Waiting
Login processing...

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

Bioengineering

Etkileşimli, hastanın özel modelleri kullanarak derin beyin stimülasyonu tedavisi için nöronal Fiber yolları hedefleme

doi: 10.3791/57292 Published: August 12, 2018

Summary

Bu projenin amacı yakın gerçek zamanlı derin beyin stimülasyonu etkilerini simulate ve nasıl bu cihazlar beyindeki sinirsel aktivite etkisi olarak anlamlı geribildirim vermek bir etkileşimli, hastaya özgü modelleme boru hattı geliştirmektir.

Abstract

Stimülasyon bir yerelleştirilmiş beyin bölgesine sunmak için bir elektrot yerleştirilmesi içerir, derin beyin stimülasyonu (DBS), hareket bozuklukları için kurulan bir terapi ve bozuklukları, giderek artan sayıda için uygulanmaktadır. Sayısal modelleme başarıyla DBS klinik etkilerini tahmin etmek için kullanılmıştır; Ancak, roman modelleme teknikleri ile DBS cihazların karmaşıklığı büyüyen uydurmak ihtiyaç vardır. Bu modeller de hızlı ve doğru Öngörüler oluşturmak için gerekir. Bu projenin amacı yapısal manyetik rezonans görüntüleme (MRG) ve difüzyon ağırlıklı görüntüleme (DAG) DBS etkilerini simulate için bir etkileşimli, hasta belirli modeli dahil etmek için bir görüntü işleme boru hattı geliştirmektir. Sanal bir DBS kurşun etkin kişiler ile birlikte hasta modeli içinde yerleştirilebilir ve stimülasyon ayarları, nerede kurşun pozisyon veya yönlendirme değişiklikleri oluşturmak yeni sonlu elemanlar mesh ve biyo-elektrik alan sorunun çözümü yakın gerçek zamanlı, bir TimeSpan yaklaşık 10 saniye. Bu sistem ayrıca değişen anotlar ve farklı müşteri adayları üzerinde katotlar tarafından geçerli direksiyon için izin vermek için birbirine yakın birden çok müşteri adayları simülasyonu sağlar. Bu raporda sunulan teknikleri üretme ve araştırmacılar veya klinisyenler için elektrot konum, elektrot tasarım ve stimülasyon yapılandırmaları etkileri hakkında anlamlı görüş sağlarken Hesaplamalı modelleri kullanarak yükünü azaltmak Kim modelleme uzman olmayabilir.

Introduction

Derin beyin stimülasyonu (DBS) hareket bozuklukları gibi esansiyel tremor1 ve Parkinson hastalığı2için kurulan bir tedavi yöntemidir. Bu tedavi ayrıca bozuklukları travmatik beyin hasarı3, Tourette sendromu4ve depresyon5de dahil olmak üzere, giderek artan sayıda için potansiyel bir tedavi olarak araştırılıyor. DBS sistemleri Cerrahi stimülasyon devam eden sinirsel aktivite6modüle için yerelleştirilmiş beyin bölgesi içinde teslim etmek için bir elektrot kurşun implantasyonu gerektirir. Elektrotlar ve stimülasyon parametrelerin konumunu terapötik yarar sağlamak nöronal devreler oransal üzerinde bir etkisi var. Konum küçük değişimler terapötik yarar elde7,8,9olmadan muhtemelen olumsuz yan etkiler olasılığı artan tedavi pencere etkileyebilir. Uygulamada, etkileri stimülasyon sinirsel aktivite üzerinde olacak tahmin etmek zordur; Sonuç olarak, stimülasyon aygıt klinisyen8,9tarafından programlanmış gibi bu pencere terapötik yarar bir hasta hasta olarak tanımlanır. Bu işlem, DBS cihazlar yeni kuşak kullanıma sunulduğunda daha karmaşık hale geliyor. Örneğin, yeni müşteri adayı tasarımlar daha fazla kişiler10,11,12ile tanıtıldı ve bazı durumlarda birden fazla müşteri adayları yakın bir başka13implante. Bu nedenle, keşfetmek ve DBS etkileri geniş ve büyüyen parametre araziye tahmin edebilmek için ihtiyaç vardır.

Bilgisayar modellemesi ve Analizi DBS fizyolojik ve klinik etkileri hastaya özel olarak tahmin etmek için kullanılabilir. Bu modeller sonlu elemanlar modelleme (FEM) beyin dokusunun üç boyutlu temsilcilikleri ve implante elektrot biyofiziksel özellikleri oluşturmak için kullanın. FEM biyo-elektrik alan modeller başarıyla DBS14etkilerini tahmin etmek için kullanılan, ama şu ana kadar bunlar hesaplama açısından üretmek pahalı ve zaman alıcı olmuştur. Roman modelleme teknikleri ile DBS cihazların karmaşıklığı büyüyen uydurmak ihtiyaç vardır. Bu hastaya özgü modeller yakınındaki DBS kurşun konum olarak etkileri üzerinde gerçek zamanlı görsel geribildirim vermelidir veya stimülasyon parametreleri değiştiriliyor. Kullanıcı geribildirim sağlama ile ilgili elde etmek ve stimülasyon ayarını etkinleştirme birkaç saniye içinde kurşun yerleşim arıtma birkaç dakika boyunca devam etti. Hasta-özgüllük hastanın anatomi, kendi beynin şekli ve boyutu, FEM oluştururken birleştiren ve anizotropik doku iletkenlik gibi onların beyin biyofiziksel Özellikler uygulanıyor elde edilir. Yönbağımlı iletkenlik nasıl geçerli farklı beyin bölgelerini yayılır ve non-invaziv bir tipik manyetik rezonans görüntüsü (MRI) benzer tüm beyin için ölçülebilir açıklar.

Hastaya özgü bilgileri kullanmayın yaklaşımlar modelleme DBS Genelleştirilmiş geometrileri ve iletkenlik değerleri için beyin dokusu nedeniyle stimülasyon etkileri hızlı, ama daha az doğru Öngörüler sağlayabilir. Bu yaklaşım, tek bir dişi tüm hastalar için kullanılır ve tahmin edilen sinirsel aktivite önceden hesaplanabilir. Hastaya özgü modelleri yaygın ve yeni bir dişi her birey için inşa beri önceden hesaplanan. Bu modeller oluşturmak için daha fazla çaba gerektiren ama daha doğru olabilir. Çeşitli faktörler, bu modelleri inşa ve kullanılan hız sınırı: 1) modeli yapı boru hattı, elektrot konum gibi başında parametreleri değiştirmek tüm sonraki adımları; güncellemek için el ile çaba gerektirir ve 2) modelleme boru hattı adımda kolayca birbirleri ile veri geçen birden fazla yazılım paketleri arasında gerektiren entegre olmayan. Çoğu zaman, elektrot konum, stimülasyon parametreleri ve elektrot tasarımlar gibi birçok farklı durum değerlendirmek istiyorum. Bu değişiklikleri hasta alacaksınız tedavi edici etkiye sahip etkisi hakkında anlamlı görüş bildirmek için bu sonuçları hızlı bir şekilde hatasız ve oluşturulmuş olmalıdır.

Amacımız hız yararlanmak hastaya özgü modeller Genelleştirilmiş modellerinde elde edilen bina ve gerçek zamanlı görsel sağlar bir etkileşimli modelleme ortamı oluşturmak için boru hattı adımlardan otomatikleştirme için yeni teknikler sunmaktır DBS etkileri hakkında geribildirim. Bir etkileşimli simülasyon Öngörüler sınamak ve sonuçları hızlı bir şekilde modeli inşaat detaylarını üzerinde odaklanarak olmadan elde etmek bir kullanıcı izin verir. Keşfetmek için bir büyük parametre alanı ve bu parametrelerin simülasyon etkisi nasıl belirsiz olduğunda faydalıdır. Manyetik rezonans görüntüleme (MRG) alımları interaktif, hastanın özel FEM modelleri oluşturmak için işleme boru hattı adımlarda anlatacağız. Bu raporda açıklanan teknikleri ve araçları kullanan FEM biyo-elektrik alan modelleri oluşturmak için zaman maliyetini azaltmak ve bu modeller araştırmacılar ve uzmanlar modelleme değil klinisyenler için erişilebilir hale getirmek için bir yol sağlar.

Bu iletişim kuralı, edinsel MRI birimleri hastaya özgü sonlu elemanlar modelinden oluşturduğunuz ve DBS elektrot tarafından indüklenen elektrik alanı benzetimini yapmak açıklar. Bu modellerin oluşturulmasında ana adımlar: 1) hastanın beyin ve implante elektrot temsil eden bir sonlu elemanlar modeli (FEM) oluşturmak, 2) için FEM DBS aygıt beyin ve stimülasyon parametrelerin biyofiziksel özellikleri eklemek ve 3) çözmek için Elektrot modelindeki tarafından üretilen gerilim. İki görüntüleme yöntemleri DBS simülasyon hasta belirli bir modeli oluşturmak için ihtiyaç vardır. Bir T1 Mr segmentations beyin yüzey, ventrikül ve belirli hücre çekirdeği oluşturmak için kullanılır. Difüzyon ağırlıklı görüntüleme (DAG), bir ölçü su Yayınım, difüzyon tensors beyin doku15boyunca tahmin etmek için kullanılır. Difüzyon tensors doku üzerinde bir Voksel inhomogeneous, anisotropic biyofiziksel özellikleri ölçmek iletkenlik tensors Voksel olarak16tarafından dönüştürülür. Gerilim dağıtım elektrot tarafından uyarılan beyin boyunca FEM uygulanması yoluyla denklemler doğrusal bir sisteme basitleştirir Poisson denklem çözme tarafından hesaplanan Ax = b A bir sertlik matris nerede bu iletkenlik temsil eder ve mesh geometrisini, x voltaj mesh her düğümdeki çözümdür ve b sınır koşulları ve mevcut kaynaklara göre değiştirilir.

Protocol

1. görüntü işleme

  1. T1 MRI segmentasyon
    1. Karşıdan yükleyip FreeSurfer17. Bu bir T1 Mr satın alınmıştır ve DICOM veya NIFTI biçiminde olduğu varsayılır.
    2. Hasta bir dizin oluşturun ve onların T1 birim FreeSurfer içinde eklemek için aşağıdaki komutu yazın: recon-all - s patientName -i /Full/Path/To/nii
    3. FreeSurfer'ın çalıştırmak için aşağıdaki komutu yazın otomatik bölümleme: recon-all - s patientName-tüm
    4. "Aseg.auto.mgz" FreeSurfer'ın özel .mgz biçimi dışında dönüştürmek için mri_convert kullanın.
  2. Difüzyon ağırlıklı görüntüleme (DAG)
    1. Karşıdan yükleyip dilimleyici18. Bu DWI edinme sahne aldı ve DICOM dosya yığını olarak kullanılabilir varsayılır.
      Not: Bu yeniden yapılanma gerçekleştirmek için bir iyi komut satırı aracı FMRIB yazılım kitaplığı (FSL)19yaşında. FSL yankı düzlemsel, gerçekleştirmek için bu protokol için kullanılan hareket ve eddy geçerli deformasyon düzeltme yeniden yapılanma önce. Bu analizde kullanılan DWI 41 farklı difüzyon duyarlılığı gradyan yönleri için DICOM dosyaları bir dizi veridir.
    2. DWIConverter modülü Dilimleme 41 ayrı satın almalar tek bir hacim içine yeniden oluşturmak için kullanın. DWI veri olduğu Giriş DICOM veri dizini belirleyin. DicomToNrrd radyo düğmesini seçin ve çıkış DWI ses adını sağlayın.
    3. DTI tahmini arka plan gürültü ortadan kaldırmak için Difüzyon ağırlıklı ses maskeleme modülü ile bir tansör maskesi oluşturun. Eşik parametreyi 0,5 varsayılan olarak bırakın.
    4. Bu tek DWI birimi Difüzyon tensör maskeolarak önceki adımda oluşturduğunuz maskesi kullanarak DTI tahmini için DWI ile difüzyon tensör (DTI) birimine dönüştürün. En küçük kareler tahmin parametrelerini ayarlamak ve Shift negatif Eigenvalues seçeneğinin seçili olduğundan emin olun.
    5. Yeni oluşturulan DTI birim NRRD biçiminde kaydedin.

2. sonlu elemanlar Model oluşturma

  1. SCIRun
    1. Karşıdan yükleyip SCIRun sürüm 5 (http://www.sci.utah.edu/software/scirun.html). SCIRun modelleme, simülasyon ve görselleştirme bilimsel sorunlar için sorun giderme bir ortamdır. Oluşturmak, çözmek ve bu projede geliştirilen model ile etkileşim için kullanılan hesaplama tezgah bu.
      Not: Belirli görevleri gerçekleştiren bireysel modülleri dizisi bağlanarak SCIRun ağlar inşa edilir. Basit modüllerin yapılmış bir ağ üzerinden veri geçirerek daha karmaşık işleme ve simülasyonu sağlar.
  2. Elektrot geometri bina
    Not: Bu projede örnek alınarak elektrot Medtronic 3387 DBS kurşun20' dir. Bu dört kişilerin 1,5 mm içinde yükseklik, 1,27 mm çapında ve 1.5 mm arayla aralıklı silindirik bir kurşun var. Sigara iletken malzeme dört kişilerin ayırır.
    1. Her bileşen için kapalı yüzey kafes listelenen boyutları eşleşen DBS kurşun oluşturun. Tüm müşteri adayı iki temel geometrileri, silindir ve küreler kullanarak oluşturun.
      Not: 3D modelleme programları çeşitli kurşun geometri oluşturulabilir.
    2. Bir encapsulation katman 0,5 mm tüm müşteri adayı çevreleyen kalın yüzey bir kafes oluşturmak.
  3. Tüm beyin kafes oluşturma
    1. Bölüm 1 FEM. dış sınır hizmet etmek için oluşturulan beyin yüzey yük
    2. Kafes yoğunluğu elektrot çevresinde denetlemek için DBS kurşun çevreleyen iki konsantrik kutusu yüzeyler oluşturun.
      Not: DBS kurşun ve kutu yüzey uyumlu pozitif z ekseni köken bulunan elektrot mili alt ucu ile. Bu daha sonra döndürme ve olan elektrot için önemlidir.
    3. Bir nokta bulutu mesh her ayrı bölgesinde bulunan tek bir noktadan oluşturun. Mesh bölgeler şunlardır: şaft kesimleri, dört kişiler, kutu ve beyin yüzey. Bu noktalara bağlı değerler bu bölge için kafes dörtyüzlü her öğe için en büyük birim kısıtlamaları gösterir. Bu kısıtlamalar kafes yoğunluğu içinde ve çevresinde elektrot denetlemek için ayarlanır.
    4. "InterfaceWithTetGen" modül tüm beyin kafes oluşturmak için kullanın. Giriş bağlantı noktası aşağıdaki gibi ayarlayın:
      Bağlantı noktası 1: beyin yüzeyden (1.1)
      Bağlantı noktası 2: bölgesel öznitelik nokta bulutu, birim kısıtlamaları (üzerinden 2.3.3)
      Bağlantı noktası 3: hiçbiri
      Bağlantı noktası 4: elektrot modeli yüzeyler (2,2)
  4. Etkileşimli elektrot yerleştirme
    Not: Bu adımın amacı elektrot beyin içinde herhangi bir yerde kolay hareket etkinleştirmek ve otomatik olarak yeni mesh ve simülasyon ile güncelleme sistemine sahip olmaktır.
    1. İki basamaklı CreateGeometricTransform modülleri X ve Y düzlemdeki elektrot döndürmek için kullanın. Üzerinde Döndür ' ü tıklatın ve ilk modülü Eksen Y ve ikinci Eksenix 1,00 1,00 için ayarlayın. Döndürme açısını alt kaydırıcıyı ile Teta döndürme (derece)ayarlanır.
    2. Her dönüşüm ve dönüştürülmesi için ihtiyacı nesnesi için bir TransformMeshWithTransform modülüne bağlanın.
    3. Bir GenerateSinglePointProbeFromField modül oluşturun ve ViewScene modülü, geometri bağlayınız. Küre ViewScene penceresinde üst karakter tuşunu basılı tutarak ve sol hareket etme. Noktası sonda modülü sürüm üzerine kürenin konumu güncelleştirir.
      Not: Bu konum elektrot geometriye uygulanan çeviri dönüştürme belirlemek için kullanılır.
    4. TransformMeshWithTransform modülü her parçası noktası sonda konumunu elektrot geometriyle çevirmek için kullanın.
    5. İki döndürme dönüşümleri ve nokta sonda widget üzerinden çeviri beyin yüzeyi dışında her nesne için geçerlidir.
      Not: meshing algoritması elektrot geometri yeni konumunu ve yönünü, beyin içinde kafes bilmesi InterfaceWithTetGen modülüne içe borulu önce bu dönüştürmeler üç her nesne üzerinde gerçekleştirilmesi gerekiyor. Elektrot beyin içinde taşınır her zaman yeni bir kafes inşa edilecek.

3. biyo-elektrik alan hesaplama

  1. İletkenlik parametrelerini ayarlama
    1. Adım 1'de oluşturduğunuz DTI birim yük ve InterfaceWithTetGen MapFieldDataFromSourceToDestination ile linear('weighted') seçeneğini kullanarak 2. adımda oluşturduğunuz veri dörtyüzlü kafes çıkış üzerine kümeden.
      Not: Bu adımda herhangi bir anizotropik iletkenlik tahmini uygulanabilir.
    2. Şaft bölge iletkenlik 1e-6 ve 1e6 temas bölgesine CalculateFieldDatakullanarak ayarlayın. İletkenlik değerlerini ayarladığınızda, alan BuildFEMatrixboru.
  2. Akım/gerilim kaynakları ve sınır koşulları ayarlama
    1. Boru beyin yüzey meshing işleminin adım 2 SetFieldDataToConstantValue kullanılan ve değerini 0olarak ayarlayın. Bu-ecek yaratmak bir gerilim lavabo tüm beyin yüzeyinde. O zaman InsertVoltageSource InterfaceWithTetGendörtyüzlü kafes çıktısı voltaj değerleri yerleştirmek için kullanın.
    2. Monopolar stimülasyon için tek bir noktadan kişi yerlerinden biri ortasında bir temas yüzeyleri üzerinde ReportFieldInfo modülü FieldCenter değerinden hesaplayarak oluşturun. Bu noktada-1 volt alan veri kümesi. O zaman InsertVoltageSource dörtyüzlü kafes noktası kaynak eklemenizi sağlar.
      Not: Şimdi dörtyüzlü kafes iki kopyası vardır. Bir küme beyin yüzey ve bir kişi içinde bir nokta kaynağı ile gerilim değerleri ile.
    3. İki InsertVoltageSource modülleri çıkış katılın ve Boru çıkış ApplyFEMVoltageSource BuildFEMatrixüretimi ile birlikte.
  3. İleri Problem çözme
    Not: Sertlik matris bağlantı noktası 1 ve 2 numaralı bağlantı noktasında sağ tarafta matris ApplyFEMVoltageSource çıktısını verir. Bu Denklemli sistemi çöz için gerekli iki bileşeni vardır.
    1. ApplyFEMVoltageSource iki çıkışlarını SolveLinearSystemboru. Eşlenik çözme yöntemi ve preconditioner olarak Jacobi degrade seçin. Bu modül çözüm matris, gerilim değeri dörtyüzlü kafes içinde her düğümdeki çıktı.
    2. SetFieldData gerilim dağıtım 3D temsili için dörtyüzlü kafes üzerine gerilim çözüm matris eklemenizi sağlar.
  4. Isosurface görselleştirme
    1. SetFieldData sonucu ExtractSimpleIsosurfaceboru. Miktar sekmesine Kullanıcı arabirimini açın ve eşit aralıklı eşdeğerleri sayısını 10'a ayarlayın.
    2. ShowField modülü kullanmak ve Isosurfaces şeffaf bir gökkuşağı renkli harita dk ölçekli ve maksimum gerilim çözüm olarak görüntülemek için ViewScene modülü takın.

Representative Results

Bu iletişim kuralı sonunda tüm hasta özel model oluşturmak için gerekli girdilerin sağlanır: beyin yüzeyinde, elektrot geometri ve iletkenlik tensors. SCIRun ağ aynı zamanda tüm girdilerin bir sonlu elemanlar modeli oluşturmak ve indüklenen biyo-elektrik alan taklit entegre oluşturulmuş olmalıdır. Simülasyon modeli etkin kişiler veya stimülasyon genlik gibi parametreleri modifikasyonu ve beyin içinde elektrot hareketine olanak sağlar.

Şekil 1 taklit ve birden fazla elektrot pozisyonları arasında fiber harekete geçirmek Öngörüler karşılaştırmak yeteneği gösterir. Fiber yolları üzerinden difüzyon görüntüleme nesil bu protokol için gösterilmiştir değil ancak bu analiz herhangi bir deterministik tractography yöntemi ile gerçekleştirilebilir. Pozisyonu 2 1 konumuna göre tüm kişiler arasında hedef fiber paket daha düşük stimülasyon genlikleri de daha sağlam bir aktivasyon öngörür. Bu analiz DBS cerrahi planlama aşamalarında etkili bir şekilde hedef fiber yolu teşvik edecek elektrot yörünge belirlemek için kullanılır.

Bu sistem bir roman özelliği hızlı bir şekilde elektrot geometri modelindeki geçiş yapma yeteneği ve birbirine yakın birden çok müşteri adayları taklit yeteneği var. Bu yaklaşımların her iki şekli ve elektrot çevresinde elektrik alanının direksiyon üzerinde daha fazla denetim sağlamak için kullanılır. Şekil 2 DBS kurşun mekanlar araştırırken merkezi talamik fiber yolları ve duyusal çekirdeği gibi alanlarda yakın kaçmak uyarmak için neden fiber harekete geçirmek Öngörüler arasında bir axisymmetric ve bir yönlü karşılaştırmasını gösterir . Aynı elektrot yörünge için yön kurşun fiber harekete geçirmek istenmeyen liflerin uyarılması kaçınırken hedefi bölge doğru yönlendirmek mümkün olduğunu görebilirsiniz. Bu analizin ne zaman hasta istenmeyen yan etkileri neden yakın bölgeler uyarılması önlemek DBS terapisi için almak aygıtı değiştirmek için gerekli olacak belirlemek için kullanılabilir. Bu yaklaşım yakın iç kapsül kaçınırken Parkinson hastalığı, belirtileri tedavisi için subthalamic çekirdeği hedefleme için yararlıdır.

Figure 1
Resim 1 : Elektrot konumu ve hedef fiber etkinleştirme öngörüleri karşılaştırılması. Stimülasyon genlikleri (-5.0 V için V -0,5) için toplam lif paket harekete geçirmek ve tüm dört kişiler iki farklı elektrot pozisyonları için tahmin. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 2
Resim 2 : Axisymmetric ve yön DBS ile merkezi talamik fiber paket harekete geçirmek predictions karşılaştırma açar. (A) her ikisi de görselleştirme Medtronic 3387 silindirik DBS Sapiens yönlü DBS işlevi hesaplamaları hedef merkezi talamik fiber paket için bir tek monopolar stimülasyon genlik üzerinde etkinleştirme ile kurşun ve. (B) (ı) bir kesitsel dilim DBS kurşun ve lif demetleri ile. (II) kesit alanı iki boyutlu bir projeksiyon DBS tanımlaması ile kurşun, elyaf ve iplikleri önlemek için hedef. (C) hem axisymmetric hem de yön için etkinleştirme hedef lifleri ve kaçınma stimülasyon genlik olarak liflerinin yayılması artar DBS yol. Etkin lifleri mavi renkle gösterilir iken verilen uyarım genlik için aktif lifler kırmızı renkte gösterilir. (D) tüm simülasyonlar C, tahmin edilen stimülasyon eşik genlik lif demetleri tüm bölgeler arasında gösterilen panelinde gösterilen bir derleme. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Discussion

Bu protokol zaman yükünü azaltmak için teknikleri göstermiştir ve hasta belirli modeller için DBS bir dereceye kadar bu binanın hesaplama maliyet simülasyon sonuçlarının gerçek zamanlı geribildirim sağlar. Hızlı geribildirim parametre değişiklikleri modeli sonuçlar nasıl etkilediğini daha iyi öğrenmek için bir büyük parametre alan arama sağlar. Bu parametreler kurşun konumu, etkin kişiler, seçimi ve genlik, darbe genişliği ve bu kişiler, stimülasyon dalga frekans içerir. Önerilen araç temel özellikleri şunlardır: 1) A sade kullanıcı arayüzey yakınındaki bu parametrelerin simülasyon ve 2) otomasyon modeli oluşturma girişleri küçük bir dizi etkisi nasıl gerçek zamanlı görselleştirme ile modeli parametreleri ayarlamak için: beyin yüzey beyin dokusu iletkenlik tensors ve elektrot geometri yüzey gösterimi. Bu Otomasyon hastaya özgü modellerinin oluşturulması için farklı beyin geometrileri ve doku iletkenlikleri yanı sıra farklı elektrot tasarımlar mevcut modelleri içine ekleme etkilerini değerlendirmek sahip birçok kişi hızlandırır. Bu protokol için açıklanan görüntü ön işleme adımları ve tam otomatik ve işlem süresi için bir gün sürebilir. Ancak, bir kez bu adımlardan oluşturulan verilerin statik, bu veri simülasyonlar sırasında değiştirilmez anlam değerlendirilir. Model oluşturma otomasyon sistem hasta özel FEM el ile çaba olmadan bu verileri uygulamak yeteneği kaynaklanmaktadır. Tüm model oluşturma, simülasyon, görselleştirme adımları gerçekleştirmek için SCIRun ağ yalnızca bir kez inşa gerekir. Bu nedenle, yalnızca görüntü ön işleme adımı tekrar gelen bir hasta için hasta özel modeli oluşturmak için gerçekleştirilmesi gerekir.

Kafes üretimi, biyo-elektrik alan hesaplamaları ve çözüm görselleştirme içine bir tek yazılım ortamı entegrasyon sonuçlarını modelleme boru hattından üreten içinde performans kazanç kaynaklanmaktadır. Adaptif kafes üretimi kullanılan gibi daha yüksek oluşturmak için varolan modelleme teknikleri yoğunluğu elektrot çevresinde ve inşa ve FEM. çözmek için zaman azaltan elektrot daha düşük yoğunluk mesh Yazılım, SCIRun, Ayrıca Otomasyon ağ oluşturma ve biyo-elektrik alan hesaplamalar sağlar. Kullanıcı tanımlı hareketin etkileşimli widget kullanarak elektrot Güncellenme Zamanı elektrot konumu ile yeni bir ağ inşaatı tetikler. Bu sınır koşulları ve iletkenlik değerleri yeni elektrot pozisyon için değiştirme içerir.

Konumuna FEM. entegre önce elektrot geometri beyin hacmi içinde özgür hareket eden bir nesne olarak ele alınır Kafes yapımı için bu yaklaşımın anahtar implication birden çok elektrotlar modele kolayca eklenebilir var. Örneğin, elektrot geometri ikinci bir kopyasını birkaç milimetre yerleştirilebilir ve her ikisi de FEM. içinde eklenecektir Son araştırmada, multipl skleroz sarsıntı13 tedavi etmek ve insan dışı primat deneylerde etkili stimülasyon hedefleri21keşfetmek için kullanılan birbirine yakın iki elektrot implante edilmiştir. Birden çok elektrotlar kullanmanın yararları daha iyi kontrol doku daha büyük bir alan üzerinde üretilen elektrik alanı sağlamaktır. Her iki elektrot üzerinde etkin kişiler ile uyarıcı geçerli hedef bölgeye doğru ve uzak yan etkisi için yol açacak bölgeleri yönlendirmek olabilir. Stimülasyon daha büyük bir alan üzerinde daha hassas kontrol da çoğu gelişmekte olan terapi uygulamalarından biri DBS ile olduğu gibi hedef tam konumu bilinmiyor farklı stimülasyon yerleri keşfetmek yararlıdır. Ancak, tedavi edici stimülasyon ulaşmak için parametrelerin belirlenmesi bir zaten büyük parametre alanı artış nedeniyle tek bir elektrot daha zorlu olur.

Biz bu etkileşimli modelleme aracı pre-operative DBS implantasyon için planlama sırasında fayda sağlayabilir öngörülüyor. Beyin doku stimülasyon ölçüde hakkında geribildirim cerrahlar için hedef bölgeyi tedavi edici stimülasyon sağlamak için onların cerrahi planında elektrot konumunu değiştirmek izin verebilirsiniz. DBS terapi Bu araç geliştirmek için birincil motive edici faktör iken, bu raporda sunulan teknikleri içeren farklı uyarılma veya kayıt paradigmalar FEM biyo-elektrik alan modeli uygulanabilir. Stimülasyon elde etmek için en iyi yer belirlemede DBS olarak aynı sorunlar Transkraniyal doğru akım stimülasyon depresyon22 ya da23 epilepsi tedavisi için derinlik elektrotlar kullanımı için gibi stimülasyon terapiler paylaşmak tedavi sonuçları. Electrocorticography, elektrotlar nöbet başlangıçlı bölgeleri tanımlamak için beynin yüzeyinde bir dizi kayıt teknikle beyin24hedef bölgelerde kaydetmeye elektrotlar yerleştirileceği yeri belirleme meydan vardır. Tüm bu uygulamaların nasıl beyin doku ile akım akar elektrot konumda belirsizlik ile ilgili süre bağlı. Bu raporda sunulan teknikleri üretme ve araştırmacılar ve klinisyenler modelleme uzmanları olmayan bu aygıtları kullanan için anlamlı geribildirim sağlama sırasında Hesaplamalı modelleri kullanarak yükünü azaltmak.

Disclosures

Christopher R. Butson, doktora NeuroPace, gelişmiş biyonik, Boston bilimsel, Intelect tıp, St. Jude Medikal ve fonksiyonel Neuromodulation için bir danışman olarak hizmet vermiştir.

Acknowledgments

Bu projenin Ulusal Enstitüsü, sağlık hibe UH3 tarafından NS095554 destek verdi. Teknik destek bilimsel hesaplama ve görüntüleme Enstitüsü bütünleştirici biyomedikal bilgi işlem merkezi tarafından sağlanan ve kısmen tarafından geliştirilen NIH P41-GM103545 üzerinden, merkezi bütünleştirici Biyomedikal bilgisayar yazılımı mümkün yapıldı.

Şükran Lexie zemin ve Nathan Galli bilimsel hesaplama ve görüntüleme Enstitüsü üretim ve sunulması video düzenleme ve aynı zamanda Theresa Lins el yazması hazırlık konusunda yardım almak için genişletilir.

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).
Etkileşimli, hastanın özel modelleri kullanarak derin beyin stimülasyonu tedavisi için nöronal Fiber yolları hedefleme
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