Waiting
Login processing...

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

Bioengineering

Dirigidos a los tractos de fibras neuronales para la terapia de estimulación cerebral profunda mediante modelos interactivos, específico para cada paciente

doi: 10.3791/57292 Published: August 12, 2018

Summary

El objetivo de este proyecto es desarrollar un oleoducto de modelado interactivo, específico para cada paciente para simular los efectos de la estimulación cerebral profunda en casi en tiempo real y proveer retroalimentación significativa en cuanto a cómo estos dispositivos influyen en la actividad neuronal en el cerebro.

Abstract

Estimulación cerebral profunda (DBS), que implica la inserción de un electrodo para entregar estimulación a una región localizada del cerebro, es una terapia establecida para trastornos del movimiento y se aplica a un número creciente de trastornos. Modelado computacional se ha utilizado con éxito para predecir los efectos clínicos de la DBS; sin embargo, hay una necesidad de técnicas de modelado de nuevo mantener el ritmo con la creciente complejidad de los dispositivos DBS. Estos modelos también necesitan generar predicciones con rapidez y precisión. El objetivo de este proyecto es desarrollar una canalización de procesamiento de imagen para incorporar la proyección de imagen de resonancia magnética estructural (MRI) y las imágenes de difusión ponderada (DWI) en un modelo interactivo, paciente específico para simular los efectos de DBS. Un plomo DBS virtual puede colocarse dentro del modelo de paciente, junto con contactos activos y configuraciones de estimulación, donde cambios en la posición o la orientación generan una nueva malla de elementos finitos y la solución del problema del campo bioelectric en cerca en tiempo real, un intervalo de tiempo de aproximadamente 10 segundos. Este sistema también permite la simulación de múltiples contactos en proximidad cercana a permitir dirección actual por diferentes ánodos y cátodos en diferentes cables. Las técnicas presentadas en este trabajo reducen la carga de generación y uso de modelos computacionales ofreciendo retroalimentación significativa sobre los efectos de la colocación de los electrodos, electrodo de diseño y configuraciones de estimulación a los investigadores o clínicos que no sean expertos en modelado.

Introduction

Estimulación cerebral profunda (DBS) es una terapia establecida para trastornos del movimiento como el temblor esencial1 y2de la enfermedad de Parkinson. Esta terapia también está siendo investigada como un tratamiento potencial para un número creciente de desórdenes incluyendo lesión de cerebro traumática3, síndrome de Tourette4y depresión5. Los sistemas de DBS requieren implante quirúrgico de una plomo del electrodo para proporcionar la estimulación en una región localizada del cerebro para modular la actividad neuronal continua6. La ubicación de los electrodos y los parámetros de estimulación tiene un efecto sobre la modulación de los circuitos neuronales que proporcionan beneficios terapéuticos. Pequeñas variaciones en la localización pueden afectar a la ventana terapéutica, posiblemente aumentando la probabilidad de efectos secundarios adversos antes de beneficio terapéutico alcanzado7,8,9. En la práctica, a menudo es difícil predecir que la estimulación de efectos tendrá en la actividad de los nervios; por lo tanto, esta ventana de beneficio terapéutico se identifica de forma paciente por paciente, como el dispositivo de estimulación está programado por el médico8,9. Este proceso es cada vez más complejo a medida que nuevas generaciones de dispositivos DBS disponibles. Por ejemplo, plomo nuevos diseños se están introduciendo con más contactos10,11,12, y en algunos casos múltiples contactos están siendo implantados en proximidad cercana a otros13. Por lo tanto, es necesario ser capaces de explorar y predecir los efectos de DBS en un espacio grande y creciente del parámetro.

