten-spezifischen Modellierung Pipeline um die Effekte der tiefen Hirnstimulation in nahezu in Echtzeit zu simulieren und aussagekräftige Rückmeldung, wie diese Geräte neuronalen Aktivität im Gehirn beeinflussen zu entwickeln.

Abstract

Tiefe Hirnstimulation (DBS), die Einfügung einer Elektrode Stimulation zu einer lokalisierten Hirnregion liefern miteinbezieht, ist eine etablierte Therapie für Bewegungsstörungen und auf eine wachsende Zahl von Erkrankungen angewendet wird. Computergestützten Modellierung wird erfolgreich eingesetzt, die klinischen Wirkungen von DBS vorherzusagen; Allerdings gibt es eine Notwendigkeit für neuartige Techniken mit der wachsenden Komplexität der DBS-Geräten mithalten. Außerdem müssen diese Modelle schnell und präzise Vorhersagen zu generieren. Das Ziel dieses Projektes ist, eine Bild-Verarbeitungs-Pipeline um strukturelle Magnetresonanztomographie (MRT) und Diffusion weighted Imaging (DWI) in eine interaktive, geduldige modellspezifisch simulieren die Auswirkungen von DBS zu integrieren zu entwickeln. Eine virtuelle Führung DBS platziert werden kann, innerhalb der Patienten Modell, zusammen mit aktiven Kontakte und Stimulation Einstellungen, wo Änderungen in führende Position oder Ausrichtung eine neue finite-Elemente-Netz und Lösung des Problems bioelektrische Feld in erzeugen nahezu Echtzeit, ein Zeitspanne von ca. 10 Sekunden. Dieses System ermöglicht auch die Simulation von mehrere Leads in der Nähe um aktuelle Lenkung durch unterschiedliche Anoden und Kathoden auf verschiedenen führt zu ermöglichen. In diesem Whitepaper vorgestellten Techniken reduzieren die Belastung der Erzeugung und Verwendung Rechenmodelle und bietet aussagekräftige Rückmeldung über die Auswirkungen der elektrodenposition Elektrodenkonstruktion und Stimulation Konfigurationen für Forscher und Kliniker Wer möglicherweise nicht Modellierung Experten.

Introduction

Tiefe Hirnstimulation (DBS) ist eine etablierte Therapie für Bewegungsstörungen wie essentiellem Tremor1 und der Parkinson-Krankheit2. Diese Therapie wird auch als mögliche Behandlung für eine wachsende Zahl von Erkrankungen einschließlich Schädel-Hirn-Verletzung-3, Tourette-Syndrom4und Depression5untersucht. DBS Systeme erfordern chirurgische Implantation einer Elektrode Blei Stimulation in einem lokalisierten Hirnregion zu modulieren, laufende neuronale Aktivität6liefern. Die Lage der Elektroden und die Stimulationsparameter wirken sich auf die Modulation der neuronalen Schaltkreise, die therapeutischen Nutzen zu bieten. Kleine Abweichungen in Lage beeinflussen das therapeutische Fenster, möglicherweise erhöht die Wahrscheinlichkeit von unerwünschten Nebenwirkungen, vor therapeutischer nutzen erreicht7,8,9. In der Praxis ist es oft schwierig, vorauszusagen, dass die Effekte-Stimulation auf die neuronale Aktivität haben wird; Daher wird dieses Fenster des therapeutischen Nutzens auf Basis von Patienten identifiziert, wie die stimulationsvorrichtung durch die Kliniker8,9programmiert ist. Dieser Prozess wird immer komplexer, sobald neue Generationen von DBS Geräte verfügbar sind. Zum Beispiel neuartige Blei Designs mit mehr Kontakte10,11,12eingeführt, und in einigen Fällen sind mehrere Leads in unmittelbarer Nähe zu einander13implantiert wird. Deshalb müssen sich in der Lage zu erkunden und die Auswirkungen des DBS über eine große und wachsende Parameterraum.

