Summary
L'obiettivo di questo progetto è quello di sviluppare una pipeline di modellazione interattiva, paziente-specifici per simulare gli effetti della stimolazione cerebrale profonda in tempo quasi reale e fornire un feedback significativo come questi dispositivi influenzare l'attività neurale del cervello.
Abstract
Stimolazione cerebrale profonda (DBS), che prevede l'inserimento di un elettrodo per emettere una stimolazione per una regione del cervello localizzata, è una terapia stabilita per i disordini di movimento e viene applicata a un numero crescente di patologie. Modellistica computazionale è stato utilizzato con successo per predire gli effetti clinici di DBS; Tuttavia, c'è la necessità di tecniche di modellazione romanzo tenere il passo con la crescente complessità dei dispositivi DBS. Questi modelli inoltre necessario generare stime in modo rapido e preciso. L'obiettivo di questo progetto è quello di sviluppare una pipeline di elaborazione immagine per incorporare la formazione immagine a risonanza magnetica strutturale (MRI) e la formazione immagine diffusione appesantita (DWI) in un modello interattivo, paziente specifico per simulare gli effetti di DBS. Un piombo DBS virtuale può essere collocato all'interno del modello paziente, insieme a contatti attivi e impostazioni di stimolazione, dove i cambiamenti in piombo posizione o l'orientamento generano una nuova mesh di elementi finiti e la soluzione del problema nel campo bioelettrico quasi in tempo reale, un TimeSpan di circa 10 secondi. Questo sistema permette anche la simulazione di cavi multipli nella prossimità vicina a consentire per sterzo corrente mediante vari anodi e catodi sui cavi diversi. Le tecniche presentate in questo documento l'onere di generazione e l'utilizzo di modelli computazionali, fornendo un feedback significativo circa gli effetti del posizionamento degli elettrodi, il design dell'elettrodo e configurazioni di stimolazione a ricercatori o medici che possono non essere esperti di modellazione.
Introduction
Stimolazione cerebrale profonda (DBS) è una terapia stabilita per i disordini di movimento quali tremore essenziale1 e malattia di Parkinson2. Questa terapia inoltre sta studiando come trattamento potenziale per un numero crescente di disturbi tra cui ferita di cervello traumatica3, sindrome di Tourette4e5di depressione. Sistemi DBS richiedono impianto chirurgico di un cavo dell'elettrodo per emettere una stimolazione in una regione cerebrale localizzata di modulare l'attività neurale in corso6. La posizione degli elettrodi e dei parametri di stimolazione entrambi hanno un effetto sulla modulazione circuiti neuronali che forniscono il beneficio terapeutico. Piccole variazioni nella posizione possono influenzare la finestra terapeutica, possibilmente aumentando la probabilità di effetti collaterali avversi prima beneficio terapeutico è raggiunto7,8,9. In pratica, è spesso difficile prevedere che la stimolazione effetti avrà sulle attività neurale; di conseguenza, questa finestra del beneficio terapeutico è identificata su un paziente di base come il dispositivo di stimolazione è programmato dal clinico8,9. Questo processo sta diventando più complesso appena disponibili nuove generazioni di dispositivi DBS. Ad esempio, cavo del romanzo disegni stanno introducendi con più contatti10,11,12, e in alcuni casi più lead sono essere impiantati in prossimità di uno l'altro13. Quindi, c'è la necessità di essere in grado di esplorare e prevedere gli effetti di DBS attraverso uno spazio ampio e crescente di parametro.