Análisis y Modelado computacional pueden utilizarse para predecir los efectos fisiológicos y clínicos de DBS con carácter específico para cada paciente. Estos modelos utilizan elementos finitos (FEM) de modelado para construir tres representaciones dimensionales de los tejidos del cerebro y las características biofísicas del electrodo implantado. Modelos de campo bioelectric de FEM se han utilizado con éxito para predecir los efectos de DBS14, pero hasta ahora han sido lentas y costosas computacionalmente para generar. Hay una necesidad de técnicas de modelado de nuevo mantener el ritmo con la creciente complejidad de los dispositivos DBS. Estos modelos específicos del paciente deben proporcionar cerca de información visual en tiempo real sobre los efectos de DBS como plomo o se cambian los parámetros de estimulación. Al usuario obtener información sobre una ubicación de plomo y ajuste de estimulación en unos pocos segundos, lo que permite continuado refinamiento de la colocación de plomo a lo largo de varios minutos. Paciente-especificidad se logra por la incorporación de la anatomía del paciente, forma de su cerebro y tamaño, cuando la FEM y la aplicación de las propiedades biofísicas de su cerebro, tal como conductividad anisotrópica del tejido. Anisotropic conductividad describe cómo la corriente se extenderá a través de regiones diferentes del cerebro y puede medirse de forma no invasiva de todo el cerebro similar a una imagen típica de resonancia magnética (MRI).

DBS modelado métodos que no utilizan información específica del paciente puede proporcionar predicciones rápidas, pero menos precisas de los efectos de estimulación, debido a geometrías generalizadas y valores de la conductividad para el tejido cerebral. En este enfoque, una FEM solo se utiliza para todos los pacientes y la actividad prevista de los nervios puede ser computada por adelantado. Modelos específicos del paciente no pueden ser generalizados y previamente computados desde un FEM nuevo es construido para cada individuo. Estos modelos requieren más esfuerzo para construir, pero puede ser más exacta. Varios factores limitan la velocidad en que estos modelos pueden ser construidos y utilizados: 1) modificando parámetros al principio de la tubería del edificio modelo, como la colocación de los electrodos, requiere esfuerzo manual para actualizar todos los pasos posteriores; y 2) los pasos en el modelado de tubería no están fácilmente integrados uno con el otro, que requieren el paso de datos entre múltiples paquetes de software. A menudo, queremos evaluar diferentes situaciones como la colocación de los electrodos, parámetros de estimulación o diseños de electrodos. Para proporcionar retroalimentación significativa sobre el efecto de estos cambios en el efecto terapéutico que el paciente va a recibir, estos resultados deben ser precisa y generado rápidamente.

Nuestro objetivo es presentar nuevas técnicas de construcción específico para cada paciente modelos que aprovechan la velocidad obtenidos en modelos generalizados y automatizar muchos de los pasos de tubería para crear un entorno de modelado interactivo que proporciona cerca de visuales en tiempo real Comentarios acerca de los efectos de DBS. Una simulación interactiva permite al usuario probar predicciones y obtener resultados rápidamente sin concentrarse en detalles de construcción del modelo. Esto es beneficioso cuando hay un espacio de gran parámetro para explorar y cómo estos parámetros influyen en la simulación son inciertos. A describir los pasos en la canalización de procesamiento para generar modelos FEM interactivos, específico para cada paciente de adquisiciones de la proyección de imagen de resonancia magnética (MRI). Utilizando las herramientas y técnicas descritas en este documento reduce el coste de tiempo para la creación de modelos de campo bioelectric FEM y proporcionan una manera de hacer estos modelos accesibles a los investigadores y los clínicos que no son modelos a expertos.

