Paciente específico Modelagem do Coração: Estimativa de Orientações de fibra ventriculares

Bioengineering

Your institution must subscribe to JoVE's Bioengineering section to access this content.

Fill out the form below to receive a free trial or learn more about access:

Welcome!

Enter your email below to get your free 10 minute trial to JoVE!





We use/store this info to ensure you have proper access and that your account is secure. We may use this info to send you notifications about your account, your institutional access, and/or other related products. To learn more about our GDPR policies click here.

If you want more info regarding data storage, please contact gdpr@jove.com.

 

Summary

Uma metodologia para estimar orientações de fibra de ventriculares em imagens in vivo de geometrias coração do paciente para a modelagem de personalizado é descrito. Validação da metodologia realizada utilizando normal e não corações caninos demonstrar que que não há diferenças significativas entre as orientações de fibra estimadas e adquirida a um nível clinicamente observável.

Cite this Article

Copy Citation | Download Citations

Vadakkumpadan, F., Arevalo, H., Trayanova, N. A. Patient-specific Modeling of the Heart: Estimation of Ventricular Fiber Orientations. J. Vis. Exp. (71), e50125, doi:10.3791/50125 (2013).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Específicas do paciente simulações da função cardíaca (dis), destinado a personalizar a terapia cardíaca são dificultados pela ausência de tecnologia de imagem in vivo para adquirir clinicamente orientações fibras miocárdicas. O objetivo deste projeto foi desenvolver uma metodologia para estimar orientações de fibra cardíaca em imagens in vivo de geometrias coração do paciente. Uma representação exacta da geometria ventricular e orientações de fibra foi reconstruído, respectivamente, de alta resolução, ressonância ex vivo estrutural magnética (RM) e imagens do tensor de difusão (DT) de RM de um coração humano normal, referido como o atlas. Geometria ventricular do coração do paciente foi extraído, através da segmentação semi-automática, a partir de uma in vivo tomografia computadorizada de imagem (CT). Utilizando algoritmos de transformação da imagem, a geometria ventricular atlas foi deformada para corresponder ao do paciente. Finalmente, o campo de deformação foi aplicado à fibra atlas orientatíons para obter uma estimativa de orientações de fibra de pacientes. A precisão das estimativas de fibra foi avaliada usando seis normais e três falhando corações caninos. A diferença média absoluta entre ângulos de inclinação de orientações de fibra adquiridos e estimada foi de 15,4 °. Simulações computacionais de mapas de ativação ventricular e pseudo-ECG em ritmo sinusal e taquicardia ventricular indicaram que não há diferenças significativas entre as orientações de fibra estimados e adquirido em um clinicamente observáveis ​​level.The novos insights obtidos a partir do projeto vai preparar o caminho para o desenvolvimento de paciente modelos específicos do coração, que pode ajudar os médicos no diagnóstico personalizado e decisões sobre intervenções eletrofisiológicas.

Introduction

A abordagem computacional está a tornar-se central para o avanço do conhecimento da função do coração na saúde e na doença. Estado-da-arte todo coração modelos de eletrofisiologia e eletromecânica estão sendo usados ​​para estudar uma ampla gama de fenômenos, como a propagação ventricular normal, arritmia, desfibrilação, acoplamento eletromecânico, e ressincronização cardíaca 1. No entanto, para a abordagem computacional para ser directamente aplicável no ambiente clínico, é imperativo que os modelos ser específicas do paciente, isto é, os modelos devem basear-se na arquitectura específica e propriedades electrofisiológicas ou electromecânicos de coração doente do paciente. Simulação com esses modelos ajudará os médicos a chegar a decisões altamente personalizados para intervenções eletrofisiológicas bem como profilaxia, reduzindo drasticamente melhorar a saúde cardíaca 2-4.

content "> Criação de modelos cardíacos realistas requer a obtenção da estrutura e geometria da fibra de um coração do paciente. orientações de fibra determinar direcções de propagação e as distribuições de deformação eléctrica no coração, e portanto, antes de os adquirir é essencial para a modelagem cardíaco 5, 6. Com recentes avanços na imagiologia médica, é agora possível obter a geometria de um coração do paciente, a remodelação includingstructural tais como enfarte, in vivo com alta resolução usando imagem por ressonância magnética (MRI) e tomografia computadorizada (CT) tecnologias. No entanto, não há nenhuma método prático para a obtenção de uma estrutura de fibras do coração do paciente, in vivo. Diffusion tensor (DT) MRI 7, 8, a única técnica de adquirir orientações de fibras do coração intactos, não é amplamente disponível, in vivo, devido a certas limitações 9. Uma breve descrição dos esforços anteriores para traduzir DTMRI o quadro clínico pode ser encontrada elsewhere 2. Apesar de metodologias como a regra de atribuição baseada em fibra de orientações oferecer alternativas ao DTMRI, estas metodologias têm certas limitações graves 2, 10. Assim dificuldades na aquisição de estrutura de fibra cardíaca in vivo atualmente impedem a aplicação de eletrofisiológicos e eletromecânica simulações cardíacas em ambiente clínico. O objetivo desta pesquisa foi o de abordar diretamente essa necessidade.

