Waiting
Login processing...

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

Bioengineering

Ciblage des fibres neuronales Tracts pour la thérapie de Stimulation cérébrale profonde à l’aide de modèles interactifs, spécifiques à un Patient

doi: 10.3791/57292 Published: August 12, 2018

Summary

L’objectif de ce projet est de développer une filière modélisation interactive, spécifiques à un patient pour simuler les effets de la stimulation cérébrale profonde en temps quasi réel et fournir une rétroaction utile quant à l’influence des ces appareils sur l’activité neuronale dans le cerveau.

Abstract

Stimulation cérébrale profonde (SCP), qui consiste en l’insertion d’une électrode pour fournir la stimulation à une région localisée du cerveau, est un traitement reconnu pour les troubles du mouvement et est appliquée à un nombre croissant de troubles. La modélisation a été utilisée avec succès pour prédire les effets cliniques des DBS ; Toutefois, il est nécessaire pour les techniques de modélisation roman au même rythme que la complexité croissante des dispositifs DBS. Ces modèles doivent également produire des prévisions rapidement et avec précision. L’objectif de ce projet est de développer un pipeline de traitement d’image pour intégrer un modèle interactif, patient pour simuler les effets de la DBS structurels d’imagerie par résonance magnétique (IRM) et l’imagerie de diffusion pondérée (DWI). Une avance DBS virtuelle peut être placée à l’intérieur du modèle de patients, ainsi que des contacts actifs et réglages de stimulation, où les changements dans la position de chef de file ou l’orientation génèrent un nouveau maillage éléments finis et la solution du problème champ bioélectrique en temps quasi réel, un TimeSpan d’environ 10 secondes. Ce système permet également la simulation de plusieurs pistes à proximité afin de permettre la direction actuelle par des anodes et cathodes sur différentes pistes. Les techniques présentées dans ce document de réduisent le fardeau de génération et à l’aide de modèles informatiques tout en fournissant une rétroaction utile quant aux effets de la position de l’électrode, la conception de l’électrode et configurations de stimulation aux chercheurs ou cliniciens qui ne peuvent être que des experts de la modélisation.

Introduction

Stimulation cérébrale profonde (SCP) est un traitement reconnu pour les troubles du mouvement comme le tremblement essentiel1 et2de la maladie de Parkinson. Cette thérapie est aussi étudiée comme traitement potentiel pour un nombre croissant de troubles y compris de lésion cérébrale traumatique3, syndrome de Tourette4et5de la dépression. DBS systèmes nécessitent l’implantation chirurgicale d’un câble d’électrode au niveau de stimulation dans une région du cerveau localisée pour moduler l’activité neuronale en cours6. L’emplacement des électrodes et les paramètres de stimulation à la fois avoir un effet sur la modulation des circuits neuronaux qui fournissent l’avantage thérapeutique. Au lieu de petites variations peuvent affecter la fenêtre thérapeutique, éventuellement augmente la probabilité d’effets secondaires indésirables avant bénéfice thérapeutique est atteint7,8,9. Dans la pratique, il est souvent difficile de prédire que la stimulation effets auront sur l’activité neuronale ; par conséquent, cette fenêtre de bénéfice thérapeutique est identifiée sur une base de patient par patient comme le dispositif de stimulation est programmé par le clinicien8,9. Ce processus devient plus complex, car les nouvelles générations d’appareils DBS deviennent disponibles. Par exemple, plomb de nouveaux dessins sont mis en place avec plusieurs contacts10,11,12, et dans certains cas, plusieurs pistes sont étant implantés à proximité d’un autre13. Par conséquent, il y a un besoin d’être en mesure d’explorer et de prédire les effets de DBS dans un espace de paramètre important et croissant.