Este protocolo describe cómo construir un modelo de elementos finitos específico para cada paciente de volúmenes adquiridos de MRI y luego simular el campo eléctrico inducido por un electrodo DBS. Los pasos principales en la creación de estos modelos son: 1) construir un modelo de elementos finitos (FEM) que representa el cerebro del paciente y el electrodo implantado 2) Añadir propiedades biofísicas de los parámetros del dispositivo DBS cerebro y estimulación a la FEM y resuelve la 3) el voltaje generado por el electrodo en el modelo. Dos modalidades de proyección de imagen son necesarios para construir un modelo específico de paciente para la simulación de DBS. Una resonancia magnética de T1 se utiliza para construir segmentaciones de la superficie del cerebro, ventrículos y núcleos específicos. Imágenes de difusión ponderada (DWI), una medida de difusividad de agua, se utilizan para estimar tensores de difusión en el tejido cerebral del15. Los tensores de difusión se convierten en tensores conductividad que cuantificar las propiedades biofísicas inhomogénea, anisotrópicas de los tejidos de un voxel por voxel base16. La distribución de voltaje a través del cerebro inducida por el electrodo se calcula resolviendo la ecuación de Poisson, que mediante la aplicación de FEM se simplifica a un sistema lineal de ecuaciones Ax = b donde A es una matriz de rigidez que representa la conductividad y geometría de la malla, x es la solución de voltaje en cada nodo de la malla, y b es modificado en base a las condiciones de contorno y fuentes de corriente.

Protocol

1. tratamiento de la imagen

  1. T1 Segmentación de MRI
    1. Descargar e instalar FreeSurfer17. Se supone que una resonancia magnética de T1 se ha adquirido y está en formato DICOM o NIFTI.
    2. Escriba el comando siguiente para crear un directorio de pacientes y agregar su volumen T1 en FreeSurfer: recon-all - s patientName -i /Full/Path/To/nii
    3. Tipo el siguiente comando para ejecutar de FreeSurfer automatizado segmentación: recon-all - s patientName-todos
    4. Usar mri_convert para convertir "aseg.auto.mgz" en formato de .mgz propietario de FreeSurfer.
  2. Difusión cargó proyección de imagen (DWI)
    1. Descargar e instalar la máquina de cortar de18. Se supone que una adquisición de DWI se ha realizado y está disponible como una pila de archivos DICOM.
      Nota: Una buena línea de comando herramienta para llevar a cabo esta reconstrucción es la biblioteca de Software FMRIB (FSL)19. FSL en este protocolo se utilizó para realizar eco-planar, de movimiento y corrección de distorsión actual de eddy antes de la reconstrucción. Los datos de DWI utilizados en este análisis están una serie de archivos DICOM de 41 sensibilización difusión gradiente direcciones.
    2. Utilizar el módulo de DWIConverter en la máquina de cortar para reconstruir las 41 adquisiciones independientes en un solo volumen. Especifique el Directorio de datos de Dicom de entrada donde se encuentra los datos de DWI. Seleccione el botón de DicomToNrrd y proporcionar el nombre del volumen DWI.
    3. Crear una máscara de Tensor con el módulo de Difusión ponderada volumen Masking para eliminar ruido de fondo de la estimación de la DTI. Dejar el parámetro de umbral en el valor predeterminado de 0, 5.
    4. Convertir este volumen único de DWI en un volumen de Tensor de difusión (DTI) con el DWI a DTI estimación usando la máscara creada en el paso anterior como la Máscara de Tensor de difusión. Configurar los parámetros de estimación de mínimos cuadrados y asegúrese de que la opción de Cambio de autovalores negativos .
    5. Guardar el nuevo volumen DTI NRRD formato.