Colocámos a hipótese de que as orientações de fibras ventriculares de um coração pode ser prevista com precisão, dada a geometria do coração e um atlas, onde o atlas é um coração cuja geometria e fibra orientações estão disponíveis. Assim, usamos estado das técnicas de arte para desenvolver uma metodologia para a estimativa de orientações fibra cardíaca in vivo, e testou a hipótese em normal e não ventrículos caninos 2. A idéia central da nossa metodologia de estimativa de fibra é explorar similarities em orientações de fibras, em relação à geometria, entre corações diferentes a fim de aproximar a estrutura de fibra de um coração (alvo) para os quais as informações a geometria está disponível. No coração de nossa metodologia de estimação é o registro da geometria atlas com a geometria alvo usando mapeamento difeomórfico grande deformação métrica (LDDMM) 11, eo morphing de orientações de fibra atlas usando preservação de componentes principais (PPD) 2, 12. Diffeomorphicproperty A de garantias LDDMM que o atlas não "foldover" em si durante a deformação, preservando assim as estruturas anatômicas integrityof. figura 1 ilustra o pipeline de processamento de nossa metodologia. A secção de texto de protocolo § 1 descreve os vários componentes do oleoduto, demonstrando como o cálculo pode ser executado para um paciente exemplo. Os números dentro de alguns dos blocos na Figura 1 referem-se ao correspondentesubseções ao abrigo da secção § 1 º do texto do protocolo.

Foi avaliado o desempenho da metodologia proposta pela quantificação do erro de estimação, e medir o efeito deste onsimulations erro de eletrofisiologia cardíaca, por simular computacionalmente locais mapas de ativação elétrica, bem como pseudo-eletrocardiogramas (ECGs pseudo-). Devido à indisponibilidade dos corações humanos, a avaliação de desempenho foi realizado utilizando corações caninos disponíveis a partir de estudos anteriores 13-15. O erro de estimativa foi calculada por meio de ângulos de inclinação 16, a tradição followingthe de histologia, onde as medições são secções angulares performedon tecidos que são cortadas paralelamente à epicardialsurface. Desde que o sentido das fibras anglebetween e plano tangente epicardial é generallysmall 17, 18, ​​a perda de informação em descrever um fiberdirection inteiramente usando o seu ângulo de inclinação é insignificante. Para o computcionais, simulações de imagem baseados em modelos foram construídos como descrito previamente 19, 20, e o tecido cardíaco nos modelos foi representada com base em técnicas matemáticas estabelecidas e os dados experimentais 21-25. Ritmo sinusal foi simulado por activação de replicação proveniente da rede de Purkinje 26, e taquicardia ventricular, por uma estimulação S1-S2 protocolo 27. Pseudo-ECGs foram computados 28 e comparados utilizando o desvio médio absoluto (MAD) métrica 29.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Estimativa Orientações fibra

  1. Adquirir imagens de ressonância magnética e estruturais DTMRI de um coração humano adulto normal em diástole, a uma resolução de 1 mm 3. Usando ImageJ, extrair o miocárdio ventricular a partir da imagem atlas estrutural por encaixe, para cada fatia do eixo curto, fechado estrias através de um conjunto de pontos de marco colocados ao longo dos limites do epicárdio e endocárdio na fatia (Figura 2A e Figura 2B). Realizar a colocação de pontos de marco manualmente para cada fatia 10 ª na imagem. Obter os pontos marcantes para as restantes fatias através da interpolação linear dos pontos identificados manualmente, utilizando as orientações MATLAB.Reconstruct fibras do coração atlas calculando os vectores próprios primárias dos DTs na imagem DTMRI (Figura 2C).
  2. Adquirir uma imagem da geometria do coração do paciente, em diástole cardíaca in vivo utilizando CT ou MRI. Reconstruct a geometria cardíaca do doente a partir da imagem de forma semelhante à forma como o atlas foi construído (Figura 3A e 3B). A imagem do paciente deve ser re-amostrados antes da reconstrução de tal forma que a resolução no plano é de 1 mm 2. Da mesma forma, o número de fatias para os quais pontos de referência são escolhidas manualmente, eo intervalo de fora-de-plano interpolação deve ser ajustada de modo a que a imagem do coração segmentado paciente tem uma espessura de corte de 1 mm.
  3. Deformar a imagem do ventrículo atlas para coincidir com a geometria da imagem do paciente em duas etapas. No primeiro passo, realizar uma transformação afim com base num conjunto de pontos de 13 pontos de referência: o ventrículo esquerdo (LV) do vértice, a dois ventricular direita (VD), os pontos de inserção na base, os dois pontos de RV de inserção a meio caminho entre a base eo vértice, e quatro conjuntos de dois pontos que dividem uniformemente RV e contornos LV epicárdicas na base e intermediárias entre a base eo ápice (Figura 4A e (Figura 4C).
  4. Morph a imagem DTMRI do atlas de reposicionamento de voxels de imagem e re-orientar o DTS de acordo com a matriz de transformação da correspondência afim e o campo de deformação da transformação LDDMM. Realizar a re-orientação dos TDs usando a preservação de direções principais (PPD) do método.
  5. Obter a estimativa das orientações de fibra a partir do paciente morphed imagem DTMRI atlas calculando o vector próprio primário do DTS (Figura 5).