Analisi e modellazione computazionale può essere utilizzati per predire gli effetti fisiologici e clinici di DBS su una base paziente-specifici. Questi modelli utilizzano elementi finiti (FEM) di modellazione per costruire tre rappresentazioni tridimensionali del tessuto cerebrale e le caratteristiche biofisiche dell'elettrodo impiantato. Modelli di campo bioelettrico FEM sono stati utilizzati con successo per predire gli effetti di DBS14, ma fino ad ora questi sono stati molto tempo e computazionalmente costosi per generare. C'è una necessità di tecniche di modellazione romanzo tenere il passo con la crescente complessità dei dispositivi DBS. Questi modelli di paziente-specific dovrebbero fornire breve feedback visivo in tempo reale sugli effetti della DBS come la posizione di piombo o vengono modificati i parametri di stimolazione. L'utente sarebbe ottenere feedback su una posizione di piombo e impostazione di stimolazione in pochi secondi, consentendo continuato raffinatezza di piombo collocamento nel corso di alcuni minuti. Paziente-specificità si ottiene incorporando l'anatomia del paziente, la forma del loro cervello e la dimensione, quando si costruisce il FEM e applicando le proprietà biofisiche del loro cervello, come la conducibilità dei tessuti anisotropi. Anisotropo conducibilità descrive come corrente si diffonderà attraverso diverse regioni del cervello e può essere misurata in modo non invasivo per l'intero cervello simile ad un'immagine tipica a risonanza magnetica (MRI).
DBS modellazione approcci che non utilizzano informazioni specifiche del paziente può fornire veloce, ma meno accurati pronostici degli effetti di stimolazione, a causa di geometrie generalizzate e i valori di conducibilità per il tessuto cerebrale. In questo approccio, una singolo FEM è utilizzata per tutti i pazienti e l'attività neurale previsto possa essere calcolata in anticipo. Paziente-specifici modelli non possono essere generalizzate e pre-calcolate dal momento che una nuova FEM è costruita per ogni individuo. Questi modelli richiedono uno sforzo maggiore per costruire, ma può essere più accurata. Diversi fattori limitano la velocità a cui questi modelli possono essere costruiti e utilizzati: 1) modifica dei parametri all'inizio della pipeline edificio modello, ad esempio di posizionamento degli elettrodi, richiede sforzo manuale per aggiornare tutti i passaggi successivi; e 2) i passaggi nella pipeline di modellazione non sono facilmente integrabili tra loro, che richiedono il passaggio di dati tra diversi pacchetti software. Spesso, noi vogliamo valutare molte situazioni diverse come il posizionamento degli elettrodi, parametri di stimolazione o disegni di elettrodo. Per fornire un feedback significativo circa l'effetto di che queste modifiche hanno l'effetto terapeutico che il paziente riceverà, questi risultati dovrebbero essere sia accurata e generato rapidamente.
Il nostro obiettivo è di presentare nuove tecniche di costruzione paziente-specifici modelli che sfruttano la velocità ottenuti in modelli generalizzati e automatizzare molti dei passaggi della pipeline per creare un ambiente di modellazione interattiva che fornisce quasi in tempo reale visual feedback sugli effetti della DBS. Una simulazione interattiva consente di testare le previsioni e ottenere risultati rapidamente senza concentrarsi sui dettagli di costruzione del modello. Questo è utile quando c'è uno spazio di parametro di grandi dimensioni per esplorare e come questi parametri influenzano la simulazione sono incerte. Descriveremo i passi nella pipeline di elaborazione per generare modelli FEM interattivi, paziente-specifici da acquisizioni di risonanza magnetica (MRI). Utilizzando gli strumenti e le tecniche descritte in questa carta ridurrà il costo del tempo per la creazione di modelli di campo bioelettrico FEM e forniscono un modo per rendere questi modelli accessibili a ricercatori e clinici che sono di modellazione non esperti.