Computergestützten Modellierung und Analyse können verwendet werden, um die physiologischen und klinischen Auswirkungen der DBS auf patientenspezifischer Basis vorherzusagen. Diese Modelle verwenden Finite-Elemente-Modellierung (FEM), um drei dimensionale Darstellungen des Hirngewebes und die biophysikalischen Eigenschaften der implantierten Elektrode zu bauen. FEM bioelektrische Feld Modelle haben erfolgreich eingesetzt, um die Auswirkungen der DBS14vorherzusagen, aber bis jetzt wurden diese zeitaufwändige und rechnerisch kostspielig zu generieren. Besteht ein Bedarf für neue Modellierungstechniken, Schritt zu halten mit der zunehmenden Komplexität der DBS-Geräte. Diese Patienten-spezifischen Modelle sollen in der Nähe von visuellem Feedback in Echtzeit über die Auswirkungen der DBS als Lead-Standort oder Stimulationsparameter geändert werden. Der Benutzer würde erhalten Sie Feedback über eine Lead-Standort und Stimulation Einstellung in ein paar Sekunden, so dass weiterhin Verfeinerung der Blei-Platzierung im Laufe von mehreren Minuten. Patienten-Spezifität wird durch Einbeziehung der Anatomie des Patienten, deren Gehirn Form und Größe, beim Bau der FEM und Anwenden der biophysikalischen Eigenschaften ihres Gehirns, wie anisotrope Gewebe Leitfähigkeit erreicht. Anisotrope Leitfähigkeit beschreibt, wie Strom wird durch verschiedene Gehirnregionen verteilt und nicht-invasiv gemessen werden, für das gesamte Gehirn ähnlich wie ein Bild der typischen Magnetresonanz (MRI).

DBS Modellierung Ansätze, die nicht mit Patienten-spezifischen Informationen können schnelle, aber weniger genaue Vorhersagen der Stimulation Effekte durch generalisierte Geometrien und Leitfähigkeitswerte für Hirngewebe bereitstellen. Bei diesem Ansatz einer einzigen FEM dient für alle Patienten und der vorhergesagte neuronale Aktivität im Voraus berechnet werden kann. Patienten-spezifische Modelle nicht verallgemeinert und vorab berechnet, da eine neue FEM für jeden einzelnen gebaut ist. Diese Modelle erfordern mehr Aufwand zu bauen aber genauer. Mehrere Faktoren begrenzen die Geschwindigkeit, an dem diese Modelle gebaut und verwendet werden können: 1) Parameter zu Beginn des Gebäudes modellpipeline, wie z. B. elektrodenposition, erfordert manuellen Aufwand zur Aktualisierung aller nachfolgenden Schritte; und 2) die Schritte in der Modellierung-Pipeline sind nicht problemlos miteinander erfordert die Übergabe von Daten zwischen mehreren Softwarepaketen. Oft wollen wir viele verschiedene Situationen wie elektrodenposition, Stimulationsparameter oder Elektrode Designs bewerten. Um aussagekräftige Rückmeldung über die Wirkung zu bieten, die diese Änderungen auf die therapeutische Wirkung haben, die der Patient erhalten, sollten diese Ergebnisse korrekt und erzeugt schnell sein.

Unser Ziel ist es, neue Techniken für Gebäude patientenspezifische Modelle, die die Geschwindigkeit nutzen in generalisierten Modellen erhältlich und automatisieren viele der Pipeline Schritte interaktive Modellierungsumgebung zu schaffen, die in der Nähe von Echtzeit-Visual bietet zu präsentieren Feedback über die Auswirkungen des DBS. Eine interaktive Simulation ermöglicht einem Benutzer, Vorhersagen zu testen und schnell Ergebnisse zu erzielen, ohne auf Einzelheiten der Modellbau. Dies ist vorteilhaft, wenn es eine große Parameterraum zu erkunden und wie diese Parameter beeinflussen die Simulation sind unsicher. Beschreiben wir die Schritte in der Verarbeitungspipeline, interaktive, patientenspezifische FEM-Modelle von Magnetresonanz-Bildgebung (MRI) Übernahmen zu generieren. Nutzung der Tools und Techniken, die in diesem Dokument beschriebenen reduzieren die Kosten für die Erstellung von FEM bioelektrische Feld Modelle und bieten die Möglichkeit, diese Modelle für Forscher und Kliniker, die nicht Experten modellieren zugänglich zu machen.