2. Medição de erro de estimativa

  1. Adquirir ex vivo estrutural MR e imagens DTMR de seis normais e três falhando corações caninos, em uma resolução de 312,5 × 312,5 × 800 3 mM. Aqui, coração faiisca deve ser gerado nos caninos através ablação por radiofreqüência do ramo esquerdo, seguido de 3 semanas de tachypacing a 210 min -1.
  2. Segmento os ventrículos do coração canino similarmente ao coração atlas humano, tal como descrito em § 1.1. Denotam ventrículos segmentados a partir de corações normais caninos como corações de 1 a 6, e os corações não segmentado de caninos como corações 7 a 9 (Figura 6).
  3. Obter cinco diferentes estimativas de orientações ventriculares do coração de uma fibra usando cada um dos corações 2-6 como um atlas (Figura 7).
  4. Estimar orientações de fibra para cada um dos ventrículos falência cardíaca usando 1 como o atlas (Figura 8).
  5. Foreach ponto de dados de cada conjunto de orientação da fibra estimado, calcular o erro de estimativa como | θ θ c-a |, onde θ θ c e um são os ângulos de inclinação de uma estimad adquirido orientações de fibra nesse ponto, respectivamente.
  6. Para cada ponto de dados de cada conjunto de orientação da fibra estimados, computar o ângulo agudo betweenestimated e adquirida direcções de fibra em três dimensões (3D), por meio de thevector produto escalar.

3. Mensuração dos efeitos de erro de estimativa em simulações

  1. De um coração, construir seis modelos, um com as orientações DTMRI-adquiridas fibra de coração 1 (referido como modelo 1), e cinco com os cinco conjuntos de dados estimados orientações de fibra (modelos 2 a 6). Para cada um dos três não cardíaca geometrias, construir dois modelos ventriculares, um com os DTMRI adquiridas orientações de fibra e outro com as orientações de fibra estimados. Aqui, a resolução espacial dos modelos, calculado em termos de comprimento da aresta média das malhas, deve ser de cerca de 600 ^ m. Denotam os modelos de insuficiência cardíaca de fibras DTMRI-adquiridas como modelos 7-9, e aqueles com Estimafibras ed como modelos de 10 a 12.In os modelos, usar a representação monodomain para descrever o tecido cardíaco, com equações que regem:

Equação 1
onde σ b é o tensor de condutividade a granel, que é calculado a partir dos tensores de condutividade como descrito por bidomain Potse et al 30; V m é o potencial transmembranar; C m é a capacitância de membrana específico, e I de iões é a densidade da corrente transmembranar, que por sua vez depende de V m e um conjunto de variáveis ​​de estado μ descrevendo a dinâmica de fluxos iónicos através da C membrane.For m, usar um valor de 1 μ F / cm 2. Para σ i em condições normais de modelos de coração canino, use lonnal e transversal valores de condutividade de 0,34 S / m e 0,06 S / m, respectivamente. Representar lon l pelos modelos Greenstein-Winslow iónicos do miócito ventricular canino. Diminuir os de condutividade elétrica em caninos coração modelos falência ventricular em 30% (Figura 9).