2. generación del modelo finitos del elemento

  1. SCIRun
    1. Descargar e instalar SCIRun versión 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun es un entorno para resolver problemas de modelado, simulación y visualización de problemas científicos. Esta es la mesa de trabajo computacional utilizado para crear, resolver e interactuar con el modelo desarrollado en este proyecto.
      Nota: SCIRun las redes son construidas por secuencias de módulos individuales que realizan tareas específicas de conexión. Pasando datos a través de una red de módulos simples permite procesamiento y simulación más complejos.
  2. Construcción de la geometría del electrodo
    Nota: El electrodo modelado en este proyecto es un plomo de DBS de Medtronic 338720. Es un cable cilíndrico con cuatro contactos de 1,5 mm de altura, 1,27 mm de diámetro y espaciado 1,5 mm aparte. Material no conductor separa los cuatro contactos.
    1. Crear una malla de superficie cerrada para cada componente en el plomo DBS que empareja las dimensiones mencionadas. Crear el cable entero mediante dos geometrías primitivas, cilindros y esferas.
      Nota: La geometría de plomo se puede crear en una variedad de programas de modelado 3D.
    2. Crear mallas de superficie de una capa de encapsulación 0,5 mm de espesor que rodea la cabeza entera.
  3. Creación de la malla de todo el cerebro
    1. Carga de la superficie del cerebro creada en la parte 1 para servir como el límite exterior de la FEM.
    2. Crear dos superficies de la caja concéntricos alrededor del plomo DBS para controlar la densidad de la malla alrededor del electrodo.
      Nota: El DBS plomo y caja superficie debe estar alineada a lo largo del eje z positivo con la punta inferior del eje del electrodo situado en el origen. Esto es importante para la posterior rotación y traslación del electrodo.
    3. Crear una nube de puntos con un solo punto en cada región distinta de la malla. Las regiones de la malla son: los segmentos del eje, los cuatro contactos, la caja y la superficie del cerebro. Los valores de estos puntos representan las restricciones de volumen máximo para cada elemento tetraédrico de la malla para la región. Estas limitaciones se ajustan para controlar la densidad de malla en y alrededor del electrodo.
    4. Utilizar el módulo "InterfaceWithTetGen" para crear la malla todo el cerebro. Establecidas en los puertos de entrada:
      Puerto 1: superficie del cerebro (de 1.1)
      Puerto 2: nube de puntos de atributo regional, las limitaciones de volumen (de 2.3.3)
      Puerto 3: ninguno
      Puerto 4: electrodo modelo las superficies (de 2.2)
  4. Colocación del electrodo interactivo
    Nota: El objetivo de este paso es permitir el fácil movimiento del electrodo en cualquier lugar dentro del cerebro y el sistema automáticamente actualizar con una nueva malla y simulación.
    1. Utilizar dos módulos en cascada de CreateGeometricTransform gire el electrodo en el plano X e Y. Haga clic en girar y primer módulo a 1.00 en Eje Y y el segundo a 1.00 en Eje X. El ángulo de rotación se encuentra con el cursor inferior, Gire Theta (grados).
    2. Conexión de un módulo de TransformMeshWithTransform para cada transformación y objeto que necesita ser transformado.
    3. Crear un módulo de GenerateSinglePointProbeFromField y su puerto de geometría se conectan al módulo ViewScene . Mueven la esfera en la ventana de ViewScene manteniendo pulsada la tecla shift y hacer clic izquierdo. El módulo de sonda de punto actualiza ubicación de la esfera sobre el lanzamiento.
      Nota: Esta ubicación se utiliza para determinar la transformación de la traducción aplicada a la geometría del electrodo.
    4. Utilizar un módulo de TransformMeshWithTransform para traducir cada parte de la geometría del electrodo con la ubicación de la sonda de punto.
    5. Se aplican las transformaciones de dos rotación y la traducción desde el widget de sonda de punto a todos los objetos excepto la superficie del cerebro.
      Nota: Los tres de estas transformaciones deben realizarse en cada objeto antes de se canaliza en el módulo InterfaceWithTetGen para que sepa el algoritmo engranando a la geometría del electrodo dentro del cerebro en la nueva ubicación y orientación de la malla. Cada vez que se mueve el electrodo dentro del cerebro se construirá una nueva malla.

