Summary
Цель этого проекта заключается в разработке интерактивных, пациент конкретных моделирования трубопровода для имитации эффектов глубокая стимуляция мозга в режиме реального времени и обеспечения значимой обратной связи о том, как эти устройства влияют нейронной активности в головном мозге.
Abstract
Глубокая стимуляция мозга (DBS), которая включает в себя вставки электрода предоставлять локализованные мозга регионе стимуляции, установленных терапии для двигательных расстройств и применяется для растущего числа расстройств. Численное моделирование успешно использовался для прогнозирования клинические эффекты DBS; Однако есть необходимость роман моделирования методы, чтобы идти в ногу с растущей сложностью DBS устройств. Эти модели также необходимо создавать прогнозы, быстро и точно. Цель этого проекта заключается в разработке конвейера обработки изображений для включения структурных магнитно-резонансная томография (МРТ) и диффузии взвешенных изображений (DWI) в интерактивной, пациент конкретной модели для имитации эффектов DBS. Виртуальный DBS свинца могут быть размещены внутри пациента модели, а также активные контакты и параметров стимуляции, где изменения в ведущего положения или ориентации генерировать новые сетки конечных элементов и решение проблемы биоэлектрических поле в практически в реальном времени, значение TimeSpan, примерно 10 секунд. Эта система также позволяет моделирование нескольких приводит в непосредственной близости от для текущего управления судном различной анодов и катодов на различных версий. Методы, представленные в настоящем документе уменьшить бремя генерации и использования вычислительных моделей обеспечивая значимого обратной связи о последствиях положение электрода, конструкция электродов и стимуляции конфигураций для исследователей и клиницистов кто не может быть моделирования экспертов.
Introduction
Глубокая стимуляция мозга (DBS) является установленным терапия для движения расстройств, таких как основные тремор1 и2болезни Паркинсона. Эта терапия также изучается как возможного лечения для растущего числа расстройств, включая черепно-мозговой травмы3, синдром Туретта4и5депрессии. DBS системы требуют хирургической имплантации электродов приводит к доставить стимуляции в локализованных мозга регионе чтобы модулировать текущей нейронной активности6. Расположение электродов и параметров стимуляции повлиять на модуляции нейронных цепей, которые обеспечивают терапевтический эффект. Небольшие изменения в расположении может повлиять на терапевтического окна, возможно, увеличивая вероятность неблагоприятных побочных эффектов, прежде чем терапевтический эффект достигается7,8,9. На практике часто бывает трудно предсказать, что эффекты стимуляции будет иметь на нейронной активности; Следовательно это окно терапевтический эффект определяется на пациента к пациенту основе как устройства стимуляции запрограммирован клинициста8,9. Этот процесс становится более сложным, как новых поколений DBS устройства становятся доступными. Например Роман привести проекты внедряются с больше контактов10,,11-12, и в некоторых случаях несколько приводит настоящее время имплантированы в непосредственной близости от друг друга13. Следовательно необходимо иметь возможность исследовать и прогнозировать последствия DBS через большой и растущей параметра пространство.
Численное моделирование и анализ может использоваться для прогнозирования физиологических и клинических эффектов БД на основе конкретного пациента. Эти модели использовать моделирование (FEM) построить три размерные представлений ткани мозга и биофизические характеристики имплантированных электродов. FEM биоэлектрических поле модели успешно использовались для прогнозирования воздействия DBS14, но до сих пор они были много времени и вычислительных дорогостоящим для создания. Существует потребность в методы моделирования Роман идти в ногу с растущей сложностью DBS устройств. Эти модели конкретного пациента следует предусмотреть вблизи реального времени визуальной обратной связи о воздействии DBS как расположение ведущего или изменения параметров стимуляции. Пользователь будет получить обратную связь о местонахождении свинца и параметр стимуляции в несколько секунд, что позволяет продолжил уточнение свинца размещения в течение нескольких минут. Пациент специфика достигается путем включения анатомии пациента, их мозг форму и размер, при построении FEM и применения биофизических свойств их мозга, таких как теплопроводность анизотропной ткани. Анизотропные проводимости описывает, как ток будет распространяться через различные мозга и неинвазивным может измеряться на весь мозг похож на образ типичного магнитного резонанса (MRI).