  1. Usando o software de pacote CARP (CardioSolv, LLC), simular ritmo sinusal, com todos os modelos. Induzir taquicardia ventricular reentrante (VT) em seis modelos de falência utilizando um protocolo de estimulação S1-S2. Escolha o tempo entre S1 e S2 para obter atividade TV sustentada por 2 segundos após o parto S2. Se VT não é induzida por qualquer tempo S1-S2, diminuir as condutividades em até 70%, até VT foi induzida (Figura 10).
  2. Para cada simulação, calcular pseudo-ECGs tomando a diferença de potencial entre dois pontos extracelulares num banho isotrópico em torno dos corações. Colocar os dois pontos perto da base do coração, separadopor 18 cm, de tal forma que a linha que os une é perpendicular ao plano de base de ápice do septo, conforme ilustrado na Figura 10. Para cada simulação com orientações de fibra estimados, calcular a métrica como MAD

Equação 2
onde X é a forma de onda do ECG da simulação com as orientações de fibra de cerca de, Y é a forma de onda do ECG de thecorresponding simulação com as orientações de fibra adquiridos, X é o valor médio de X, Y é o valor médio de Y, e n é o comprimento de X e Y.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figura 11, AC exibe visualizações simplificadas de estimativa, bem como orientações DTMRI derivados de fibra em corações normais e falhando. A análise qualitativa mostra que as orientações de fibra de cerca de alinham bem com DTMRI derivados entes. O painel D ilustra, sobreposta sobre a geometria do coração 1, a distribuição do erro de ângulos de inclinação corações normais ", em média, em todos os cinco estimativas. Painel E mostra a distribuição média de erro de falha ângulos de inclinação, os corações 'sobrepostos sobre a geometria do coração 1. Note-se que os ângulos de inclinação têm valores entre -90 ° e +90 °, e, portanto, as gamas de estimativa de erro entre 0 ° e 180 °. Painéis F e G apresentam secções de tecido a partir de distribuições de painéis D e E, respectivamente. Isso destaca a variação transmural de erro. Os histogramas de erros no painel de H sugerem que os voxels mais do miocárdio têm valores de erro pequenas. Cerca de 80% e 75% dos voxels têmerros de menos de 20 ° em ventrículos normais e não, respectivamente. Verificou-se que o erro médio, em média, em todos os conjuntos de dados estimados, e todos os voxels de imagem que pertenceram ao miocárdio, foram 14,4 ° e 16,9 ° em ventrículos normais e não, respectivamente. A média de erro no miocárdio inteiro, em casos normais e não em conjunto, foi de 15,4 °. O ângulo 3D média aguda entre as direções de fibra estimados e adquiriu foram de 17,5 ° e 18,8 ° em ventrículos normais e não, respectivamente. Os ângulos 3-D são comparáveis ​​com a estimativa resultados errors.These mostrar que ângulos de inclinação de fibra orientações previstas são comparáveis ​​àquelas adquiridas pelo ex-vivo DTMRI, o estado-da-arte desvio technique.The padrão de erro em todo o fivedifferent estimativas das orientações de fibra de coração 1 foi de apenas 1,9, indicando que a variação na qualidade de estimação oneatlas para outra é pequeno.

13 apresentam os mapas de ativação simulados de uma batida de seio ativação em ritmo normal e modelos ventriculares em falência, respectivamente. Modelos com orientações de fibra de cerca de produzir mapas de ativação muito semelhantes aos de modelos com orientações adquiridas; as primeiras ativações epicárdicas ocorrer nos mesmos locais, e as direções de propagação corresponder bem. A diferença média geral em tempos de activação total entre os casos de fibras adquiridos e estimou orientação nos modelos ventriculares normais, em média sobre todas as estimativas e todos os nós de malha, foi de 5,7 ms, o que é uma pequena fracção (3,7% em média) do total de activação tempo. figura 12C demonstra que pseudo-ECG obtidos para simulações ritmo sinusal, com modelos 1 e 3 têm morfologias idênticas. A pontuação MAD entre estas duas formas de onda foi de 4,14%. Em média, a pontuação MAD entre ritmo sinusal pseudo-ECGs com cada um dos modelos de 2-6 e modelo1 foi de 10,9%. Nas simulações de ritmo sinusal com modelos ventriculares em falência, a diferença média no tempo de ativação total entre modelos com orientações de fibra adquiridos e estimado foi de apenas 5,2 ms (3,1%), enquanto a média foi de 4,68% MAD. Estes resultados indicam que os resultados da simulação de ativação ventricular em ritmo sinusal normal e não em modelos ventriculares caninos com orientações de fibra estimadas com a metodologia atual coincidem com aqueles com orientações adquiridas. Em particular, a presença de insuficiência cardíaca não diminui a precisão da estimativa.

A Figura 14 mostra os mapas de ativação simulados, em apical dos ventrículos, durante um ciclo de VT induzida nos modelos de insuficiência cardíaca e correspondentes pseudo-ECGs. Simulações com orientação da fibra adquiridos e estima tanto exibem figura-de-oito semelhante padrões de reentrada. A morfologia das estruturas de ECG correspondente a fibra estimada e adquiridasorientações estavam de acordo. A média de pontuação MAD foi de 9,3%. Estes resultados indicam que os modelos de insuficiência cardíaca canina com orientações de fibra de cerca de perto pode replicar os resultados de simulações realizadas utilizando VT adquirido orientações de fibra.