Analyse et modélisation informatique permet de prédire les effets physiologiques et cliniques de DBS sur une base spécifique au patient. Ces modèles utilisent des éléments finis (MEF) de modélisation de construire trois représentations de dimension du tissu cérébral ainsi que les caractéristiques biophysiques de l’électrode implantée. MEF champ bioélectrique modèles ont été utilisés avec succès pour prédire les effets de la DBS14, mais jusqu'à présent, ceux-ci ont été lente et coûteuse par le calcul à générer. Il y a un besoin pour les techniques de modélisation roman au même rythme que la complexité croissante des dispositifs DBS. Ces modèles spécifiques au patient doivent fournir près de rétroaction visuelle en temps réel sur les effets de la DBS comme emplacement de plomb ou paramètres de stimulation sont modifiés. L’utilisateur pourrait obtenir une rétroaction sur un emplacement de plomb et réglage de stimulation en quelques secondes, ce qui permet a continué de raffinement du placement de la tête au cours de plusieurs minutes. Patient-spécificité est obtenue en incorporant de l’anatomie du patient, la forme de leur cerveau et taille, lors de la création du FEM et en appliquant les propriétés biophysiques de leur cerveau, telles que la conductivité des tissus anisotrope. Conductivité anisotrope décrit comment le courant se propage par le biais de différentes régions du cerveau et peut être mesurée de façon non invasive pour l’ensemble du cerveau similaire à une image typique de résonance magnétique (IRM).

DBS approches qui n’utilisent pas d’informations spécifiques à un patient de modélisation peuvent fournir des prédictions rapides, mais moins précises des effets de la stimulation, en raison des géométries généralisées et valeurs de la conductivité des tissus cérébraux. Dans cette approche, une FEM unique est utilisé pour tous les patients et l’activité neuronale prévue peut être calculée à l’avance. Les modèles spécifiques à un patient ne peut pas être généralisées et pré calculées depuis un nouveau MEF est construit pour chaque individu. Ces modèles nécessitent davantage d’efforts à construire, mais peut être plus précis. Plusieurs facteurs limitent la vitesse à laquelle ces modèles peuvent être construits et utilisés : 1) modifiant les paramètres au début de l’oléoduc de bâtiment modèle, tels que de la position de l’électrode, exige un effort manuel pour mettre à jour toutes les étapes subséquentes ; et 2) les étapes du pipeline de modélisation ne sont pas facilement intégrés entre eux, nécessitant le passage de données entre plusieurs logiciels. Souvent, nous voulons évaluer les nombreuses situations comme électrodes, les paramètres de stimulation ou conceptions de l’électrode. Pour fournir des commentaires utiles sur l’effet de ces changements sur l’effet thérapeutique, que le patient recevra, ces résultats doivent être précises et généré rapidement.

Notre objectif est de présenter de nouvelles techniques de construction des modèles spécifiques à un patient qui tirent parti de la vitesse obtenues dans les modèles généralisés et automatisant de nombreuses des étapes pipeline pour créer un environnement de modélisation interactive qui fournit près de visual en temps réel vos commentaires sur les effets de la DBS. Une simulation interactive vous permet de tester des prédictions et obtenir des résultats rapidement sans se concentrer sur les détails du modèle de construction. Cela est bénéfique lorsqu’il y a un espace de paramètre grand à explorer et comment ces paramètres influencent la simulation sont incertaines. Nous décrirons les étapes décrites dans le pipeline de traitement pour produire des modèles de MEF interactives, spécifiques à un patient des acquisitions de l’imagerie par résonance magnétique (IRM). Utilisant les outils et les techniques décrites dans cet article réduira le coût du temps pour créer des modèles de champ bioélectrique MEF et offrent un moyen de rendre ces modèles accessibles aux chercheurs et cliniciens qui ne sont pas modeler experts.