Dieses Protokoll beschreibt, wie eine patientenspezifische finite-Elemente-Modell von erworbenen MRI Bände zu bauen, und dann simulieren das elektrische Feld induziert durch eine DBS-Elektrode. Die wichtigsten Schritte bei der Erstellung dieser Modelle sollen: (1) ein finite-Elemente-Modell (FEM) repräsentieren das Gehirn des Patienten und der implantierten Elektrode bauen, 2) FEM biophysikalischen Eigenschaften und Hirnstimulation Parameter des Geräts DBS hinzu, und (3) lösen die Spannung, die durch die Elektrode in das Modell generiert. Zwei bildgebende Verfahren sind erforderlich, um einen Patienten spezifische Modell für DBS Simulation zu erstellen. Ein T1-MRT wird verwendet, um Segmentierungen des Gehirns Oberfläche, Ventrikel und spezifischen Kernen zu konstruieren. Diffusion weighted Imaging (DWI), ein gewisses Maß an Wasser diffusivität dient zur Verbreitung Tensoren im gesamten Gehirn Gewebe15zu schätzen. Die Diffusion Tensoren sind Leitfähigkeit Tensoren die inhomogenen, anisotropen biophysikalischen Eigenschaften des Gewebes auf einem Voxel quantifizieren durch Voxel Basis16umgewandelt. Die Spannungsverteilung im gesamten Gehirn induziert durch die Elektrode wird durch das Lösen der Poisson-Gleichung, die durch die Anwendung der FEM zu einem linearen System von Gleichungen vereinfacht berechnet Ax = b wo A ist eine Steifigkeitsmatrix, stellt die Leitfähigkeit und Geometrie des Netzes, x ist die Lösung der Spannung an jedem Knoten im Netz, und b wird geändert, je nach Randbedingungen und Stromquellen.

Protocol

(1) Bildverarbeitung

  1. T1-MRI-Segmentierung
    1. Downloaden Sie und installieren Sie FreeSurfer17. Es wird angenommen, dass ein T1-MRT erlangt hat und DICOM oder NIFTI Format.
    2. Geben Sie den folgenden Befehl zum Erstellen eines Patienten Verzeichnis und fügen Sie ihr T1-Volumen in FreeSurfer: Recon-All - s PatientName -i /Full/Path/To/nii
    3. Art der folgenden FreeSurfers auszuführende Befehl automatische Segmentierung: Recon-All - s PatientName-alle
    4. Verwenden Sie Mri_convert , "aseg.auto.mgz" aus FreeSurfers proprietäre .mgz-Format zu konvertieren.
  2. Diffusion Weighted Imaging (DWI)
    1. Downloaden Sie und installieren Sie Slicer18. Es wird angenommen, dass ein Erwerb DWI durchgeführt wurde und als ein Stapel von DICOM-Dateien zur Verfügung ist.
      Hinweis: Eine gute Kommandozeilen-Tool Ausführen dieser Rekonstruktion ist der FMRIB-Software-Bibliothek (FSL)19. FSL diente in diesem Protokoll durchzuführen Echo planar, Bewegung und Eddy aktuelle Entzerrung vor dem Umbau. In dieser Analyse verwendeten DWI-Daten ist eine Reihe von DICOM-Dateien für 41 verschiedene Diffusion sensibilisierenden gradient Richtungen.
    2. Mithilfe des DWIConverter -Moduls im Datenschnitt um 41 separate Übernahmen in einem einzigen Band zu rekonstruieren. Geben Sie das Input-Dicom-Daten-Verzeichnis wo der DWI-Daten gespeichert sind. Aktivieren Sie das Optionsfeld DicomToNrrd und geben Sie den Namen des DWI Ausgangslautstärke.
    3. Erstellen Sie eine Tensor-Maske mit der Diffusion Weighted Volumen Maskierung Modul Hintergrundgeräusche aus der DTI-Schätzung zu beseitigen. Verlassen Sie den Schwellenwert-Parameter den Standardwert von 0,5.
    4. Konvertieren Sie diese Einzelband DWI Diffusion Tensor (DTI) Volumen mit DWI DTI Schätzung mit der Maske, die im vorherigen Schritt als die Diffusion Tensor Maskeerstellt. Legen Sie die Parameter der Schätzung zu kleinsten Quadrate und sicherstellen Sie, dass die Negative Eigenwerte Shift -Option aktiviert ist.
    5. Speichern Sie das neu erstellte Volume DTI im NRRD Format.