Figura 1
Figura 1. Nosso pipeline de processamento para estimar orientações fibras ventriculares in vivo. Clique aqui para ver maior figura .

Figura 2
Orientações Figura 2. Geometria e fibra de umTLAs ventrículos. (A) A epicárdicas (vermelho) e endocárdio (verde e magenta) estrias e marcos correspondentes (amarelo) sobrepostos em uma fatia exemplo da imagem atlas. (B) O ventrículos atlas em 3D. (C) As orientações de fibra atlas.

Figura 3
Figura 3. Reconstrução da geometria ventricular do paciente. (A) A epicárdico (vermelho) e endocárdio (verde e magenta) splines, e marcos correspondentes (amarelo) sobrepostos em uma fatia de imagem. (B) ventrículos do paciente em 3D.

Figura 4
Figura 4. Deformação dos ventrículos atlas para combinar com os ventrículos do paciente. (A) A superposição de ventrículos do atlas (magenta, ver ong> Figura 2B) e doente (vermelho, ver Figura 3B). (B) ventrículos paciente e os ventrículos afins atlas transformados. (C) ventrículos do paciente e ventrículos LDDMM-transformadas atlas.

Figura 5
Figura 5. Orientações de fibra estimados do coração do paciente na Figura 3B.

Figura 6
Figura 6. Segmentação de corações caninos. O epicárdio (azul) e endocárdico (vermelho e magenta) estrias e marcos correspondentes (verde) sobrepostos em uma fatia exemplo de um coração normal canino.

7.jpg "alt =" Figura 7 "fo: conteúdo largura =" 5in "fo: src =" / files/ftp_upload/50125/50125fig7highres.jpg "/>
Figura 7. As orientações de fibra adquiridos e estima do coração 1.

Figura 8
Figura 8. As orientações de fibra adquiridos e estimada de corações 7-9.

Figura 9
Figura 9. Painel esquerdo ilustra a malha computacional gerado para os modelos de coração 1. À direita, a curva do potencial de ação canina normal miocárdio ventricular computadorizada utilizando o modelo Greenstein-Winslow é exibida.


Figura 10. Estimulação sítios da simulação do ritmo sinusal e VT, como sobreposto sobre a geometria do coração 7. E1E2 ilustra o vector de chumbo utilizados em pseudo-ECG cálculos.

Figura 11
Figura 11. Validação da metodologia de fibra orientação estimativa comparando orientações fibra estimados com DTMRI derivados orientações. (A) A superposição de orientações DTMRI-adquiridas fibra (amarelo esverdeado) e um conjunto de orientações de fibra de cerca de (ciano) do coração 1. (B) Adquirida e estimou orientações de fibra de coração 7. (C) Uma porção ampliada do (B) mostrandoalinhamento entre as orientações de fibra adquiridos e estimado. Note-se que as linhas de fluxo foram gerados em locais aleatórios dentro do miocárdio apenas para efeitos de visualização, e assim as suas posições exactas são irrelevantes. (D) Distribuição de erro da estimativa média de ventrículos normais. (E) Distribuição de erro da estimativa média de ventrículos falhando. (F) Uma secção de tecido extraído de (D). (G) Uma secção de tecido extraído de (E). O colorbar se aplica a DG. (H) Histogramas de erros em ventrículos normais e falhando. Frequência denota o número de voxeis que têm um determinado erro.

Figura 12
Figura 12. Resultados das simulações de uma batida do ritmo sinusal em modelos normais ventriculares caninos. (A) A ativação mapa simulado com o modelo adquirido com fibeorientações r (modelo 1). (B) a diferença absoluta entre os mapas de ativação simulados obtidos a partir de um modelo ventricular com orientações de fibra adquiridos e que, com orientações de fibra estimadas, em média, ao longo dos cinco estimativas. (C) simulados pseudo-ECGs com modelos 1 e 3. (D) simulados mapas de ativação dos ventrículos com orientações de fibra estimados (modelos 2-6).

Figura 13
Figura 13. Resultados das simulações de uma batida do ritmo sinusal em não modelos de coração. Na coluna th e em primeiro lugar, linhas mapas de ativação 1-3 mostram calculadas usando modelos 7-9, respectivamente. Na segunda coluna, linhas 1-3 exibem resultados de simulações com modelos 10-12, respectivamente. Linhas 1-3 na terceira coluna retratam a diferença absoluta entre os mapas de activação mostrado na ficolunas primeira e segunda da linha correspondente. Linhas na quarta coluna exibe simulado pseudo-ECGs de modelos nas primeira e segunda colunas da linha correspondente.