3. bioelectric campo cálculo

  1. Ajustando los parámetros de conductividad
    1. El volumen DTI creado en el paso 1 de la carga y ajustar los datos a la salida de malla tetraédrica de InterfaceWithTetGen creado en el paso 2 con la opción de linear('weighted') de MapFieldDataFromSourceToDestination .
      Nota: Cualquier estimación de conductividad anisotrópica puede implementarse en este paso.
    2. Establecer la conductividad de la región de eje a 1e-6 y la región del contacto a 1e6 usando CalculateFieldData. Una vez todos los valores de conductividad, el campo de la pipa en BuildFEMatrix.
  2. Configuración de las fuentes de corriente/tensión y condiciones de límite
    1. Tubería de la superficie del cerebro utilizadas en el proceso de mallado del paso 2 en SetFieldDataToConstantValue y establezca el valor en 0. Esto creará un fregadero de voltaje en la superficie del cerebro entero. Utilizar InsertVoltageSource para poner los valores de tensión en la salida de malla tetraédrica de InterfaceWithTetGen.
    2. Para la estimulación monopolar, crear un único punto en el centro de uno de los lugares de contacto calculando el valor de FieldCenter desde el módulo de ReportFieldInfo en una de las superficies de contacto. Configurar los datos de campo sobre este punto a-1 voltios. Utilizar InsertVoltageSource para colocar el punto de origen en la malla tetraédrica.
      Nota: Ahora hay dos copias de la malla tetraédrica. Uno con valores de tensión en la superficie del cerebro y con un punto de origen dentro de un contacto.
    3. Únete a la salida de los dos módulos de InsertVoltageSource y la salida de tubería en ApplyFEMVoltageSource junto con la salida de BuildFEMatrix.
  3. Resolver el problema hacia adelante
    Nota: La salida de ApplyFEMVoltageSource da la matriz de rigidez en el puerto 1 y la matriz de la derecha en el puerto 2. Estos son los dos componentes necesarios para resolver el sistema de ecuaciones.
    1. Tubo de las dos salidas del ApplyFEMVoltageSource en SolveLinearSystem. Seleccionar el gradiente sobre conjugado problemas de método y Jacobi como el preacondicionador. La salida de este módulo es la matriz de solución, el valor del voltaje en cada nodo de la malla tetraédrica.
    2. Utilice SetFieldData para colocar la matriz de solución de la tensión en la malla tetraédrica para una representación 3D de la distribución de tensión.
  4. Isosuperficies visualización
    1. Tubo el resultado de SetFieldData en ExtractSimpleIsosurface. Abra la interfaz de usuario la ficha de cantidad y establecer el número de isovalores uniformemente espaciados a 10.
    2. Utilizar un módulo ShowField y conectar al módulo de ViewScene para mostrar las isosuperficies como transparente con un mapa de color de arco iris escalado al min y max de la solución de la tensión.

Representative Results

Al final de este protocolo se proporcionan todos los insumos necesarios para crear un modelo específico para cada paciente: la superficie del cerebro, geometría del electrodo y tensores conductividad. SCIRun debe también se ha creado una red que integra a todas las entradas para construir un modelo de elementos finitos y simular el campo bioelectric inducido. El modelo de simulación permite movimiento del electrodo dentro del cerebro y la modificación de parámetros tales como contactos activos o amplitud de estimulación.

Figura 1 se muestra la capacidad de simular y comparar las predicciones de la activación de la fibra a través de múltiples posiciones de los electrodos. Generación de extensiones de la fibra de la proyección de imagen de difusión no fue demostrado en el presente Protocolo, pero este análisis puede realizarse con cualquier método de tractografía determinista. Posición 2 predice una activación más robusta de la fibrado blanco en amplitudes menores de estimulación a través de todos los contactos en comparación a la posición 1. Este análisis se utiliza durante las etapas de planificación de la cirugía DBS para determinar la trayectoria de electrodo que efectivamente estimula la vía de fibra blanco.

Una característica novedosa de este sistema es la capacidad de cambiar rápidamente la geometría del electrodo en el modelo y la capacidad para simular múltiples contactos en proximidad cercana a una otra. Ambos de estos métodos se utilizan para proporcionar un mayor control sobre la forma y dirección del campo eléctrico alrededor del electrodo. La figura 2 ilustra la comparación de fibra activación las predicciones entre una axisimétrico y una direccional que DBS conducir mientras investigaba lugares de plomo para estimular vías centrales talámico fibra y evitando áreas tales como los núcleos sensoriales cercanas . Por la misma trayectoria de electrodo, podemos ver que la direccional delantera es capaz de dirigir la activación de la fibra hacia la región de destino, evitando la estimulación de fibras indeseables. Este análisis puede usarse para determinar cuándo sería necesario cambiar el dispositivo que el paciente reciba terapia DBS evitar estimulación de regiones cercanas que induciría efectos secundarios no deseados. Este enfoque es útil para dirigir el núcleo subtalámico para tratar los síntomas de la enfermedad de Parkinson, evitando la cápsula interna cercana.

Figure 1
Figura 1 : Comparación de la colocación de los electrodos y las predicciones de la activación de fibra blanco. Predicción de la activación del paquete de fibra total para amplitudes de estimulación (-0,5 V a-5.0 V) y todos los cuatro contactos para dos posiciones de los diferentes electrodos. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2 : Comparación de las predicciones de activación de paquete centrales talámico fibra con DBS axisimétrico y direccional conduce. (A) visualización de ambos el DBS de Medtronic 3387 cilíndrico plomo y el Sapiens DBS direccional de plomo con activación de cálculos de función sobre el objetivo centrales talámico fibrado para una amplitud de estimulación monopolar solo. (B) (i) una sección transversal rebanada a través de los paquetes de cable y fibra DBS. (ii) una proyección bidimensional de la superficie transversal con la identificación de la DBS plomo, blanco de fibras y fibras para evitar. (C) la propagación de la activación a través de fibras blanco y fibras de evitación como amplitud de la estimulación aumenta la axisimétrico y direccional DBS plomo. Las fibras activadas para una amplitud de estimulación dado aparecen en rojo, mientras que las fibras activadas no se muestran en azul. (D) una recopilación de todas las simulaciones que se muestra en el panel C, muestra la amplitud del umbral de estímulo previstos en todas las regiones de los paquetes de la fibra. Haga clic aquí para ver una versión más grande de esta figura.

Discussion

Este protocolo ha demostrado técnicas para reducir la carga de tiempo y coste computacional de construir modelos específicos de pacientes para DBS en un grado permite cerca de retroalimentación en tiempo real de resultados de la simulación. Retroalimentación rápida permite la exploración de un espacio de gran parámetro para entender mejor cómo los cambios de parámetro afectan los resultados del modelo. Estos parámetros incluyen plomo ubicación, opción de contactos activos y la amplitud, anchura de pulso y frecuencia de la onda de estimulación en esos contactos. Las características clave de la herramienta propuesta son: 1) una sencilla interfaz de usuario para ajustar los parámetros del modelo con cerca de visualización en tiempo real de cómo estos parámetros influyen en la simulación y 2) automatización de la creación del modelo de un pequeño conjunto de entradas: la superficie del cerebro, tensores de conductividad del tejido cerebral y una representación de la superficie de la geometría del electrodo. Esta automatización acelera la creación de modelos específicos del paciente para muchos individuos que tienen geometrías cerebro diferentes conductividades de tejido así como evaluar los efectos de insertar diseños de electrodos diferentes modelos existentes. Los pasos de preprocesamiento de imagen que se describe en este Protocolo no fueron totalmente automatizados y pueden tomar hasta un día de tiempo de procesamiento. Sin embargo, una vez completado los datos generados a partir de estos pasos se consideran estáticos, lo que significa que esta información no se modifica durante las simulaciones. La automatización de la creación del modelo surge de la capacidad del sistema para aplicar estos datos a la FEM del paciente específico sin esfuerzo manual. La red de SCIRun para llevar a cabo todos los de la generación de modelos, simulación, pasos de visualización sólo necesita ser construido una vez. Por lo tanto, sólo en los pasos de preprocesamiento de imagen necesitan realizar otra vez para generar un modelo específico para cada paciente para un paciente entrante.

La ganancia de rendimiento en la generación de resultados de la tubería de modelado es la integración de la generación de mallas, campo bioelectric cálculos y visualización de la solución en un entorno de software único. Técnicas actuales de modelado tales como generación de mallas adaptativo se utilizaron para crear mayor malla densidad alrededor del electrodo y una densidad más baja más lejos el electrodo que reduce el tiempo para construir y resolver la FEM. El software, SCIRun, también permite la automatización de la generación de mallas y cálculos de campo bioeléctrico. Movimiento definido por el usuario del electrodo usando los widgets interactivos desencadena la construcción de una nueva malla con la colocación de los electrodos actualizado. Esto incluye la modificación de las condiciones de contorno y valores de la conductividad para la nueva colocación de los electrodos.