DBS моделирования подходы, которые не используют пациента конкретную информацию может предоставить быстрый, но менее точные предсказания эффекты стимуляции, благодаря обобщенных геометрий и проводимости значения для ткани мозга. В этом подходе Одноместный FEM используется для всех пациентов и предсказал нервная деятельность может быть вычислена заранее. Пациент-модели нельзя обобщить и предварительно вычисляемых поскольку новый FEM построен для каждого. Эти модели требуют больше усилий, чтобы построить, но может быть более точным. Несколько факторов ограничивают скорость, на которой может быть построен и использовать эти модели: 1) изменения параметров в начале модели строительства трубопровода, например положение электрода, требует ручной усилий, чтобы обновить все последующие шаги; и 2) шаги в конвейере моделирования не интегрированы легко друг с другом, требующих передачи данных между несколькими пакетами программного обеспечения. Часто мы хотим оценить множество различных ситуаций, например положение электрода, параметров стимуляции или конструкции электрода. Для обеспечения значимой обратной связи о эффект у эти изменения на терапевтический эффект, который пациент будет получать, эти результаты должны быть точной и сгенерированный быстро.
Наша цель – представить новые методы для модели пациента, которые принимают преимущество скорости, полученные в обобщенной модели здания и автоматизации многих из конвейера шаги для создания интерактивного моделирования среды, которая обеспечивает почти в реальном времени visual Отзывы о воздействии DBS. Интерактивный симулятор позволяет пользователю проверить прогнозы и быстро получить результаты без сосредоточения внимания на детали конструкции модели. Это полезно, когда есть большой параметра пространство для изучения, и как эти параметры влияют на моделирование являются неопределенными. Мы будем описывать шаги в конвейере обработки для создания интерактивных, пациент конкретных моделей FEM от приобретения магнитно-резонансная томография (МРТ). Используя инструменты и методы, изложенные в настоящем документе будет снизить затраты времени для создания FEM биоэлектрических поле модели и предоставляют способ сделать эти модели доступными для исследователей и клиницистов, которые не являются моделирования экспертов.
Этот протокол описывает построить модель пациента конкретных конечных элементов из приобретенных МРТ томов, а затем имитировать электрического поля, вызванных DBS электрода. Основные шаги в создании этих моделей являются: 1) построить модель конечных элементов (FEM), представляющих мозг пациента и имплантированных электродов, 2) ФЭМ добавить биофизические свойства мозга и стимуляции параметров устройства DBS и 3) решить для напряжения, порожденных электрода в модели. Две тепловизионные методы необходимы для построения пациента конкретной модели для моделирования баз данных. T1 МРТ используется для построения segmentations поверхности мозга, желудочки, и конкретные ядер. Диффузия взвешенных изображений (DWI), измерения температуропроводности воды, используется для оценки тензора диффузии всей ткани мозга15. Тензора диффузии преобразуются в тензоров проводимости, которые количественно неоднородных, анизотропная биофизические свойства ткани на voxel voxel основе16. Распределение напряжения во всем мозга, вызванных электрода вычисляется путем решения уравнения Пуассона, который через применение ФЕМ упрощает систему линейных уравнений Ax = b где A — матрицы жесткости, представляет значение проводимости и геометрии сетки, x является решением напряжения в каждом узле сетки, и b изменяется на основе граничных условий и источники тока.
Protocol
1. обработка изображений
- T1 МРТ сегментации
- Загрузите и установите FreeSurfer17. Предполагается, что T1 МРТ был накоплен и в формате DICOM или NIFTI.
- Введите следующую команду для создания Справочник пациента и добавить их объем T1 в FreeSurfer: patientName Рекон все - s -i /Full/Path/To/nii
- Введите следующую команду для запуска FreeSurfer в автоматизированных сегментация: patientName Рекон все - s-все
- Используйте mri_convert для преобразования «aseg.auto.mgz» из FreeSurfer в собственности .mgz формат.
- Диффузия взвешенных изображений (DWI)
- Скачать и установить срез18. Предполагается, что приобретение DWI была выполнена и доступен в качестве стека файлов DICOM.
Примечание: Инструмент хороший командной строки для выполнения этой реконструкции является библиотека программного обеспечения FMRIB (ПСМ)19. FSL использовалась в этом протоколе для выполнения эхо плоский, движения и Эдди текущей коррекции искажений до реконструкции. DWI данные, используемые в настоящем анализе представляет собой серию файлов DICOM для 41 различных информирования диффузии направление градиента. - Используйте модуль DWIConverter в срез для воссоздания 41 отдельных приобретений в одном томе. Укажите Каталог данных Dicom ввода , где расположен DWI данных. Выберите переключатель DicomToNrrd и предоставить имя тома DWI вывода.
- Создание маски тензора Диффузии взвешенный объем маскировки модулем для устранения фонового шума от DTI оценки. Оставьте параметр порога по умолчанию 0.5.
- Конвертируйте этот единый объем DWI тензора диффузии (DTI) с DWI DTI оценки с использованием маски, созданный на предыдущем шаге, как Маска тензора диффузии. Задание параметров оценки наименьших квадратов и убедитесь, что установлен флажок Сдвиг негативные обосновано .
- Сохраните созданный DTI тома в NRRD формате.
- Скачать и установить срез18. Предполагается, что приобретение DWI была выполнена и доступен в качестве стека файлов DICOM.
2. элементную модель поколения
- SCIRun
- Загрузите и установите SCIRun версии 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun является решение проблем окружающей среды для моделирования, симуляции и визуализации научных проблем. Это вычислительная верстак, используется для создания, решить и взаимодействовать с моделью, разработанной в рамках этого проекта.
Примечание: SCIRun сети строятся путем соединения последовательностей отдельных модулей, которые выполняют конкретные задачи. Передача данных через сеть из простых модулей позволяет для более сложных моделирования и обработки.
- Загрузите и установите SCIRun версии 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun является решение проблем окружающей среды для моделирования, симуляции и визуализации научных проблем. Это вычислительная верстак, используется для создания, решить и взаимодействовать с моделью, разработанной в рамках этого проекта.
- Строительство геометрия электрода
Примечание: Электрод, моделируется в этом проекте является ведущим Medtronic 3387 DBS20. Это цилиндрические свинца с четырьмя контакты 1,5 мм в высоту, 1,27 мм в диаметре и интервал 1,5 мм друг от друга. Non проводящие материал отделяет четыре контакта.- Создание закрытой поверхности сетки для каждого компонента в DBS свинца, соответствие указанных размеров. Создание всего свинца с помощью двух примитивных геометрий, цилиндры и сферы.
Примечание: Свинец геометрии могут создаваться в различных 3D моделирования программ. - Создание поверхности сетки инкапсуляции слоя 0,5 мм толщиной, вокруг всего свинца.
- Создание закрытой поверхности сетки для каждого компонента в DBS свинца, соответствие указанных размеров. Создание всего свинца с помощью двух примитивных геометрий, цилиндры и сферы.
- Создание сетки весь мозг
- Загрузить поверхности мозга, созданный в часть 1 в качестве внешней границы к ФЕМ.
- Создайте два концентрических поле поверхностей окружающих DBS свинца для контроля плотности сетки вокруг электрода.
Примечание: DBS привести и поле поверхности должны быть согласованы вдоль положительный z с нижней оконечности вала электрода, расположенный в начале координат. Это имеет важное значение для дальнейшего вращения и перевода электрода. - Создание облака точек с одной точки, расположенные в каждом регионе различные сетки. В регионах сетки являются: участков вала, четыре контакты, поле и поверхности мозга. Значения, придает эти точки представляют собой ограничения на максимальный объем для каждого четырехгранный элемента в сетке для этого региона. Эти ограничения корректируются для контроля плотности сетки в и вокруг электрода.
- Используйте модуль «InterfaceWithTetGen» для создания сетки весь мозг. Установите портов ввода следующим образом:
Порт 1: поверхности мозга (от 1.1)
Порт 2: региональный атрибут облако точек, ограничения объема (от 2.3.3)
Порт 3: нет
Порт 4: Электрод модели поверхностей (2.2)
- Размещение интерактивных электрода
Примечание: Цель этого шага – позволяют легко движения электрода везде внутри мозга и система автоматического обновления с новой сетки и моделирования.- Использование двух каскадных модулей CreateGeometricTransform для поворота электрод в плоскости X и Y. Нажмите на повернуть и установить первый модуль для 1.00 на Оси Y , а второй-1.00 на Оси X. Угол поворота устанавливается с помощью ползунка внизу, Поворота тета (градусов).
- Подключите модуль TransformMeshWithTransform для каждого преобразования и объект, который необходимо преобразовать.
- Создайте модуль GenerateSinglePointProbeFromField и подключите его геометрии порта к модулю ViewScene . Перемещение области в окне ViewScene , удерживая клавишу shift и щелкнув. Модуль датчика точки обновляет местоположение области после освобождения.
Примечание: Это расположение используется для определения перевода преобразование, применяемое к геометрии электрода. - Используйте модуль TransformMeshWithTransform для перевода каждой частью геометрии электрод с точки расположения зонда.
- Применяют два поворота преобразования и перевод с точки зонда виджет на каждый объект, за исключением поверхности мозга.
Примечание: Все три этих преобразований следует выполнять на каждый объект, прежде чем он передается в модуль InterfaceWithTetGen так алгоритма сетки знает сетчатый электрод геометрии внутри мозга в новое расположение и ориентацию. Каждый раз, когда электрод перемещается внутри мозг будет строиться новая сетка.
3. биоэлектрических поле Расчет
- Настройка параметров проводимости
- Эквивалентный объем DTI, созданного на шаге 1 и установить данные на выход тетраэдрической сетки из InterfaceWithTetGen , созданный на шаге 2, с помощью MapFieldDataFromSourceToDestination с параметром linear('weighted').
Примечание: Любые анизотропии теплопроводности оценки могут быть реализованы в этом шаге. - Установите вал региона проводимости до 1e-6 и регионе контакта 1e6 с помощью CalculateFieldData. После того как заданы все значения проводимости, трубы поля в BuildFEMatrix.
- Эквивалентный объем DTI, созданного на шаге 1 и установить данные на выход тетраэдрической сетки из InterfaceWithTetGen , созданный на шаге 2, с помощью MapFieldDataFromSourceToDestination с параметром linear('weighted').
- Настройка источников тока/напряжения и граничные условия
- Трубы поверхности мозга используется в процессе создания сеток из шага 2 в SetFieldDataToConstantValue и задайте значение 0. Это создаст напряжения раковины на поверхности весь мозг. Затем используйте InsertVoltageSource для размещения значения напряжения на выходе тетраэдрической сетки из InterfaceWithTetGen.
- Для монополярных стимуляции создайте одну точку в центре одного из контактных точках, вычисляя значение FieldCenter из модуля ReportFieldInfo на одном из контактных поверхностей. Значение поля данных по этому вопросу до-1 вольт. Затем используйте InsertVoltageSource для размещения точечного источника в тетраэдрической сетки.
Примечание: в настоящее время существуют две копии тетраэдрической сетки. Один с значений напряжения на поверхности мозга и один с точечного источника внутри контакта. - Присоединяйтесь к выходу из двух модулей InsertVoltageSource и выходные данные в ApplyFEMVoltageSource вместе с вывода BuildFEMatrix.
- Решение проблемы вперед
Примечание: Вывод ApplyFEMVoltageSource дает матрицы жесткости на порт 1 и справа на порту 2. Вот два компонента, необходимых для решения системы уравнений.- Трубы двух выходов ApplyFEMVoltageSource в SolveLinearSystem. Выберите сопряженные градиента решения метода и Якоби как Предобуславливание. Результатом этого модуля является решение матрица, значение напряжения на каждом узле в тетраэдрической сетки.
- Используйте SetFieldData для матрицы решения напряжения на тетраэдрической сетки для 3D представление распределения напряжения.
- Изоповерхности визуализация
- Трубы в результате SetFieldData в ExtractSimpleIsosurface. Откройте пользовательский интерфейс на вкладку количество и установить количество равномерно изозначений до 10.
- Использовать модуль ShowField и подключить его к ViewScene модуль для отображения изоповерхности как прозрачные с радуги цветная карта масштабируется для мин и Макс напряжение решения.
Representative Results
В конце настоящего Протокола предоставляются все необходимые материалы для создания конкретного пациента модели: поверхности мозга, геометрия электрода и проводимости тензоров. SCIRun сеть должна также были созданы который интегрирует все входные данные для построения конечно-элементной модели и моделирования индуцированное биоэлектрических поле. Имитационная модель позволяет движение электрода в головном мозге и изменения параметров, таких как активные контакты или амплитуды стимуляции.
Рисунок 1 демонстрирует способность моделировать и сравнивать волокна активации прогнозы по нескольким позициям электрода. Поколение волокон участки от диффузии изображений не была продемонстрирована в настоящем Протоколе, однако этот анализ может быть выполнена с любым методом детерминированного трактографии. Позиция 2 предсказывает более надежной активации целевой локально тривиальное расслоение на нижней стимуляции амплитуд во всех контактов, по сравнению с позиции 1. Этот анализ используется во время стадии планирования DBS хирургии для определения траектории электрода, что будет эффективно стимулировать целевой путь волокна.
Роман особенностью этой системы является возможность быстро переключаться геометрия электрода в модели и способность имитировать несколько приводит в непосредственной близости друг к другу. Оба эти подхода используются для обеспечения большего контроля над формой и Руководящий электрического поля вокруг электрода. Рисунок 2 иллюстрирует сравнение волокна активации предсказания между осесимметричный и направленного DBS привести расследуя свинца местах для стимулирования Центральной таламуса волокна пути и избегая близлежащие районы, такие как сенсорные ядра . Для же траектории электрода мы видим, что направленная Свинец способен направить волокна активации к целевого региона, избегая стимуляции нежелательных волокон. Этот анализ может использоваться для определения, когда это будет необходимо изменить устройство, которое пациент будет получать DBS терапии, чтобы избежать стимуляции близлежащих регионов, которые будут вызывать нежелательные побочные эффекты. Этот подход полезен для ориентации subthalamic ядра для лечения симптомов болезни Паркинсона, избегая близлежащих внутренней капсулы.
Рисунок 1 : Сравнение положения электрода и предсказания целевой волокна активации. Прогнозирование общей волоконно расслоение активации для стимуляции амплитуд (V -0.5 до -5.0 V) и все четыре контактов для двух различных электродов позиций. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Рисунок 2 : Приводит сравнение Центральной таламуса волоконно расслоение активации предсказания с осесимметричный и направленного DBS. (A) визуализации как Medtronic 3387 цилиндрических DBS привести и Sapiens направленного DBS привести с активации функции вычисления на Центральный таламуса локально тривиальное расслоение целевой для амплитуды одного монополярной стимуляции. (B) (i) поперечного среза через DBS свинца и волокна связки. (ii) двухмерной проекции площади поперечного сечения с идентификации DBS свинца, волокон и волокон, чтобы избежать. (C) распространение активации через целевой волокон и волокон избежания как амплитуды стимуляции увеличивается осесимметричный и направленного DBS привести. Активированные волокна для амплитуды данного стимуляции показаны красным цветом, в то время как волокна не активирован отображаются синим цветом. (D) сборник всех имитаций, отображаемые в панели C, показаны прогнозируемые стимуляции порог амплитуды во всех регионах расслоений. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.
Discussion
Этот протокол продемонстрировал методы, чтобы уменьшить затраты времени и вычислительная стоимость строительства пациента конкретных моделей для DBS в степени, позволяет вблизи реального времени обратной связи результатов моделирования. Быстрой обратной связи позволяет исследование большой параметр пространства, чтобы лучше понять, как изменения параметров влияют на результаты модели. Эти параметры включают свинец расположение, выбор активных контактов и амплитуды, ширина импульса и частоты стимуляции сигналов на этих контактов. Основные характеристики предлагаемого инструмента: 1) A простой пользовательский интерфейс для настройки параметров модели с рядом в реальном времени визуализации как эти параметры влияют на моделирование и 2) Автоматизация создания модели из небольшого набора материалов: поверхности мозга, тензоров теплопроводности тканей мозга и представление поверхности электрода геометрии. Эта автоматизация ускоряет создание пациента конкретных моделей для многих людей, которые имеют различные мозга геометрии и проводимости тканей, а также оценки последствий вставки образцов различных электродов в существующие модели. Изображения предварительной обработки шаги, описанные в настоящем Протоколе не были полностью автоматизирован и может занять день время обработки. Однако после завершения данных, получаемых от этих шагов считаются статическим, что означает, что эти данные не изменяется во время симуляции. Автоматизация создания модели вытекает из системы способность применять эти данные для конкретного пациента FEM без ручной работы. SCIRun сети выполнять все поколения модели, моделирование, Визуализация шаги только должен быть построен один раз. Таким образом только шаги предварительной обработки изображения должны выполняться снова сформировать модель пациента специфичные для входящего пациента.
Прирост производительности в генерации результатов от моделирования трубопровода из-за интеграции сетки поколения, биоэлектрических области вычисления и визуализация решения в среде единого программного обеспечения. Существующие методы моделирования, такие как адаптивные сетки поколения были использованы для создания более сетка вокруг электрода и Нижняя плотность дальше от электрода, что сокращает время для построения и решить к ФЕМ. Программное обеспечение, SCIRun, также позволяет автоматизировать генерации сетки и биоэлектрических поле расчетов. Определяемые пользователем движение электрода, используя Интерактивные виджеты инициирует строительство новой сетки с позиции Обновлено электрода. Это включает в себя изменение проводимости значений для новой позиции электрода и граничных условий.
Геометрия электрода рассматривается как свободный перемещение объекта внутри объема мозга перед его позиция интегрирована к ФЕМ. Основные последствия такого подхода для построения сетки является, что несколько электродов, легко могут быть вставлены в модели. Например вторая копия геометрия электрода может размещаться несколько миллиметров от и оба будут включены в к ФЕМ. В недавних исследованиях два электрода были имплантированы в непосредственной близости от лечить рассеянный склероз тремор13 и были использованы в не человеческого экспериментов для изучения эффективных стимуляции целей21. Преимущество использования нескольких электродов является обеспечить лучший контроль электрического поля, порождаемого в ткани над большей площади. Стимулируя активные контакты на обоих электродов может направить текущего целевого региона и от регионов, которые привели бы к отрицательных побочных эффектов. Более точного управления стимуляции над большей площади также полезно исследовать различные стимуляции места, когда точное расположение целевой неизвестен, равно как и в случае со многими из новых применений терапии DBS. Однако определение параметров для достижения терапевтического стимуляции является более сложной, чем одного электрода из-за увеличения в пространстве уже большой параметр.
Мы предполагаем, что этот инструмент интерактивного моделирования может обеспечить выгоды во время предоперационного планирования для имплантации DBS. Отзывы о степени стимуляции в ткани мозга может позволить хирургов для изменения расположения электродов в их хирургическое план предоставления терапевтических стимуляции для целевого региона. В то время как DBS терапии был основным мотивирующим фактором для разработки этого инструмента, методы, представленные в настоящем документе может применяться к любой FEM биоэлектрических поле модели с различными стимуляции или запись парадигмы. Стимулирование терапии, такие как постоянного тока транскраниальной стимуляции для депрессии22 или использования глубиной электродов для лечения эпилепсии23 разделяют те же проблемы, как DBS в определении лучшей стимуляции для достижения терапевтические результаты. Electrocorticography, техника записи с массивами электродов на поверхности мозга для идентификации регионов начала захвата, стоит задача определить, где разместить электродов для записи от целевых регионов в мозг24. Все эти приложения являются зависит положение электрода при работе с неопределенность как ток течет через ткани мозга. Методы, представленные в настоящем документе уменьшить бремя генерации и использования вычислительных моделей обеспечивая значимого обратной связи для исследователей и клиницистов, используя эти устройства, которые не являются экспертами моделирования.
Disclosures
Кристофер р. Butson, к.т.н. выступает в качестве консультанта для NeuroPace, расширенный Бионика, Бостонский научная, Intelect медицинский, St. Jude медицинский и функциональных Neuromodulation.
Acknowledgments
Этот проект был поддержан, Национальный институт здравоохранения грантов UH3, NS095554. Техническая поддержка была оказана центр интегративной биомедицинских вычислений в научных вычислений и визуализации институте и стало возможным отчасти благодаря программное обеспечение, разработанное из низ P41-GM103545, центр комплексного биомедицинских вычислений.
Благодарность распространяется Лекси пол и Натан Galli на научных вычислений и визуализации институт для производства и редактирования видео представления, а также Тереза Линс для оказания помощи в подготовке рукописи.
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).