(2) finite-Elemente-Modell-Generation

  1. SCIRun
    1. Downloaden Sie und installieren Sie Version 5 (http://www.sci.utah.edu/software/scirun.html) SCIRun. SCIRun ist ein Problemlösungs-Umgebung für Modellierung, Simulation und Visualisierung wissenschaftlicher Probleme. Dies ist die rechnerische Werkbank verwendet erstellen, lösen und Interaktion mit dem Modell in diesem Projekt entwickelt.
      Hinweis: SCIRun Netzwerke entstehen durch die Verbindung von Sequenzen aus einzelnen Modulen, die bestimmte Aufgaben zu erfüllen. Weitergabe von Daten über ein Netzwerk aus einfachen Module ermöglicht komplexere Verarbeitung und Simulation.
  2. Aufbau der Elektroden-Geometrie
    Hinweis: Die Elektrode modelliert in diesem Projekt ist ein Medtronic 3387 DBS Blei20. Es ist eine zylindrische Führung mit vier Kontakte 1,5 mm in der Höhe, 1,27 mm im Durchmesser und Abstand 1,5 mm auseinander. Nicht-leitendes Material trennt die vier Kontakte.
    1. Erstellen Sie eine geschlossene Flächennetz für jede Komponente in die DBS-Führung die aufgeführten Abmessungen passend. Erstellen Sie die gesamte Führung durch zwei primitive Geometrien, Zylinder und Kugeln.
      Hinweis: Die Lead-Geometrie kann in einer Vielzahl von 3D Modellierung Programme erstellt werden.
    2. Erstellen Sie eine Flächennetz einer Kapselung Schicht 0,5 mm dick, rund um die gesamte Führung.
  3. Das ganze Gehirn Netz erstellen
    1. Laden Sie die Gehirn-Oberfläche erstellt in Teil 1 zu dienen als die äußere Begrenzung der FEM.
    2. Erstellen Sie zwei konzentrische Box Flächen rund um die DBS-Führung, die Netzdichte um die Elektrode zu kontrollieren.
      Hinweis: Der DBS führen und box Oberfläche sollte mit der unteren Spitze des Schachtes Elektrode befindet sich am Ursprung der positiven z-Achse ausgerichtet werden. Dies ist wichtig für spätere Rotation und Translation der Elektrode.
    3. Erstellen Sie eine Punktwolke mit einem einzigen Punkt befindet sich in jeweils eigenständige Region des Netzes. Die Regionen des Netzes sind: der Wellenabschnitte, die vier Kontakte, Feld und der Oberfläche des Gehirns. Diese Punkte verbundenen Werte repräsentieren die maximale Lautstärke Einschränkungen für jedes Tetraeder Element im Netz für diese Region. Diese Einschränkungen werden angepasst, um die Netzdichte in und um die Elektrode zu kontrollieren.
    4. Verwenden Sie das Modul "InterfaceWithTetGen" um das ganze Gehirn-Netz zu erstellen. Legen Sie die Eingänge wie folgt:
      Anschluss 1: Gehirn Oberfläche (ab 1.1)
      Anschluss 2: regionale Attribut Punktwolke, Volumen Zwängen (2.3.3)
      Anschluss 3: keine
      Anschluss 4: Modell Elektrodenflächen (ab 2.2)
  4. Platzierung der interaktiven Elektrode
    Hinweis: Das Ziel dieses Schrittes ist es, einfache Bewegung der Elektrode überall innerhalb des Gehirns zu aktivieren und das System automatisch aktualisiert, mit einem neuen Netz und Simulation.
    1. Verwenden Sie zwei überlappende CreateGeometricTransform Module, um die Elektrode in der X- und Y-Ebene drehen. Klicken Sie auf drehen und erstes Modul 1,00 auf Achse Y und die zweite auf 1,00 auf Achse X. Der Drehwinkel wird mit dem unteren Schieber, Drehen Theta (Grad)festgelegt.
    2. Schließen Sie ein TransformMeshWithTransform -Modul für jede Transformation und Objekt, der umgewandelt werden soll.
    3. Erstellen Sie ein GenerateSinglePointProbeFromField -Modul und das Modul ViewScene seine Geometrie-Port an. Bewegen der Kugel im Fenster " ViewScene " durch die UMSCHALTTASTE gedrückt halten und mit der linken Maustaste. Die Punkt-Sensormodule aktualisiert die Kugel Speicherort beim Loslassen.
      Hinweis: Diesen Standort wird verwendet, um festzustellen, die Übersetzung Transformation auf die Elektrode Geometrie angewendet.
    4. Verwenden Sie ein TransformMeshWithTransform -Modul, um jeden Teil des Elektroden-Geometrie mit der Position des Punkts Sonde übersetzen.
    5. Die zwei Drehung Transformationen und die Übersetzung aus dem Punkt Sonde Widget auf jedes Objekt außer der Gehirn-Oberfläche auftragen.
      Hinweis: Alle drei dieser Veränderungen sollte auf jedem Objekt durchgeführt werden, bevor es in das InterfaceWithTetGen -Modul geleitet wird, so dass die Netzerstellung Algorithmus kennt, um die Elektroden-Geometrie im Inneren des Gehirns an die neue Position und Ausrichtung zu vernetzen. Jedes Mal, wenn die Elektrode im Gehirn verschoben wird, wird ein neues Netz gebaut werden.