Ce protocole décrit comment construire un modèle spécifique au patient par éléments finis des volumes acquis de MRI et puis de simuler le champ électrique induit par une électrode DBS. Les principales étapes dans la création de ces modèles sont de : 1) construire un modèle éléments finis (MEF), qui représente le cerveau du patient et l’électrode implantée et 3) résoudre pour 2) ajoutez les propriétés biophysiques des paramètres du cerveau et de la stimulation de l’appareil DBS à la FEM la tension générée par l’électrode dans le modèle. Deux modalités d’imagerie sont nécessaires pour construire un patient modèle spécifique pour la simulation de DBS. Une IRM T1 est utilisée pour construire les segmentations de la surface du cerveau, ventricules et noyaux spécifiques. Imagerie de diffusion pondérée (DWI), une mesure de la diffusivité de l’eau, est utilisée pour estimer les tenseurs de diffusion dans le tissu de cerveau15. Les tenseurs de diffusion sont transformés en des tenseurs de conductivité qui quantifier les propriétés biophysiques inhomogènes anisotropes du tissu sur un voxel par voxel base16. La distribution de tension dans tout le cerveau induite par l’électrode est calculée en résolvant l’équation de Poisson, qui, grâce à l’application du FEM se simplifie en un système linéaire d’équations Ax = bA est une matrice de raideur qui représente la conductivité et la géométrie de la maille, x est la solution de tension à chaque nœud de la maille, et b est modifiée en fonction des conditions aux limites et sources de courant.

Protocol

1. traitement de l’image

  1. T1 Segmentation d’IRM
    1. Téléchargez et installez FreeSurfer17. Il est supposé qu’une IRM T1 a été acquis et qu’il est au format DICOM ou NIFTI.
    2. Tapez la commande suivante pour créer un répertoire de patients et ajouter leur volume T1 FreeSurfer : patientName recon-all - s -i /Full/Path/To/nii
    3. Tapez la commande suivante pour exécuter de FreeSurfer automatisé segmentation : recon-all - s patientName-tous les
    4. Utilisez mri_convert pour convertir les «aseg.auto.mgz» hors format propriétaire .mgz de FreeSurfer.
  2. Diffusion pesée Imaging (DWI)
    1. Téléchargez et installez Slicer18. Il est supposé qu’une acquisition de DWI a été réalisée et est disponible comme une pile de fichiers DICOM.
      Remarque : Un outil de ligne de commande bon pour effectuer cette reconstruction est la bibliothèque de logiciels FMRIB (FSL)19. FSL a été utilisé dans le présent protocole pour effectuer echo-planar, motion et correction de la distorsion actuelle eddy avant la reconstruction. Les données de DWI utilisées dans cette analyse sont une série de fichiers DICOM pour 41-sensibilisateurs diffusion gradient des directions différentes.
    2. Utiliser le module DWIConverter dans trancheuse pour reconstruire les 41 acquisitions distinctes en un seul volume. Spécifiez le Répertoire de données Dicom d’entrée où se trouve les données DWI. Sélectionnez la case d’option DicomToNrrd et indiquez le nom du volume sortie DWI.
    3. Créer un masque tenseur avec le module de Diffusion pondérée en fonction du Volume de masquage pour éliminer le bruit de fond de l’estimation de la DTI. Conservez le paramètre de seuil par défaut de 0,5.
    4. Convertir ce volume de DWI unique à un volume de tenseur de Diffusion (DTI) avec le DWI DTI estimation en utilisant le masque créé à l’étape précédente comme le Masque tenseur de Diffusion. Définir les paramètres d’estimation des moindres carrés et assurez-vous que l’option Valeurs propres négatives Maj est activée.
    5. Enregistrer le volume DTI nouvellement créé au format NRRD.