Questo protocollo descrive come costruire un modello agli elementi finiti paziente-specifici da volumi MRI acquisite e quindi simulare il campo elettrico indotto da un elettrodo DBS. Le fasi principali nella creazione di questi modelli sono per: 1) costruire un modello ad elementi finiti (FEM) che rappresenta il cervello del paziente e l'elettrodo impiantato, 2) aggiungere proprietà biofisiche dei parametri cerebrali e stimolazione del dispositivo DBS per la FEM e 3) risolvere per la tensione generata dall'elettrodo nel modello. Due modalità di formazione immagine sono necessari per costruire un paziente specifico modello per la simulazione di DBS. Un MRI T1 viene utilizzato per costruire segmentazioni della superficie del cervello, i ventricoli e nuclei specifici. Imaging di diffusione appesantita (DWI), una misura della diffusività acqua, viene utilizzato per stimare i tensori di diffusione in tutto il tessuto di cervello15. I tensori di diffusione sono convertiti in tensori di conducibilità che quantificare le proprietà biofisiche non omogenee, anisotropiche del tessuto su un voxel per voxel base16. La distribuzione di tensione in tutto il cervello indotta tramite l'elettrodo viene calcolata risolvendo l'equazione di Poisson, che attraverso l'applicazione di FEM si semplifica in un sistema lineare di equazioni Ax = b dove A è una matrice di rigidezza che rappresenta la conducibilità e la geometria della mesh, x è la soluzione di tensione in ogni nodo del reticolo, e b è modificato basato su condizioni al contorno e sorgenti di corrente.
Protocol
1. elaborazione di immagini
- T1 MRI segmentazione
- Scaricare e installare FreeSurfer17. Si presume che un MRI di T1 è stata acquisita ed è in formato DICOM o NIFTI.
- Digitare il comando seguente per creare una directory paziente e aggiungere il loro volume di T1 in FreeSurfer: recon-tutti - s patientName -i /Full/Path/To/nii
- Digitare il seguente comando per l'esecuzione di FreeSurfer automatizzato segmentazione: recon-tutti - s patientName-tutti i
- Utilizzare mri_convert per convertire "aseg.auto.mgz" fuori formato proprietario .mgz di FreeSurfer.
- Diffusion Weighted Imaging (DWI)
- Scaricare e installare affettatrice18. Si presume che un'acquisizione di DWI è stata eseguita ed è disponibile come una pila di file DICOM.
Nota: Uno strumento di buona linea di comando per eseguire questa ricostruzione è la FMRIB Software Library (FSL)19. FSL è stato utilizzato in questo protocollo per eseguire eco-planare, movimento e correzione della distorsione corrente eddy prima della ricostruzione. I dati di DWI usati in questa analisi sono una serie di file DICOM per 41 diverse direzioni gradiente diffusione-sensibilizzante. - Utilizzare il modulo DWIConverter in affettatrice per ricostruire il 41 acquisizioni separate in un unico volume. Specificare la Directory dei dati di Input Dicom dove si trovano i dati di DWI. Selezionare il pulsante di opzione DicomToNrrd e fornire il nome del volume in uscita DWI.
- Creare una maschera di tensore con il modulo Diffusion Weighted Volume mascheratura per eliminare il rumore di fondo dalla stima di DTI. Lasciare il parametro soglia predefinita di 0,5.
- Convertire questo singolo volume di DWI in un volume del tensore di diffusione (DTI) con la DWI di DTI stima utilizzando la maschera creata nel passaggio precedente come la Maschera del tensore di diffusione. Impostare i parametri di stima ai minimi quadrati e assicurarsi che sia selezionata l'opzione Shift autovalori negativi .
- Salvare il volume appena creato DTI nel formato NRRD.
- Scaricare e installare affettatrice18. Si presume che un'acquisizione di DWI è stata eseguita ed è disponibile come una pila di file DICOM.
2. generazione di modello finiti
- SCIRun
- Scaricare e installare SCIRun versione 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun è un ambiente di problem solving per la modellazione, simulazione e visualizzazione dei problemi scientifici. Questo è il banco di lavoro computazionale utilizzato per creare, risolvere e interagire con il modello sviluppato in questo progetto.
Nota: SCIRun reti sono costruiti da sequenze di singoli moduli che eseguono attività specifiche di collegamento. Passaggio di dati attraverso una rete fatta di semplici moduli consente più complessa elaborazione e simulazione.
- Scaricare e installare SCIRun versione 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun è un ambiente di problem solving per la modellazione, simulazione e visualizzazione dei problemi scientifici. Questo è il banco di lavoro computazionale utilizzato per creare, risolvere e interagire con il modello sviluppato in questo progetto.