(3) bioelektrischen Feldberechnung

  1. Einstellparameter Leitfähigkeit
    1. Ladevolumen in Schritt 1 erstellte DTI und legen Sie die Daten auf die Tetraedergitter Ausgabe von InterfaceWithTetGen in Schritt2 mit MapFieldDataFromSourceToDestination mit der linear('weighted')-Option erstellt.
      Hinweis: In diesem Schritt sind keine anisotrope Leitfähigkeit Schätzung realisierbar.
    2. Legen Sie die Welle Region Leitfähigkeit auf 1E-6 und Kontaktbereich, 1e6 mit CalculateFieldData. Sobald alle Leitfähigkeitswerte festgelegt sind, Leitung Bereich in BuildFEMatrix.
  2. Strom/Spannung Quellen und Randbedingungen einstellen
    1. Rohr der Gehirn-Oberfläche in die Netzerstellung aus Schritt2 in SetFieldDataToConstantValue und legen Sie den Wert auf 0. Dadurch entsteht eine Spannung Senke auf der Oberfläche des gesamten Gehirns. Verwenden Sie dann InsertVoltageSource , um die Spannungswerte auf die Tetraedergitter Ausgabe von InterfaceWithTetGenzu platzieren.
    2. Erstellen Sie für monopolare Stimulation einen einzelnen Punkt in der Mitte einer der Kontakt Standorte durch die Berechnung des FieldCenter-Wert aus dem ReportFieldInfo -Modul auf einem der Kontaktflächen. Setzen Sie die Felddaten in diesem Punkt-1 Volt. Dann verwenden Sie InsertVoltageSource um die Punktschallquelle in der Tetraedergitter platzieren.
      Hinweis: Es gibt jetzt zwei Kopien der Tetraedergitter. Eins mit Spannungswerte auf der Oberfläche des Gehirns und eins mit einer Punktquelle innerhalb eines Kontakts festlegen.
    3. Begleiten Sie die Leistung der beiden InsertVoltageSource Module und die Ausgabe in ApplyFEMVoltageSource zusammen mit der Ausgabe von BuildFEMatrix.
  3. Problemlösung nach vorne
    Hinweis: Die Ausgabe des ApplyFEMVoltageSource gibt die Steifigkeitsmatrix an Port 1 und der rechten Seite Matrix an Port 2. Dies sind die zwei Komponenten erforderlich, um das System von Gleichungen zu lösen.
    1. Die beiden Ausgänge des ApplyFEMVoltageSource in SolveLinearSystemRohr. Wählen Sie das konjugieren Gradient Methode und Jacobi als die Vorkonditionierer lösen. Die Ausgabe dieses Moduls ist die Lösungsmatrix Spannungswert an jedem Knoten in der Tetraedergitter.
    2. Verwenden Sie SetFieldData , um die Spannung Lösungsmatrix auf Tetraedergitter für eine 3D Darstellung der Spannungsverteilung zu platzieren.
  4. Isofläche Visualisierung
    1. Rohr-das Ergebnis der SetFieldData in ExtractSimpleIsosurface. Öffnen Sie die Benutzeroberfläche auf die Registerkarte " Menge " und die Anzahl der Isowerten gleichmäßig verteilt auf 10 festgelegt.
    2. Verwenden Sie ein ShowField Modul und schließen Sie es an das ViewScene Modul der Isoflächen als transparent mit einem Regenbogen-Farbkarte skaliert auf die Min. und Max. Spannung-Lösung anzeigen.