La geometría del electrodo es tratada como un objeto de libre movimiento dentro del volumen del cerebro antes de que su posición está integrada en el FEM. Una implicación fundamental de este enfoque para la construcción de la malla es que múltiples electrodos pueden insertarse fácilmente en el modelo. Por ejemplo, una segunda copia de la geometría del electrodo puede colocarse varios milímetros de distancia y ambos se incluirán en el FEM. En investigaciones recientes, se han implantado dos electrodos en proximidad cercana a tratar la esclerosis múltiple temblor13 y se han utilizado en experimentos de primates no humanos para explorar la estimulación eficaz objetivos21. El beneficio del uso de electrodos múltiples es proporcionar mejor control del campo eléctrico generado en el tejido en un área más grande. Estimular con contactos activos en ambos electrodos puede dirigir actual hacia la región de destino y de las regiones que daría lugar a efectos secundarios negativos. Un control más fino de la estimulación sobre un área más grande también es útil para explorar lugares de estimulación diferentes cuando la ubicación exacta de lo objetivo es desconocida, como es el caso con muchas de las aplicaciones emergentes de la terapia de DBS. Sin embargo, determinar los parámetros para lograr la estimulación terapéutica es más difícil que un solo electrodo debido al aumento en un espacio de parámetros ya grandes.

Esperamos que esta herramienta de modelado interactivo podría proporcionar beneficios durante la planificación pre-operatoria para implante de DBS. Comentarios sobre el grado de estimulación en el tejido cerebral pueden permiten a los cirujanos modificar la ubicación de electrodos en su plan quirúrgico para proporcionar la estimulación terapéutica a la región de destino. Mientras que la terapia DBS fue el factor motivador primario para el desarrollo de esta herramienta, las técnicas presentadas en este trabajo se pueden aplicar a cualquier modelo de bioelectric campo FEM con estimulación diferentes o paradigmas de la grabación. Terapias de estimulación como la estimulación por corriente directa transcraneal para la depresión22 o el uso de electrodos de profundidad para el tratamiento de la epilepsia23 comparten los mismos desafíos que DBS en la determinación de la mejor ubicación de estimulación para lograr resultados terapéuticos. Electrocorticografía, una técnica de grabación con arreglos de electrodos en la superficie del cerebro para identificar regiones de inicio de convulsión, tiene el reto de determinar dónde colocar los electrodos para grabar en las regiones de objetivo en el cerebro24. Todas estas aplicaciones dependen de la colocación de los electrodos mientras que trata con la incertidumbre de cómo fluye la corriente a través del tejido de cerebro. Las técnicas presentadas en este trabajo reducen la carga de generación y uso de modelos computacionales ofreciendo retroalimentación significativa para los investigadores y clínicos que usan estos dispositivos que no son expertos en modelado.

Disclosures

Christopher R. Butson, Ph.D. ha desempeñado como consultor para NeuroPace Advanced Bionics, Boston Scientific, Intelect Medical, St. Jude Medical y neuromodulación funcional.

Acknowledgments

Este proyecto fue apoyado por el Instituto Nacional de salud subvenciones UH3, NS095554. Asistencia técnica fue proporcionada por el centro para la informática biomédica integrativa en la computación científica y la proyección de imagen de Instituto y fue posible en parte por el software desarrollado de NIH P41-GM103545, centro de integración biomédica informática.

Agradecimiento se extiende a Lexie piso y Nathan Galli en la computación científica y la proyección de imagen Instituto de producción y edición de la presentación de video y también a Theresa Lins para asistencia con la preparación del manuscrito.

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).
Dirigidos a los tractos de fibras neuronales para la terapia de estimulación cerebral profunda mediante modelos interactivos, específico para cada paciente
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