Figura 14
Figura 14. Resultados das simulações de indução VT com os modelos de falência cardíaca. As filas 1-3 nas primeiras colunas mostram os mapas de activação, durante um ciclo de actividade reentrante em simulações com modelos de 7-9, respectivamente. As filas 1-3 na segunda coluna mostra os mapas de activação correspondentes aos modelos 10-12, respectivamente. Linhas da terceira coluna ilustrar pseudo-ECGs de modelos nas primeira e segunda colunas da linha correspondente.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Esta pesquisa demonstra quantitativamente que, na ausência de DTMRI, orientações de fibra do miocárdio dos ventrículos normais e não pode ser estimada a partir de imagens in vivo das suas geometrias para utilização em simulações de electrofisiologia cardíaca. A metodologia proposta é demonstrado com dados in vivo TC, mas é igualmente aplicável a imagens de RM in vivo da geometria ventricular, dirigindo-se a falta de capacidade para adquirir directamente orientações de fibra de doentes. É, portanto, um passo importante para o desenvolvimento de modelos de eletrofisiologia ventricular personalizados para aplicações clínicas. A metodologia pode também ser usada para estimar as orientações de fibra na ex-vivo corações com alta resolução. Isto é especialmente útil quando a aquisição de sub-milímetros resolução DTMRI imagens é difícil ou proibitivamente dispendioso, devido aos tempos de aquisição muito longos.

Nossa simulação eletrofisiológicoções sugerido que os mapas de activação não foram muito sensíveis a alterações nas orientações de fibra. Mais importante, foi demonstrado que os efeitos de erros de estimativa de fibra bruta na electrofisiologia eram insignificantes num nível clinicamente observável por meio da contagem dos ECGs MAD pseudo-. A métrica MAD foi suitablebecause tem sido utilizada em estudos clínicos, a compareECGs de atividade reentrante e propagação ritmo para localizationof os centros de organização de circuitos reentrantes 29. A MADscore de menos de 12%, um limiar que nossos resultados satisfazer, implica que as duas propagationpatterns subjacentes são clinicamente equivalent.Note que a semelhança dos padrões de propagação se traduzirá em menores diferenças nos padrões de ativação mecânica, assim, como experiências relatadas mostram que locais tempo de ativação elétrica e mecânica em ritmo sinusal, estão altamente correlacionados. Em resumo, a pesquisa vai facilitar estudos ventriculares de simulação de qualquer SPEcias na saúde e na doença, quando não é viável para adquirir orientações de fibra usando DTMRI. Em particular, a metodologia proposta abre caminho para o paciente específico modelagem de todo coração-ventriculares de eletrofisiologia (e possivelmente) electromecânica com base apenas em dados clínicos de imagem in vivo. Simulações com esses modelos pode vir a ajudar os médicos a chegar a decisões altamente personalizados para intervenções terapêuticas, bem como profilaxia. Incidentalmente, os nossos resultados indicam que o desempenho da metodologia proposta foi independente da escolha do atlas.Accordingly, para os fins deste estudo, um atlas estatístico 17, 31 podem não ser necessários.

O presente estudo tem algumas limitações. Em primeiro lugar, os dados de imagem humanos coração não estavam disponíveis para nós, e metodologia de estimação, portanto, theproposed foi validado com imagesof corações caninos. Esperamos que a metodologia será accuratelyestimate orientações de fibra em humum coração bem porque, assim como nos corações de cães, orientações de fibra em relação à geometria foram mostrados para ser semelhantes entre os diferentes corações humanos 17. Além disso, testamos a nossa metodologia em corações normais andfailing apenas. Seria importante para testá-lo em condições, tais como enfarte do miocárdio, hipertrofia, onde desorganizações fibras são conhecidos por ocorrer 32, 33.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Não há conflitos de interesse declarados.

Acknowledgements

Agradecemos os drs. Raimond Winslow, Elliot McVeigh, e Patrick Helm na Johns Hopkins University para fornecer o ex vivo conjuntos de dados de pesquisa online.This foi apoiado pelo National Institutes of Health concessão R01-HL082729 e National Science Foundation concessão CBET-0933029.