- Costruzione della geometria dell'elettrodo
Nota: L'elettrodo modellato in questo progetto è un Medtronic 3387 DBS piombo20. È una pista cilindrica con quattro contatti 1,5 mm in altezza, 1,27 mm di diametro e distanziati tra loro una distanza di 1,5 mm. Materiale non conduttivo separa i quattro contatti.- Creare una mesh di superficie chiusa per ogni componente in testa DBS corrispondenti le dimensioni elencate. Creare il piombo intero utilizzando due geometrie primitive, cilindri e sfere.
Nota: La geometria di piombo può essere creata in una varietà di programmi di modellazione 3D. - Creare una mesh di superficie di uno strato di incapsulamento 0,5 mm di spessore che circonda l'intera iniziativa.
- Creare una mesh di superficie chiusa per ogni componente in testa DBS corrispondenti le dimensioni elencate. Creare il piombo intero utilizzando due geometrie primitive, cilindri e sfere.
- Creazione di Mesh intero cervello
- Caricare la superficie del cervello creata nella parte 1 per servire come il contorno esterno del FEM.
- Creare due superfici di casella concentrici che circondano il piombo DBS per controllare la densità della mesh intorno all'elettrodo.
Nota: La DBS condurre e scatola superficie deve essere allineati lungo l'asse z positivo con la punta inferiore dell'albero elettrodo situato all'origine. Questo è importante per la successiva rotazione e traslazione dell'elettrodo. - Creare una nuvola di punti con un unico punto situato in ogni distinta regione della mesh. Le regioni della mesh sono: i segmenti dell'albero, i quattro contatti, la casella e superficie del cervello. I valori collegati a questi punti rappresentano i vincoli di volume massimo per ogni elemento tetraedrico della mesh per quella regione. Questi vincoli sono regolati per controllare la densità della mesh nel e intorno all'elettrodo.
- Utilizzare il modulo "InterfaceWithTetGen" per creare la mesh di tutto il cervello. Impostare le porte di ingresso come segue:
Porta 1: superficie di cervello (da 1.1)
Porta 2: Nuvola attributo regionali, vincoli di volume (da 2.3.3)
Porta 3: nessuno
Porta 4: superfici del modello elettrodo (da 2.2)
- Posizionamento elettrodo interattiva
Nota: L'obiettivo di questa fase è quello di consentire il facile movimento dell'elettrodo in un punto qualsiasi all'interno del cervello e che il sistema aggiorna automaticamente con una nuova mesh e simulazione.- Utilizzare due CSS CreateGeometricTransform moduli per ruotare l'elettrodo nel piano X-Y. Fare clic su ruota e impostare il primo modulo a 1,00 su Asse Y e il secondo a 1,00 su Asse X. L'angolo di rotazione è impostato con il dispositivo di scorrimento inferiore, Ruotare Theta (gradi).
- Collegare un modulo di TransformMeshWithTransform per ogni trasformazione e oggetto che deve essere trasformato.
- Creare un modulo di GenerateSinglePointProbeFromField e collegare la porta di geometria al modulo ViewScene . Spostare la sfera nella finestra ViewScene premuto il tasto shift e cliccando. Il modulo sonda punto aggiorna la posizione della sfera al momento del rilascio.
Nota: Questo percorso viene utilizzato per determinare la trasformazione di traduzione applicata alla geometria dell'elettrodo. - Utilizzare un modulo di TransformMeshWithTransform per tradurre ogni parte della geometria dell'elettrodo con la posizione del punto di sonda.
- Applicare le trasformazioni di due rotazione e la traduzione dal widget sonda punto su tutti gli oggetti tranne la superficie del cervello.
Nota: Tutti e tre di queste trasformazioni devono essere eseguiti su ogni oggetto prima di esso è convogliato nel modulo InterfaceWithTetGen così l'algoritmo ingranante SA in mesh della geometria dell'elettrodo all'interno del cervello presso la nuova posizione e l'orientamento. Ogni volta che l'elettrodo è spostato all'interno del cervello sarà costruita una nuova mesh.
3. bioelectric campo calcolo
- Impostazione dei parametri di conducibilità
- Caricare il volume DTI creato nel passaggio 1 e impostare i dati sul mesh tetraedrica in uscita da InterfaceWithTetGen creato nel passaggio 2 utilizzando MapFieldDataFromSourceToDestination con l'opzione linear('weighted').
Nota: Qualsiasi stima anisotropo conducibilità può essere implementato in questo passaggio. - Impostare la conducibilità di regione di albero a 1e-6 e la regione del contatto di 1e6 utilizzando CalculateFieldData. Una volta che tutti i valori di conducibilità sono impostati, il campo di tubo in BuildFEMatrix.
- Caricare il volume DTI creato nel passaggio 1 e impostare i dati sul mesh tetraedrica in uscita da InterfaceWithTetGen creato nel passaggio 2 utilizzando MapFieldDataFromSourceToDestination con l'opzione linear('weighted').
- Impostazione corrente/tensione fonti e condizioni al contorno
- Tubo superficie del cervello utilizzate nel processo di meshing dal passaggio 2 in SetFieldDataToConstantValue e impostarla il valore su 0. Questo creerà un lavandino di tensione sulla superficie del cervello intero. Quindi è possibile utilizzare InsertVoltageSource per inserire i valori di tensione in uscita dal InterfaceWithTetGenmesh tetraedrica.
- Per stimolazione monopolare, creare un unico punto al centro di una delle posizioni contattare calcolando il valore di FieldCenter dal modulo ReportFieldInfo su una delle superfici di contatto. Impostare i dati del campo su questo punto a-1 volt. Quindi è possibile utilizzare InsertVoltageSource per posizionare il punto di origine della mesh tetraedrica.
Nota: Ci sono ora due copie della mesh tetraedrica. Uno con valori di tensione impostati sulla superficie del cervello e uno con una sorgente puntiforme all'interno di un contatto. - Iscriviti l'output dei due moduli InsertVoltageSource e pipe l'output in ApplyFEMVoltageSource insieme all'output di BuildFEMatrix.
- Risolvere il problema in avanti
Nota: L'output di ApplyFEMVoltageSource dà la matrice di rigidezza sulla porta 1 e la matrice di destra sulla porta 2. Queste sono le due componenti necessarie per risolvere il sistema di equazioni.- Reindirizzare le due uscite di ApplyFEMVoltageSource in SolveLinearSystem. Selezionare il gradiente coniugato solving metodo e Jacobi come il Precondizionatore. L'output di questo modulo è la matrice di soluzione, il valore della tensione in ogni nodo della mesh tetraedrica.
- Utilizzare SetFieldData per posizionare la matrice di soluzione di tensione sulla mesh tetraedrica per una rappresentazione 3D della distribuzione di tensione.
- Visualizzazione isosurface
- Tubo il risultato di SetFieldData in ExtractSimpleIsosurface. Aprire l'interfaccia utente per la scheda di quantità e impostare il numero di isovalues equidistanti a 10.
- Utilizzare un modulo ShowField e collegarlo al modulo ViewScene per visualizzare le isosuperfici come trasparente con una mappa dei colori arcobaleno in scala per il min e max della soluzione tensione.
Representative Results
Alla fine del presente protocollo tutti gli input necessari per creare un modello specifico per ogni paziente vengono forniti: la superficie del cervello, geometria dell'elettrodo e tensori di conducibilità. Una rete di SCIRun dovrebbe inoltre sono stata creata che integra tutti gli ingressi per costruire un modello ad elementi finiti e simulare il campo bioelettrico indotto. Il modello di simulazione permette movimento dell'elettrodo all'interno del cervello e la modifica di parametri quali contatti attivi o ampiezza di stimolazione.
Figura 1 illustra la possibilità di simulare e confrontare le previsioni di attivazione della fibra in posizioni multiple di elettrodo. Generazione dei tratti della fibra da formazione immagine di diffusione non è stata dimostrata in questo protocollo, ma questa analisi può essere effettuata con qualsiasi metodo di trattografia deterministico. Posizione 2 predice un'attivazione più robusta del fascio di fibre ottiche di destinazione ad ampiezze di stimolazione più bassa tra tutti i contatti rispetto alla posizione 1. Questa analisi viene utilizzata durante le fasi di pianificazione dell'intervento chirurgico DBS per determinare la traiettoria di elettrodo che stimolerà in modo efficace il percorso di destinazione della fibra.
Una caratteristica novella di questo sistema è la capacità di passare rapidamente la geometria dell'elettrodo nel modello e la capacità di simulare più lead nella prossimità vicina ad uno altro. Entrambi questi approcci vengono utilizzati per fornire maggiore controllo sulla forma e direzione del campo elettrico intorno all'elettrodo. La figura 2 illustra il confronto delle previsioni di attivazione fibra tra un assialsimmetrici e un direzionale che DBS condurre mentre indaga su posizioni di piombo per stimolare vie centrale della fibra thalamic ed evitando vicine aree quali i nuclei sensoriali . Per la stessa traiettoria di elettrodo, possiamo vedere che il piombo direzionale è in grado di guidare l'attivazione della fibra nei confronti della regione di destinazione, evitando la stimolazione delle fibre indesiderabili. Questa analisi può essere utilizzata per determinare quando è necessario cambiare il dispositivo che il paziente avrebbe ricevuto per terapia DBS evitare la stimolazione delle regioni vicine che potrebbero indurre effetti collaterali indesiderati. Questo approccio è utile per il targeting del nucleo subtalamico per trattare i sintomi della malattia di Parkinson, evitando la capsula interna nelle vicinanze.
Figura 1 : Confronto di posizionamento degli elettrodi e le previsioni di attivazione fibra destinazione. Previsione di attivazione bundle fibra totale per ampiezze di stimolazione (-0,5 V a -5,0 V) e i quattro contatti per due posizioni differenti dell'elettrodo. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 2 : Confronto delle previsioni di attivazione bundle fibra thalamic centrale con DBS assialsimmetrici e direzionale conduce. (A) visualizzazione di entrambi la DBS cilindrica 3387 Medtronic la DBS direzionale Sapiens piombo e con calcoli di funzioni sul fascio di fibre ottiche thalamic centrale di destinazione per un'ampiezza singola stimolazione monopolare di attivazione. (B) (i) una sezione trasversale fetta attraverso i fasci di piombo e fibra DBS. (ii) una proiezione bidimensionale della sezione trasversale con l'identificazione del DBS conducono, fibre e fibre per evitare di destinazione. (C) la diffusione di attivazione attraverso fibre di destinazione sia fibre di evasione come ampiezza di stimolazione aumenta per assialsimmetrici e direzionale DBS condurre. Fibre attivate per un'ampiezza di stimolazione dato sono mostrate in rosso, mentre fibre non attivati sono mostrati in blu. (D) una raccolta di tutte le simulazioni mostrato nel pannello C, mostrando l'ampiezza di soglia di stimolazione previsto in tutte le regioni di fasci di fibre. Clicca qui per visualizzare una versione più grande di questa figura.
Discussion
Questo protocollo ha dimostrato tecniche per ridurre l'onere di tempo e costo computazionale della costruzione di modelli specifici pazienti per DBS ad un grado che permette vicino a feedback in tempo reale dei risultati delle simulazioni. Commenti e suggerimenti rapidi consente l'esplorazione di uno spazio di parametro di grandi dimensioni per capire meglio come le modifiche dei parametri influenzano i risultati del modello. Questi parametri includono piombo posizione, scelta di contatti attivi e l'ampiezza, larghezza di impulso e frequenza della forma d'onda di stimolazione a quei contatti. Le caratteristiche principali dello strumento proposto sono: 1) A interfaccia utente semplice per regolare i parametri del modello con vicino a visualizzazione in tempo reale di come questi parametri influenzano la simulazione e 2) automazione della creazione del modello da un piccolo set di ingressi: superficie del cervello, tensori di conducibilità dei tessuti del cervello e una rappresentazione della superficie della geometria dell'elettrodo. Questa automazione consente di accelerare la creazione di modelli specifici per paziente per molti individui che hanno geometrie differenti del cervello e conducibilità del tessuto, nonché la valutazione degli effetti dell'inserimento di disegni differenti dell'elettrodo in modelli esistenti. La procedura di pre-elaborazione immagine descritta in questo protocollo non era completamente automatizzata e può richiedere fino a un giorno di tempo di elaborazione. Tuttavia, una volta completato i dati generati da questi passaggi sono considerati statico, ovvero che i dati non viene modificati durante le simulazioni. L'automazione della creazione del modello deriva dalla capacità del sistema di applicare i dati per il paziente-specifici FEM senza sforzo manuale. La rete di SCIRun di eseguire tutte le generazione del modello, la simulazione, la procedura di visualizzazione solo dovrà essere costruita una volta. Di conseguenza, solo i passaggi di pre-elaborazione di immagine devono essere eseguite nuovamente per generare un modello specifico per ogni paziente di un paziente in arrivo.
Il guadagno di prestazioni nel generare risultati dalla pipeline di modellazione è grazie all'integrazione di generazione mesh, campo bioelettrico calcoli e visualizzazione della soluzione in un unico ambiente software. Tecniche di modellazione esistenti come generazione mesh adattiva sono stati utilizzati per creare maggiore maglia intorno all'elettrodo e bassa densità più lontano l'elettrodo che riduce il tempo di costruire e risolvere il FEM. Il software, SCIRun, consente anche l'automazione della generazione mesh e calcoli di campo bioelettrico. Definito dall'utente movimento dell'elettrodo utilizzando il widget interattivi innesca la costruzione di una nuova mesh con il posizionamento degli elettrodi aggiornato. Include la modifica le condizioni al contorno e i valori di conducibilità per la nuova posizione dell'elettrodo.
La geometria dell'elettrodo è trattata come un oggetto libero movimento all'interno del volume del cervello prima che la sua posizione è integrata con il FEM. Un'implicazione chiave di questo approccio per la costruzione della maglia è che gli elettrodi più facilmente possono essere inseriti nel modello. Ad esempio, una seconda copia della geometria dell'elettrodo può essere collocata parecchi millimetri di distanza ed entrambi saranno inclusi nel FEM. Nella ricerca recente, due elettrodi sono stati impiantati in prossimità di trattare la sclerosi multipla tremore13 e sono stati utilizzati in esperimenti di primati non umani per esplorare efficace stimolazione target21. Il vantaggio di utilizzare elettrodi multipli è quello di fornire un migliore controllo del campo elettrico generato nel tessuto su una superficie maggiore. Stimolando con contatti attivi su entrambi gli elettrodi può guidare corrente verso la regione di destinazione e lontano dalle regioni che portano a effetti collaterali negativi. Un controllo più preciso della stimolazione su una superficie maggiore è anche utile per esplorare percorsi diversi di stimolazione quando la posizione esatta del bersaglio designato è sconosciuta, come è il caso con molte delle applicazioni emergenti terapia di DBS. Tuttavia, determinazione dei parametri per ottenere la stimolazione terapeutica è più impegnativo di un singolo elettrodo a causa dell'aumento in uno spazio di parametri già grandi.
Noi immaginiamo che questo strumento di modellazione interattiva potrebbe fornire un beneficio durante la pianificazione pre-operatoria per l'impianto di DBS. Risposte circa l'entità della stimolazione nel tessuto cerebrale può permettere ai chirurghi di modificare la posizione dell'elettrodo nel loro piano chirurgico per fornire lo stimolo terapeutico alla regione di destinazione. Mentre terapia DBS era il principale fattore motivante per lo sviluppo di questo strumento, le tecniche presentate in questo documento possono essere applicate a qualsiasi modello di campo bioelettrico FEM con stimolazione diversa o paradigmi di registrazione. Terapie di stimolazione come la stimolazione transcranica diretta corrente per depressione22 o l'uso di elettrodi di profondità per il trattamento di epilessia23 condividono le stesse sfide come DBS nel determinare la migliore posizione di stimolazione per raggiungere risultati terapeutici. Electrocorticography, una tecnica di registrazione con array di elettrodi sulla superficie del cervello per identificare le aree di insorgenza di sequestro, ha il compito di determinare dove posizionare gli elettrodi per registrare dalle regioni di destinazione nel cervello24. Tutte queste applicazioni dipendono dal posizionamento degli elettrodi mentre trattare con l'incertezza di come la corrente scorre attraverso il tessuto cerebrale. Le tecniche presentate in questo documento l'onere di generazione e l'utilizzo di modelli computazionali, fornendo un feedback significativo per i ricercatori e i clinici utilizzando questi dispositivi che non sono esperti di modellazione.
Disclosures
Christopher R. Butson, Ph.D. ha servito come consulente per NeuroPace, Advanced Bionics, Boston Scientific, Intelect Medical, St. Jude Medical e neuromodulazione funzionale.
Acknowledgments
Questo progetto è stato sostenuto dal Istituto nazionale di salute sovvenzioni UH3, NS095554. Supporto tecnico è stato fornito dal centro per l'informatica biomedica integrativo presso l'Istituto di formazione immagine e di calcolo scientifico ed è stato reso possibile in parte da un software sviluppato da NIH P41-GM103545, centro di integrativa Biomedical Computing.
Gratitudine si estende al piano di Lexie e Nathan Galli presso l'Istituto di formazione immagine per la produzione e l'editing di presentazione dei video e calcolo scientifico ed anche a Theresa Lins per assistenza con la preparazione del manoscritto.
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 |
References
- 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).
- Limousin, P., et al. Effect of parkinsonian signs and symptoms of bilateral subthalamic nucleus stimulation. The Lancet. 345 (8942), 91-95 (1995).
- Schiff, N. D., et al. Behavioural improvements with thalamic stimulation after severe traumatic brain injury. Nature. 448 (7153), 600-603 (2007).
- Vandewalle, V., et al. Stereotactic treatment of Gilles de la Tourette syndrome by high frequency stimulation of thalamus. Lancet. 353 (9154), 724 (1999).
- Mayberg, H. S., et al. Deep brain stimulation for treatment-resistant depression. Neuron. 45 (5), 651-660 (2005).
- 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).
- 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).
- Machado, A., et al. Deep brain stimulation for Parkinson's disease: surgical technique and perioperative management. Movement Disorders. 21, S247-S258 (2006).
- 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).
- Contarino, M. F., et al. Directional steering: A novel approach to deep brain stimulation. Neurology. 83 (13), 1163-1169 (2014).
- Pollo, C., et al. Directional deep brain stimulation: An intraoperative double-blind pilot study. Brain. 137 (7), 2015-2026 (2014).
- 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).
- 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).
- 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).
- Basser, P. J., Mattiello, J., LeBihan, D. MR diffusion tensor spectroscopy and imaging. Biophys. J. 66 (1), 259-267 (1994).
- 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).
- Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
- Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 30 (9), 1323-1341 (2012).
- Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. Neuroimage. 62 (2), 782-790 (2012).
- Medtronic DBS 3387/3389 Lead Kit Manual. , (2018).
- 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).
- Fregni, F., et al. Treatment of major depression with transcranial direct current stimulation. Bipolar Disorders. 8 (2), 203-204 (2006).
- Hodaie, M., Wennberg, R. A., Dostrovsky, J. O., Lozano, A. M. Chronic anterior thalamus stimulation for intractable epilepsy. Epilepsia. 43 (6), 603-608 (2002).
- Rosenow, F., Lüders, H. Presurgical evaluation of epilepsy. Brain. 124 (9), 1683-1700 (2001).