2. finis modèle Generation

  1. SCIRun
    1. Téléchargez et installez SCIRun version 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun est un environnement de résolution de problèmes pour la modélisation, la simulation et visualisation des problèmes scientifiques. Il s’agit de l’établi de calcul utilisé pour créer, résoudre et d’interagir avec le modèle développé dans ce projet.
      Remarque : SCIRun réseaux sont construits en connectant des séquences de différents modules qui effectuent des tâches spécifiques. Transmission des données à travers un réseau de modules simples permet de traitement plus complexes et de simulation.
  2. Construction de la géométrie de l’électrode
    Remarque : L’électrode modélisé dans ce projet est un plomb de Medtronic 3387 DBS20. C’est une tête cylindrique avec quatre contacts 1,5 mm de hauteur, 1,27 mm de diamètre et espacés de 1,5 millimètres. Un matériau non conducteur sépare les quatre contacts.
    1. Créer un maillage de surface fermé pour chaque composant en tête DBS correspondant les dimensions inscrites. Créez la tête entière à l’aide de deux géométries primitifs, des sphères et des cylindres.
      Remarque : La géométrie de plomb peut être créée dans une variété de programmes de modélisation 3D.
    2. Créer un maillage de surface d’une couche d’encapsulation 0,5 mm d’épaisseur entourant la tête entière.
  3. Création le maillage de tout le cerveau
    1. Charger la surface du cerveau créée dans la partie 1 pour servir à la frontière extérieure de la FEM.
    2. Créer deux surfaces boîte concentriques entourant le plomb DBS pour contrôler la densité du maillage autour de l’électrode.
      Remarque : Les DBS conduire et case surface sont aligné le long de l’axe z positif avec la pointe du bas de la tige à électrodes située à l’origine. C’est important pour plus tard de rotation et de translation de l’électrode.
    3. Créer un nuage de points avec un point unique situé dans chaque région distincte de la maille. Les régions de la maille sont : les segments de l’arbre, les quatre contacts, la boîte et la surface du cerveau. Les valeurs attachées à ces points représentent les contraintes de volume maximal pour chaque élément tétraédrique dans la maille pour cette région. Ces contraintes sont ajustées pour contrôler la densité du maillage dans et autour de l’électrode.
    4. Le module « InterfaceWithTetGen » permet de créer le maillage de tout le cerveau. Définir les ports d’entrée comme suit :
      Port 1 : surface du cerveau (à partir de 1.1)
      Port 2 : nuage de points attribut régional, contraintes de volume (à partir de 2.3.3)
      Port 3 : aucun
      Port 4 : surfaces du modèle électrode (de 2,2)
  4. Placement des électrodes interactive
    Remarque : Cette étape vise à permettre une circulation aisée de l’électrode n’importe où dans le cerveau et le système automatiquement mettre à jour avec un nouveau maillage et la simulation.
    1. Deux modules de CreateGeometricTransform en cascade permet de faire pivoter l’électrode dans le plan X et Y. Cliquez sur rotation , puis affectez-lui 1,00 premier module sur l’Axe Y et la seconde à 1.00 sur l’Axe X. L’angle de rotation est définie avec le curseur du bas, Theta de rotation (degrés).
    2. Connecter un module TransformMeshWithTransform pour chaque transformation et l’objet qui doit être transformé.
    3. Créez un module de GenerateSinglePointProbeFromField , connectez son port de géométrie pour le module ViewScene . Déplacer la sphère dans la fenêtre de ViewScene en maintenant la touche Maj enfoncée et en cliquant. Le module sonde de point met à jour l’emplacement de la sphère leur libération.
      Remarque : Cet emplacement est utilisé pour déterminer la transformation de translation appliquée à la géométrie de l’électrode.
    4. Utiliser un module TransformMeshWithTransform de traduire chaque partie de la géométrie de l’électrode avec l’emplacement de sonde du point.
    5. Appliquer les transformations de deux rotation et la traduction du widget sonde point à chaque objet sauf la surface du cerveau.
      Remarque : Tous les trois de ces transformations doivent être effectuées sur chaque objet avant elle est canalisée dans le module InterfaceWithTetGen pour l’algorithme de maillage sache à mailler la géométrie de l’électrode à l’intérieur du cerveau au nouvel emplacement et orientation. Chaque fois que l’électrode est déplacé dans le cerveau un nouveau maillage sera construit.

3. bioélectriques champ calcul

  1. Réglage des paramètres de conductivité
    1. Chargez le DTI volume créé à l’étape 1 et les données sur la sortie de maillage tétraédrique InterfaceWithTetGen créé à l’étape 2 à l’aide de MapFieldDataFromSourceToDestination avec l’option linear('weighted').
      Remarque : Toute estimation de conductivité anisotrope peut être implémentée dans cette étape.
    2. Définissez la conductivité de région arbre à 1e-6 et la région de contact à 1e6 à l’aide de CalculateFieldData. Une fois que toutes les valeurs de conductivité sont définies, diriger le domaine en BuildFEMatrix.
  2. Définition de Sources de courant/tension et Conditions aux limites
    1. Tuyau de la surface du cerveau utilisées dans le processus de maillage de l’étape 2 en SetFieldDataToConstantValue et définissez la valeur sur 0. Cela va créer un récepteur de tension sur la surface de l’ensemble du cerveau. Utilisez InsertVoltageSource pour placer les valeurs de tension sur la sortie de maillage tétraédrique de InterfaceWithTetGen.
    2. Pour la stimulation monopolaire, créer un point unique dans le centre d’un des endroits contacts en calculant la valeur de FieldCenter du module ReportFieldInfo sur l’un des surfaces de contact. Définissez les données de champ sur ce point à Volts-1. Utilisez InsertVoltageSource pour placer la source ponctuelle dans le maillage tétraédrique.
      Remarque : Il y a maintenant deux copies du maillage tétraédrique. L’un avec les valeurs de tension situé sur la surface du cerveau et l’autre avec une source ponctuelle à l’intérieur d’un contact.
    3. Joignez-vous à la sortie des deux modules InsertVoltageSource et canaliser la sortie en ApplyFEMVoltageSource avec la sortie de BuildFEMatrix.
  3. Résoudre le problème avant
    Remarque : La sortie de ApplyFEMVoltageSource donne la matrice de rigidité sur le port 1 et la matrice de droite sur le port 2. Ce sont les deux composantes nécessaires pour résoudre le système d’équations.
    1. Diriger les deux sorties de ApplyFEMVoltageSource en SolveLinearSystem. Sélectionnez le dégradé de conjuguer résoudre méthode et Jacobi comme le préconditionneur. La sortie de ce module est la matrice de la solution, la valeur de la tension à chaque nœud du maillage tétraédrique.
    2. Utilisez SetFieldData pour placer la matrice de solution de tension sur le maillage tétraédrique pour une représentation 3D de la distribution de tension.
  4. Visualisation de l’isosurface
    1. Diriger le résultat de SetFieldData en ExtractSimpleIsosurface. Ouvrez l’interface utilisateur à l’onglet grandeur et définir le nombre d’isovaleurs espacées de 10.
    2. Utiliser un module ShowField et connectez-le au module ViewScene pour afficher les Isosurfaces comme transparente avec une carte de couleur arc en ciel à l’échelle pour le min et max de la solution de tension.

Representative Results

À la fin du présent protocole, toutes les entrées nécessaires pour créer un modèle spécifique au patient sont fournis : la surface du cerveau, la géométrie de l’électrode et tenseurs de conductivité. Un réseau de SCIRun devrait également ont été créé qui intègre toutes les entrées de construire un modèle éléments finis et de simuler le champ bioélectrique induit. Le modèle de simulation permet de mouvement de l’électrode dans le cerveau et la modification des paramètres tels que les contacts actifs ou l’amplitude de la stimulation.

Figure 1 illustre la capacité de simuler et comparer les prédictions d’activation fibre dans plusieurs emplacements des électrodes. Génération des tracts de la fibre de l’imagerie de diffusion n’a pas été démontrée dans ce protocole, mais cette analyse peut être effectuée par toute méthode de tractographie déterministes. Position 2 prédit une activation plus robuste du fibré de cible à des amplitudes de stimulation plus faibles dans l’ensemble de tous les contacts par rapport à la position 1. Cette analyse est utilisée durant les étapes de planification de la chirurgie DBS pour déterminer la trajectoire de l’électrode qui stimule efficacement la voie de fibre cible.

Une nouveauté de ce système réside dans la possibilité de basculer rapidement la géométrie de l’électrode dans le modèle et la capacité de simuler plusieurs pistes à proximité les uns. Deux de ces approches sont utilisées pour mieux contrôler la forme et la direction du champ électrique autour de l’électrode. La figure 2 illustre la comparaison des prédictions d’activation fibre entre une symétrie axiale et une directionnelle que DBS conduire tout en étudiant les localités de plomb pour stimuler les voies centrale fibre thalamiques et éviter des endroits tels que les noyaux sensitifs à proximité . Pour la même trajectoire d’électrode, on voit que le plomb directionnel est capable d’orienter l’activation de la fibre vers la région cible tout en évitant la stimulation des fibres indésirables. Cette analyse peut être utilisée pour déterminer le moment où il serait nécessaire de changer l’appareil que le patient recevrait pour thérapie DBS pour éviter la stimulation des régions voisines qui induirait des effets secondaires indésirables. Cette approche est utile afin de cibler le noyau sous-thalamique pour traiter les symptômes de la maladie de Parkinson, tout en évitant la capsule interne à proximité.

Figure 1
Figure 1 : Comparaison des électrodes et des prédictions d’activation fibre cible. Prédiction d’activation bundle fibres totales pour les amplitudes de stimulation (-0,5 V à -5,0 V) et tous les quatre contacts pour deux électrodes différentes. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 2
Figure 2 : Comparaison des prédictions d’activation centrale fibre thalamiques bundle avec DBS axisymétriques et directionnel amène. (A) visualisation des deux les DBS cylindriques de Medtronic 3387 plomb et les DBS directionnels Sapiens de plomb avec l’activation des calculs de fonction sur la cible centrale thalamiques fibré pour une amplitude de stimulation monopolaire unique. (B) (i) une transversale tranche à travers les faisceaux de câble et fibre DBS. (ii) une projection bidimensionnelle de la section transversale avec l’identification de la DBS conduisent, cibler les fibres et les fibres à éviter. (C) la propagation de l’activation sur les deux fibres de cible et les fibres d’évitement comme amplitude de stimulation augmente pour la symétrie axiale et directionnel DBS conduire. Les fibres activées pour une amplitude de stimulation donnée apparaissent en rouge, tandis que les fibres non activés sont indiquées en bleu. (D) une compilation de toutes les simulations montré dans le groupe C, montrant l’amplitude de seuil de stimulation prévues dans toutes les régions des faisceaux de fibres. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Discussion

Ce protocole a démontré des techniques pour réduire le fardeau du temps et des coûts informatiques de construction de modèles spécifiques patients pour DBS dans une mesure qui permet à près de rétroaction en temps réel des résultats de simulation. Rétroaction rapide permet l’exploration d’un espace de paramètre important pour mieux comprendre comment les changements de paramètre affectent les résultats du modèle. Ces paramètres incluent l’emplacement principal, choix de contacts actifs et l’amplitude, largeur d’impulsion et fréquence de l’onde de stimulation à ces contacts. Les principales caractéristiques de l’outil proposé sont : 1) A une interface utilisateur simple pour régler les paramètres du modèle avec près de visualisation en temps réel de comment ces paramètres influent sur la simulation et 2) automatisation de création de modèle d’un petit ensemble d’intrants : la surface du cerveau, tenseurs des conductivité tissus du cerveau et une représentation de la géométrie de l’électrode de surface. Cette automatisation accélère la création de modèles spécifiques au patient pour les nombreuses personnes qui ont le cerveau différentes géométries et conductivités de tissu ainsi que d’évaluation des effets d’insertion des conceptions différentes électrodes dans les modèles existants. Les étapes de prétraitement image décrites dans le présent protocole n’étaient pas entièrement automatisées et peuvent prendre jusqu'à une journée de temps de traitement. Cependant, une fois terminé les données générées par les étapes suivantes sont considérées comme statique, ce qui signifie que ces données ne sont pas modifiées pendant les simulations. L’automatisation de la création de modèles découle de la capacité du système à appliquer ces données à la MEF spécifiques à un patient sans effort manuel. Le réseau SCIRun d’effectuer toutes la génération de modèle, la simulation, la visualisation étapes ne doit être construite une fois. Par conséquent, uniquement les étapes de prétraitement image doivent être effectuées à nouveau pour générer un modèle propre au patient pour un patient entrant.

Le gain de performances en générant des résultats provenant du pipeline de modélisation est due à l’intégration de la génération de maille, calculs de champs bioélectriques et visualisation de la solution dans un environnement logiciel unique. Les techniques de modélisation existant telles que la génération de maillage adaptatif ont servi à créer plus maille densité autour de l’électrode et une densité plus faible plus éloigné de l’électrode qui réduit le temps de construire et de résoudre le FEM. Le logiciel, SCIRun, permet également l’automatisation de la génération de maillage et calculs de champs bioélectriques. Mouvement défini par l’utilisateur de l’électrode à l’aide des widgets interactifs déclenche la construction d’un nouveau maillage avec la position de l’électrode de mise à jour. Cela inclut la modification des conditions aux limites et des valeurs de conductivité de la nouvelle position de l’électrode.

La géométrie de l’électrode est traitée comme un objet en mouvement libre à l’intérieur du volume du cerveau avant que sa position est intégrée à la FEM. Une implication clée de cette approche pour la construction de maille est que plusieurs électrodes peuvent facilement être insérés dans le modèle. Par exemple, une deuxième copie de la géométrie de l’électrode peut être placée plusieurs millimètres loin et les deux seront incluses dans le FEM. Dans une étude récente, les deux électrodes ont été implantés à proximité pour traiter la sclérose en plaques tremblement13 et ont été utilisés dans des expériences de primate non humain à explorer une stimulation efficace des cibles21. L’avantage d’utiliser des électrodes multiples est de fournir le meilleur contrôle du champ électrique généré dans le tissu sur une surface plus grande. Stimulation avec des contacts actifs sur les deux électrodes peut orienter actuel vers la région cible et loin des régions qui conduiraient à des effets secondaires négatifs. Un contrôle précis de la stimulation sur une vaste zone est également utile d’explorer des endroits différents de stimulation lorsque l’emplacement exact de la cible visée est inconnu, comme c’est le cas pour de nombreux les applications émergentes de la thérapie de DBS. Toutefois, déterminer les paramètres pour obtenir une stimulation thérapeutique est plus difficile que d’une seule électrode en raison de l’augmentation dans un espace déjà important paramètre.

Nous prévoyons que cet outil de modélisation interactive pourrait fournir des prestations au cours de la planification préopératoire pour l’implantation de DBS. Commentaires sur l’ampleur de la stimulation dans le tissu cérébral permettent aux chirurgiens modifier l’emplacement de l’électrode dans leur plan chirurgical pour fournir la stimulation thérapeutique à la région cible. Tandis que DBS thérapie était le principal facteur de motivation pour le développement de cet outil, les techniques présentées dans cet article peuvent être appliqués à n’importe quel modèle de champ bioélectrique MEF avec stimulation différente ou des paradigmes de l’enregistrement. Traitements de stimulation comme la stimulation transcrânienne courant continu pour dépression22 ou de l’utilisation d’électrodes de profondeur pour le traitement de l’épilepsie23 partagent les mêmes difficultés que la DBS pour déterminer le meilleur emplacement de stimulation pour atteindre résultats thérapeutiques. Expression, une technique d’enregistrement avec des tableaux d’électrodes à la surface du cerveau pour identifier les régions de début de saisie, a le défi de déterminer où placer les électrodes d’enregistrer à partir des régions ciblées dans le cerveau24. Toutes ces applications sont tributaires de la position de l’électrode tout en traitant de l’incertitude de comment courant circule à travers le tissu cérébral. Les techniques présentées dans ce document d’alléger le fardeau de génération et à l’aide de modèles informatiques tout en fournissant une rétroaction utile aux chercheurs et cliniciens à l’aide de ces appareils qui ne sont pas des spécialistes de la modélisation.

Disclosures

Christopher R. Butson, Ph.D. a servi comme consultant pour NeuroPace, Advanced Bionics, Boston Scientific, Intelect Medical, St. Jude Medical et Neuromodulation fonctionnelle.

Acknowledgments

Ce projet a été soutenu par l’Institut National de santé subventions UH3, NS095554. Support technique a été fourni par le Centre pour l’informatique biomédicale intégrative à l’Institut d’imagerie et de calcul scientifique et a été rendu possible en partie par un logiciel développé de la NIH P41-GM103545, centre de Integrative Biomedical Computing.

Gratitude est étendu au plancher de Lexie et Nathan Galli à l’Institut d’imagerie pour la production et le montage de la vidéo de présentation et de calcul scientifique et également à Theresa Lins pour l’assistance dans la préparation du manuscrit.

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).
Ciblage des fibres neuronales Tracts pour la thérapie de Stimulation cérébrale profonde à l’aide de modèles interactifs, spécifiques à un Patient
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