Representative Results

Am Ende dieses Protokolls werden alle notwendigen Eingänge zum Erstellen eines Patienten-spezifischen Modells zur Verfügung gestellt: die Oberfläche des Gehirns, Elektroden-Geometrie und Leitfähigkeit Tensoren. Ein SCIRun-Netzwerk sollte auch erstellt worden sein, der integriert alle Eingänge ein finite-Elemente-Modell zu bauen und die induzierte bioelektrische Feld zu simulieren. Das Simulationsmodell ermöglicht eine Bewegung der Elektrode im Gehirn und Änderung von Parametern wie aktive Kontakte oder Stimulation Amplitude.

Abbildung 1 zeigt die Fähigkeit zu simulieren und Faser Aktivierung Vorhersagen über mehrere Elektrodenpositionen zu vergleichen. Generation von Faser Traktate aus der Diffusionsbildgebung zeigte sich nicht in diesem Protokoll, aber diese Analyse kann mit jeder deterministische traktographie Methode durchgeführt werden. Position 2 prognostiziert eine robustere Aktivierung der Ziel-Faserbündel bei geringer Stimulation Amplituden über alle Kontakte im Vergleich zu Position 1. Diese Analyse wird während der Planungsphase der DBS Chirurgie verwendet, um die Elektrode Flugbahn zu bestimmen, die effektiv den Ziel Faser Weg fördern.

Ein neues Merkmal dieses Systems ist die Möglichkeit, schnell die Elektroden-Geometrie im Modell wechseln und die Fähigkeit, mehrere Leads in unmittelbarer Nähe zueinander zu simulieren. Beide Ansätze sind verwendet, um größere Kontrolle über die Form und die Lenkung des elektrischen Feldes um die Elektrode zu bieten. Abbildung 2 zeigt den Vergleich der Faser Aktivierung Vorhersagen zwischen einem axialsymmetrisch und eine gerichtete DBS führen während der Untersuchung führen Standorte, zentrale thalamische Faser Wege und die Vermeidung von nahe gelegenen Gebieten wie z. B. die sensorischen Kerne zu stimulieren . Für den gleichen Elektrode Bahn sehen wir, dass die gerichtete Führung Faser-Aktivierung auf die Zielregion zu lenken, während der Erregung von unerwünschten Fasern zu vermeiden kann. Diese Analyse kann verwendet werden, um festzustellen, wann wäre es notwendig, das Gerät zu ändern, die, das der Patient erhalten würde für DBS Therapie zur Stimulation des nahe gelegenen Regionen zu vermeiden, die zu unerwünschten Nebenwirkungen führen würde. Dieser Ansatz eignet sich für die Ausrichtung der subthalamic Nucleus zur Behandlung der Symptome der Parkinson-Krankheit, unter Vermeidung der nahe gelegenen Capsula.

Figure 1
Abbildung 1 : Vergleich der elektrodenposition und Prognosen der Ziel-Faser-Aktivierung. Vorhersage der gesamtfaser Bündel Aktivierung für Stimulation Amplituden (-0,5 V, -5,0 V) und alle vier Kontakte für zwei verschiedene Elektrodenpositionen. Bitte klicken Sie hier für eine größere Version dieser Figur.

Figure 2
Abbildung 2 : Vergleich der zentralen thalamische Faser Bundle Aktivierung Vorhersagen mit axialsymmetrisch und Spurtreu DBS führt. (A) Visualisierung von beiden die Medtronic 3387 zylindrische DBS Sapiens gerichtete DBS führen und mit Aktivierung Funktion Berechnungen auf das Ziel zentrale thalamische Faserbündel für eine einzelne monopolare Stimulation Amplitude. (B) (i) ein quer-Schnitt durch die DBS Blei und Faser-Bündel. (Ii) eine zweidimensionale Projektion der Querschnittsfläche mit der Identifizierung des DBS führen, Ziel, Fasern und Fasern zu vermeiden. (C) erhöht sich die Ausbreitung der Aktivierung über Ziel Fasern und Fasern der Vermeidung als Anregung Amplitude für axialsymmetrisch und Spurtreu führen DBS. Aktivierte Fasern für eine gegebene Anregung Amplitude werden in rot angezeigt, während Fasern nicht aktiviert in blau angezeigt werden. (D) eine Zusammenstellung von allen Simulationen in Feld C, zeigt die prognostizierte Stimulation Schwelle Amplitude in allen Regionen die Faserbündel gezeigt. Bitte klicken Sie hier für eine größere Version dieser Figur.

Discussion

Dieses Protokoll hat Techniken, um die Zeit zu entlasten und rechnerische Kosten des Aufbaus Patienten spezifische Modelle für DBS bis zu einem Grad, der in der Nähe von Echtzeit-Feedback der Simulationsergebnisse erlaubt. Schnelles Feedback ermöglicht die Erforschung der großen Parameterraum, besser zu verstehen, wie Parameteränderungen die Modellergebnisse beeinflussen. Diese Parameter umfassen Blei Lage, Wahl der aktiven Kontakte und die Amplitude, Impulsbreite und Frequenz der Stimulation Wellenform an diese Kontakte. Die wichtigsten Merkmale des vorgeschlagenen Tools sind: 1) eine einfache Benutzeroberfläche anpassen die Modellparameter mit in der Nähe von Echtzeit-Visualisierung wie diese Parameter der Simulation, und (2) Automatisierung der Modellerstellung von einer kleinen Reihe von Eingaben beeinflussen: die Gehirn-Oberfläche Gehirn Gewebe Leitfähigkeit Tensoren und einer Oberfläche Darstellung der Elektroden-Geometrie. Diese Automatisierung beschleunigt die Erstellung von patientenspezifischen Modellen für viele Personen, die verschiedenen Geometrien und Gewebe Leitfähigkeiten sowie Evaluierung der Auswirkungen der bestehenden Modelle unterschiedlichen Elektrode Entwürfe einfügen. In diesem Protokoll beschriebenen Bild Vorverarbeitung Schritte waren nicht vollständig automatisiert und können bis zu einem Tag Bearbeitungszeit dauern. Sobald die Daten aus diesen Schritten abgeschlossen gelten jedoch statisch, d. h., dass diese Daten nicht während der Simulation geändert werden. Die Automatisierung der Modellerstellung entsteht aus der Fähigkeit des Systems, die Patienten-spezifischen FEM ohne manuellen Aufwand diese Daten zuweisen. Das SCIRun-Netzwerk alle Modellgeneration, Simulation, Visualisierung Schritte ausführen muss nur einmal gebaut werden. Daher müssen nur die Bild Vorverarbeitung Schritte erneut durchgeführt werden, um ein Patienten-spezifischen Modell für Patienten zu erzeugen.

Der Performance-Gewinn in der Generierung von Ergebnissen aus der Modellierung-Pipeline ist durch die Integration der Gittergenerierung, bioelektrische Feldberechnungen und Visualisierung der Lösung in einer einzigen Softwareumgebung. Bestehenden Modellierungstechniken wie adaptive Mesh Generation wurden verwendet, um höhere erstellen ineinander greifen, um die Elektrode und niedriger Dichte weiter von der Elektrode, die reduziert die Zeit, zu bauen und zu lösen die FEM. Die Software, SCIRun, ermöglicht auch die Automatisierung der Gittergenerierung und bioelektrischen Feldberechnungen. Benutzerdefinierte Bewegung der Elektrode mit den interaktiven Widgets löst den Bau eines neuen Netzes mit der aktualisierten elektrodenposition. Dazu gehören der Randbedingungen und Leitfähigkeitswerte für die neue elektrodenposition zu verändern.

Die Elektroden-Geometrie wird als ein frei bewegliches Objekt innerhalb der Hirnvolumen behandelt, bevor seine Position in der FEM integriert ist Eine wichtige Implikation dieses Ansatzes für Netz-Konstruktion ist, dass mehrere Elektroden leicht in das Modell eingefügt werden können. Zum Beispiel, eine zweite Kopie der Elektroden-Geometrie kann mehrere Millimeter entfernt platziert werden und beide werden in der FEM enthalten sein In einer aktuellen Studie haben zwei Elektroden implantiert wurde, in unmittelbarer Nähe zur Behandlung multipler Sklerose Zittern13 und in nicht-menschlichen Primaten Experimente verwendet wurden, um effektive Stimulation Ziele21zu erkunden. Der Vorteil der Verwendung mehrerer Elektroden soll bessere Kontrolle über das elektrische Feld erzeugt im Gewebe über eine größere Fläche zu bieten. Stimulierung mit aktiven Kontakte an den beiden Elektroden kann aktuelle lenken, in Richtung der Zielregion und Weg von Regionen, die zu negativen Nebenwirkungen führen würde. Feinere Kontrolle der Stimulation über eine größere Fläche eignet sich auch verschiedenen Orte zu erforschen, die genaue Lage des beabsichtigten Ziels ist nicht bekannt, wie der Fall mit vielen aufstrebenden Therapieanwendungen des DBS ist. Bestimmung der Parameter, therapeutische Stimulation zu erreichen ist jedoch schwieriger als eine einzelne Elektrode aufgrund der Zunahme einer bereits große Parameterraum.

Wir uns vorstellen, dass diese interaktive Modellierungs-Tool nutzen bei der präoperativen Planung für DBS Implantation bieten könnte. Feedback über das Ausmaß der Stimulation im Hirngewebe können Chirurgen die Elektrode Position in ihren chirurgischen Plan zur therapeutischen Stimulation auf die Zielregion bieten zu ändern. DBS-Therapie der primären motivierender Faktor für die Entwicklung dieses Werkzeug war, können in diesem Beitrag vorgestellten Verfahren auf irgendwelchen FEM bioelektrische Feld mit verschiedenen Stimulation oder Aufnahme Paradigmen angewendet werden. Stimulation Therapien wie transkranielle Gleichstrom Stimulation für Depressionen22 oder die Verwendung von Tiefe Elektroden zur Behandlung von Epilepsie23 Teilen denselben Herausforderungen wie die DBS bei der Bestimmung des besten Lage der Stimulation zu erreichen therapeutische Ergebnisse. Electrocorticography, eine Aufnahmetechnik mit Arrays von Elektroden auf der Oberfläche des Gehirns, Beschlagnahme Beginn Regionen zu identifizieren hat die Herausforderung bestimmen, wo platzieren Sie die Elektroden Aufnahme von Zielregionen in der Gehirn-24. Alle diese Anwendungen sind elektrodenposition beim Umgang mit der Unsicherheit der wie Strom durch das Gehirngewebe fließt abhängig. In diesem Whitepaper vorgestellten Techniken reduzieren die Belastung der Erzeugung und Verwendung Rechenmodelle und bietet sinnvolle Feedback für Forscher und Kliniker, die mit diesen Geräten, die keine Modellierung Experten.

Disclosures

Christopher R. Butson, Ph.D. diente als Berater für NeuroPace, Advanced Bionics, Boston Scientific, Intelect Medizin, St. Jude Medical und funktionale Neuromodulation.

Acknowledgments

Dieses Projekt wurde durch die nationalen Institute der Gesundheit Stipendien UH3, NS095554 unterstützt. Technischer Support durch das Zentrum für Integrative Biomedical Computing am Scientific Computing and Imaging Institute zur Verfügung gestellt wurde und wurde teilweise durch Software, entwickelt von NIH P41-GM103545, Zentrum für Integrative Biomedical Computing möglich gemacht.

Dankbarkeit ist für die Unterstützung bei der Vorbereitung der Handschrift Lexie Boden und Nathan Galli am Scientific Computing und Imaging-Institut für Produktion und Bearbeitung des Antrags auf Zulassung video und auch Theresa Lins erweitert.

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).
Targeting neuronalen Faser Traktate für Deep Brain Stimulationstherapie mit interaktiven, patientenspezifische Modelle
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