Materials

Name Company Catalog Number Comments
LDDMM Johns Hopkins University http://cis.jhu.edu/software/lddmm-volume/index.php
MATLAB Mathworks, Inc. R2011b http://www.mathworks.com/products/matlab/
ImageJ National Institutes of Health http://rsbweb.nih.gov/ij/
Tarantula CAE Software Solutions http://www.meshing.at/Spiderhome/Tarantula.html
CARP CardioSolv http://cardiosolv.com/
Canine images Johns Hopkins University http://www.ccbm.jhu.edu/research/DTMRIDS.php

DOWNLOAD MATERIALS LIST

References

  1. Trayanova, N. Whole Heart Modeling: Applications to Cardiac Electrophysiology and Electromechanics. Circulation Research. 108, 113-128 Forthcoming.
  2. Vadakkumpadan, F., Arevalo, H., Ceritoglu, C., Miller, M., Trayanova, N. Image-Based Estimation of Ventricular Fiber Orientations for Personalized Modeling of Cardiac Electrophysiology. IEEE Transactions on Medical Imaging. 31, (5), 1051-1060 Forthcoming.
  3. Vadakkumpadan, F., Gurev, V., Constantino, J., Arevalo, H., Trayanova, N. Modeling of Whole-Heart Electrophysiology and Mechanics: Towards Patient-Specific Simulations. Patient-Specific Modeling of the Cardiovascular System: Technology-Driven Personalized Medicine. Kerckhoffs, R. Springer. 145-165 (2010).
  4. Buxton, A. E., Lee, K. L., DiCarlo, L., Gold, M. R., Greer, G. S., Prystowsky, E. N., O'Toole, M. F., Tang, A., Fisher, J. D., Coromilas, J., Talajic, M., Hafley, G. Electrophysiologic testing to identify patients with coronary artery disease who are at risk for sudden death. Multicenter Unsustained Tachycardia Trial Investigators. The New England Journal of Medicine. 342, (26), 1937-1945 (2000).
  5. Wei, D., Okazaki, O., Harumi, K., Harasawa, E., Hosaka, H. Comparative simulation of excitation and body surface electrocardiogram with isotropic and anisotropic computer heart models. IEEE Transactions on Biomedical Engineering. 42, (4), 343-357 (1995).
  6. Leon, L. J., Horacek, B. M. Computer model of excitation and recovery in the anisotropic myocardium. II. Excitation in the simplified left ventricle. Journal of Electrocardiology. 24, (1), 17-31 (1991).
  7. Rohmer, D., Sitek, A., Gullberg, G. T. Reconstruction and Visualization of Fiber and Laminar Structure in the Normal Human Heart from Ex Vivo Diffusion Tensor Magnetic Resonance Imaging (DTMRI) Data. Investigative Radiology. 42, (11), 777-789 (2007).
  8. Daubert, J. P., Zareba, W., Hall, W. J., Schuger, C., Corsello, A., Leon, A. R., Andrews, M. L., McNitt, S., Huang, D. T., Moss, A. J., Investigators, M. I. S. Predictive value of ventricular arrhythmia inducibility for subsequent ventricular tachycardia or ventricular fibrillation in Multicenter Automatic Defibrillator Implantation Trial (MADIT) II patients. Journal of Americal College of Cardiology. 47, (1), 98-107 (2006).
  9. Sosnovik, D. E., Wang, R., Dai, G., Reese, T. G., Wedeen, V. J. Diffusion MR tractography of the heart. Journal of Cardiovascular Magnetic Resonance. 11, (1), 47-61 (2009).
  10. Sundar, H., Shen, D., Biros, G., Litt, H., Davatzikos, C. Estimating myocardial fiber orientations by template warping. Proc. IEEE International Symposium on Biomedical Imaging. 73-76 (2006).
  11. Beg, M. F., Helm, P. A., McVeigh, E., Miller, M. I., Winslow, R. L. Computational Cardiac Anatomy Using MRI. Magnetic Resonance in Medicine. 52, (5), 1167-1174 (2004).
  12. Alexander, D. C., Pierpaoli, C., Basser, P. J., Gee, J. C. Spatial Transformations of Diffusion Tensor Magnetic Resonance Images. IEEE Transactions on Medical Imaging. 20, 1131-1139 (2001).
  13. Helm, P. A., Younes, L., Beg, M. F., Ennis, D. B., Leclercq, C., Faris, O. P., McVeigh, E., Kass, D., Miller, M. I., Winslow, R. L. Evidence of Structural Remodeling in the Dyssynchronous Failing Heart. Circulation Research. 98, 125-132 (2006).
  14. Helm, P., Beg, M. F., Miller, M., Winslow, R. Measuring and mapping cardiac fiber and laminar architecture using diffusion tensor MR imaging. Annals of the New York Academy of Sciences. 1047, 296-307 (2005).
  15. Helm, P. A., Tseng, H. -J., Younes, L., McVeigh, E. R., Winslow, R. L. Ex vivo 3D diffusion tensor imaging and quantification of cardiac laminar structure. Magnetic Resonance in Imaging. 54, 850-859 (2005).
  16. Scollan, D. F., Holmes, A., Winslow, R., Forder, J. Histological validation of myocardial microstructure obtained from diffusion tensor magnetic resonance imaging. American Journal of Physiology - Heart and Circulatory Physiology. 275, (6), H2308-H2318 (1998).
  17. Lombaert, H., Peyrat, J., Croisille, P., Rapacchi, S., Fanton, L., Cheriet, F., Clarysse, P., Magnin, I., Delingette, H., Ayache, N. Human Atlas of the Cardiac Fiber Architecture: Study on a Healthy Population. IEEE Transactions on Medical Imaging. 31, (7), 1436-1447 (2012).
  18. Streeter, D. D. Gross morphology and fiber geometry of the heart. Johns Hopkins Press. Baltimore. (1979).
  19. Vadakkumpadan, F., Rantner, L. J., Tice, B., Boyle, P., Prassl, A. J., Vigmond, E., Plank, G., Trayanova, N. Image-Based Models of Cardiac Structure with Applications in Arrhythmia and Defibrillation Studies. Journal of Electrocardiology. 42, 151.e1-151.e10 (2009).
  20. Plank, G., Zhou, L., Greenstein, J. L., Plank, G., Zhou, L., Greenstein, J. L., Cortassa, S., Winslow, R. L., O'Rourke, B., Trayanova, N. A. From mitochondrial ion channels to arrhythmias in the heart: computational techniques to bridge the spatio-temporal scales. Philosophical Transactions Series A, Mathematical, Physical, and Engineering Sciences. 366, (1879), 3381-3409 (2008).
  21. Roberts, D. E., Scher, A. M. Effect of tissue anisotropy on extracellular potential fields in canine myocardium in situ. Circulation Research. 50, 342-351 (1982).
  22. Greenstein, J., Wu, R., Po, S., Tomaselli, G. F., Winslow, R. L. Role of the Calcium-Independent Transient Outward Current I(to1) in Shaping Action Potential Morphology and Duration. Circulation Research. 87, 1026-1033 (2000).
  23. Winslow, R., Rice, J., Jafri, S., Marbán, E., O'Rourke, B. Mechanisms of altered excitation-contraction coupling in canine tachycardia-induced heart failure, II: model studies. Circulation Research. 84, (5), 571-586 (1999).
  24. Akar, F., Nass, R., Hahn, S., Cingolani, E., Shah, M., Hesketh, G., DiSilvestre, D., Tunin, R., Kass, D., Tomaselli, G. Dynamic Changes in Conduction Velocity and Gap Junction Properties During Development of Pacing-Induced Heart Failure. American Journal of Physiology - Heart and Circulatory Physiology. 293, (2), H1223-H1230 (2007).
  25. Gurev, V., Constantino, J., Rice, J. J., Trayanova, N. Distribution of Electromechanical Delay in the Ventricles:Insights from a 3D Electromechanical Model of the Heart. Biophysical Journal. 99, (3), 745-754 Forthcoming.
  26. Ten Tusscher, K. H. W. J., Hren, R., Panfilov, A. V. Organization of Ventricular Fibrillation in the Human Heart. Circulation Research. 100, (12), e87-e101 (2007).
  27. Gima, K., Rudy, Y. Ionic Current Basis of Electrocardiographic Waveforms. Circulation Research. 90, 889-896 (2002).
  28. Gerstenfeld, E., Dixit, S., Callans, D., Rajawat, Y., Rho, R., Marchlinski, F. Quantitative comparison of spontaneous and paced 12-lead electrocardiogram during right ventricular outflow tract ventricular tachycardia. Journal of Americal College of Cardiology. 41, (11), 2046-2053 (2003).
  29. Potse, M., Dube, B., Richer, J., Vinet, A., Gulrajani, R. M. A comparison of monodomain and bidomain reaction-diffusion models for action potential propagation in the human heart. IEEE Transactions on Biomedical Engineering. 53, (12), 2425-2435 (2006).
  30. Peyrat, J. -M., Sermesant, M., Pennec, X., Delingette, H., Chenyang, X., McVeigh, E. R., Ayache, N. A Computational Framework for the Statistical Analysis of Cardiac Diffusion Tensors: Application to a Small Database of Canine Hearts. IEEE Transactions on Medical Imaging. 26, 1500-1514 (2007).
  31. Chen, J., Song, S. -K., Liu, W., McLean, M., Allen, S. J., Tan, J., Wickline, S. A., Yu, X. Remodeling of cardiac fiber structure after infarction in rats quantified with diffusion tensor MRI. American Journal of Physiology - Heart and Circulatory Physiology. 285, (3), H946-H954 (2003).
  32. Stecker, E. C., Chugh, S. S. Prediction of sudden cardiac death: next steps in pursuit of effective methodology. Journal of Interventional Cardiac Electrophysiolog. 31, (2), 101-107 (2011).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics