Pasient-spesifikke Modeling of the Heart: Beregning av Ventrikulære Fiber Orientations

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

En metode for å anslå ventrikulære fiber orientering fra in vivo bilder av pasientens hjerte geometrier for personlig modellering er beskrevet. Validering av metodikken foretas med vanlig og sviktende hjørnetann hjerter viser at at det ikke er signifikante forskjeller mellom estimerte og kjøpte fiber orientering på et klinisk observerbar nivå.

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

Pasient-spesifikke simuleringer av hjertet (dys)-funksjonen som tar sikte på å tilpasse Hjerteterapi er hemmet av fraværet av in vivo imaging teknologi for klinisk anskaffe hjerteinfarkt fiber orientering. Målet med dette prosjektet var å utvikle en metode for å anslå hjertestans fiber orientering fra in vivo bilder av pasientens hjerte geometrier. En nøyaktig representasjon av ventrikulær geometri og fiber orientering ble rekonstruert, henholdsvis fra høyoppløselig ex vivo strukturell magnetisk resonans (MR) og diffusjonstensor (DT) MR-bilder av et normalt menneskelig hjerte, referert til som atlas. Ventrikulær geometrien av en pasient hjerte ble ekstrahert, via halvautomatisk segmentering, fra en in vivo computertomografi (CT) bilde. Bruke bilde transformasjon algoritmer ble atlas ventrikulær geometri deformert for å passe til pasienten. Endelig ble deformasjon feltet påført atlas fiberen orientationer for å oppnå et estimat av pasientens fiber orientering. Nøyaktigheten av fiber estimater ble vurdert ved hjelp av seks vanlige og tre sviktende hjørnetann hjerter. Gjennomsnittlig absolutt forskjell mellom tilbøyelighet vinkler kjøpt og estimert fiber orientering var 15,4 °. Beregningsorientert simuleringer av ventrikulære aktivering kart og pseudo-EKG i sinusrytme og ventrikkeltakykardi indikerte at det ikke er signifikante forskjeller mellom estimerte og kjøpte fiber orientering på en klinisk observerbare turar ny innsikt hentet fra prosjektet vil bane vei for utviklingen av pasient-spesifikke modeller av hjertet som kan hjelpe leger i personlig diagnose og vedtak om elektrofysiologiske intervensjoner.

Introduction

Beregningsformelen tilnærmingen blir sentralt til fremme av forståelsen av funksjonen av hjertet i helse og sykdom. State-of-the-art hele-hjerte modeller av elektrofysiologi og elektromekanikk tiden blir brukt til å studere et bredt spekter av fenomener, som for eksempel normal ventrikulær forplantning, arytmi, defibrillering, elektromekanisk kopling, og hjertestans resynkronisering en. Men for det beregningsmessige tilnærming å være direkte anvendelig i det kliniske miljø, er det viktig at de modeller være pasient-spesifikke, dvs. at modellene må være basert på den spesifikke arkitektur og elektrofysiologiske eller elektromekaniske egenskaper pasientens syke hjertet. Simulering med slike modeller vil hjelpe leger å komme frem til svært personlige beslutninger for elektrofysiologiske intervensjoner samt profylakse, og dermed dramatisk forbedre hjerte helse 2-4.

innhold "> Opprettelse av realistiske kardiale modeller krever tilegnelse av geometri og fiber struktur av en pasient hjerte. Fiber orientering bestemme retninger av elektrisk forplantning og sil distribusjoner i hjertet, og derfor henter dem er avgjørende for hjerte modellering 5, 6. Med nylige fremskritt innen medisinsk avbildning, er det nå mulig å oppnå det geometrien av en pasient hjerte, includingstructural remodeling eksempel infarkt, in vivo, med høy oppløsning ved hjelp av magnetisk resonans avbildning (MRI) og computertomografi (CT) teknologier. Det er imidlertid ingen praktisk metode for å skaffe fiberstrukturen en pasient hjerte in vivo. Diffusion tensor (DT) 7 MR, 8, den eneste teknikk for å skaffe fiber orienteringer av intakt hjerte, er ikke allment tilgjengelig in vivo på grunn av visse begrensninger 9. En kort beskrivelse av de tidligere arbeid med å oversette DTMRI til klinisk setting kan bli funnet elsewhere to. Selv metoder som regelstyrt tildeling av fiber orientering tilby alternativer til DTMRI, disse metodene har visse alvorlige begrensninger 2, 10. Dermed vanskeligheter med å skaffe hjertestans fiberstruktur in vivo i dag hindre anvendelsen av elektrofysiologiske og elektromekaniske kardiale simuleringer i klinisk setting. Målet med denne undersøkelsen var å direkte dekke dette behovet.

Vi antok at ventrikulære fiber orienteringer av et hjerte kan være nøyaktig forutsagt gitt geometri av hjertet og en atlas, der atlas er et hjerte som geometri og fiber orientering er tilgjengelige. Følgelig har vi brukt state of the art teknikker for å utvikle en metodikk for estimering av kardiale fiber orientering in vivo, og testet hypotesen i normal og sviktende hjørnetann ventriklene 2. Den sentrale ideen vår fiber estimering metoden er å utnytte similarities i fiber orienteringer, i forhold til geometrien, mellom ulike hjerter for å approksimere fiberstrukturen av en (target) hjerte hvor kun geometrien informasjon er tilgjengelig. I hjertet av vår estimering metodikk er registrering av atlaset geometri med målet geometri ved hjelp av store deformasjoner diffeomorphic metrisk kartlegging (LDDMM) 11, og morphing av atlas fiber orientering ved hjelp bevaring av hovedkomponenter (PPD) 2, 12. Den diffeomorphicproperty av LDDMM garanterer at atlas ikke "foldover" seg under deformasjonen, og dermed bevare de integrityof anatomiske strukturer. Figur 1 illustrerer behandling rørledning av vår metodikk. Protokollen tekstdel § 1 beskriver de forskjellige komponenter av rørledningen ved å demonstrere hvordan estimeringen kan utføres for et eksempel pasienten. Tallene inne noen av blokkene i figur 1 viser tilsvarendeunderseksjoner etter § § 1 i protokollen teksten.

Vi evaluerte ytelsen til den foreslåtte metodikken ved å tallfeste estimering feil, og måle effekten av denne feilen onsimulations av hjerte elektrofysiologi, ved beregningsmessig simulere lokale elektriske aktivering kart samt pseudo-elektrokardiogram (pseudo-EKG). På grunn av utilgjengelighet av menneskers hjerter, ble resultatene evaluering utført ved bruk av hjørnetann hjerter tilgjengelig fra tidligere studier 13-15. Estimeringen Feilen ble beregnet ved hjelp av tilbøyelighet vinkler 16, followingthe tradisjon for histologi, der kantmålinger er performedon vevsdelene som er kuttet parallelt med epicardialsurface. Siden anglebetween fiber retning og epicardial tangent plan er 17 generallysmall, 18, ​​tap av informasjon for å beskrive en fiberdirection helt med sin hellingsvinkel er ubetydelig. For datamaskinerational simuleringer, bilde-baserte modeller ble bygget som rapportert tidligere 19, 20, og hjertevev i modellene var representert basert på etablerte matematiske teknikker og eksperimentelle data 21-25. Sinusrytme ble simulert ved å kopiere aktivering stammer fra Purkinje 26 nettverk, og ventrikkeltakykardi, med en S1-S2 pacing protokoll 27. Pseudo-EKG ble beregnet 28 og sammenlignet med gjennomsnittet absolutte avvik (MAD) metric 29.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Fiber Orientations Estimering

  1. Tilegne strukturelle MR og DTMRI bilder av en normal voksent menneske hjerte i diastole, med en oppløsning på 1 mm 3. Bruke ImageJ, trekke den ventrikulære myokard fra atlaset strukturelle bildet ved montering, for hvert kort-aksen skive, lukket splines gjennom et sett av landemerke poeng plassert langs epikardiale og endokardial grenser i stykket (figur 2A og figur 2B). Utfør plassering av landemerke poeng manuelt for hver 10. skive i bildet. Innhent landemerke poeng for de resterende skiver av lineært interpolere de manuelt identifisert poeng, bruker MATLAB.Reconstruct fiber orienteringer av atlas hjerte ved å beregne de primære egenvektorer av DTS i DTMRI bilde (figur 2C).
  2. Tak i et bilde av geometrien av pasientens hjerte i diastole hjelp in vivo kardial CT eller MR. Reconstruct pasienten hjertet geometri fra bildet på samme måte som måten atlas ble bygget (Figur 3A & Figur 3B). Pasienten bildet bør være re-samplet før rekonstruksjon slik at i planet oppløsning er 1 mm 2. Tilsvarende må antall skiver som landemerker er manuelt plukket, og intervallet av ut-av-planet interpolering justeres slik at den segmenterte pasienten hjerte bildet har en skivetykkelse på 1 mm.
  3. Deformeres atlas ventrikulær bildet for å matche den pasienten geometri bildet i to trinn. I det første trinnet, utføre en affine transformasjonen basert på et sett av tretten landemerker poeng: venstre ventrikkel (LV) apex, de to høyre ventrikkel (RV) innsettingspunktene ved basen, de to RV innsetting poeng midtveis mellom base og apex, og fire sett med to poeng som jevnt deler RV og LV epikardiale konturer ved basen, og midtveis mellom base og apex (figur 4A & (figur 4C).
  4. Morph the DTMRI bildet av atlas ved å re-posisjonering av bildefiler voksler og re-orientering av DTS ifølge transformasjonsmatrise av affine matchende og deformasjon feltet i LDDMM transformasjon. Utfør re-orientering av DTs hjelp bevaring av rektor retninger (PPD)-metoden.
  5. Innhente beregne pasientens fiber orientering fra morphed atlas DTMRI image ved å beregne den primære eigenvector av DTs (figur 5).

2. Måling av Estimering Feil

  1. Erverve ex vivo strukturell MR og DTMR bilder av seks normale og tre sviktende hjørnetann hjerter, med en oppløsning på 312,5 × 312,5 × 800 mikrometer 3. Her, hjerte failokke skal genereres i hjørnetenner via radiofrekvensablasjon av venstre bundle-gren etterfulgt av 3 uker tachypacing på 210 min -1.
  2. Segment ventriklene fra canine hjerter likt menneskets atlas hjerte, som beskrevet i § 1.1. Betegne ventriklene segmenterte fra normale hjørnetann hjerter som hjerter 1 til 6, og de ​​segmentert fra sviktende hjørnetann hjerter som hjerter 7 til 9 (figur 6).
  3. Skaffe fem ulike estimater for ventrikulære fiber orientering av hjertet en ved hjelp av hver av hjerter 2-6 som en atlas (figur 7).
  4. Anslå fiber orienteringer for hvert av de sviktende ventriklene hjelp hjerte 1 som atlas (Figur 8).
  5. Foreach datapunkt i hvert sett av estimerte fiber orientering, beregne estimering feil som | θ c-θ a |, der θ c og θ en blir tilbøyelighet vinkler anslått end kjøpte fiber orientering på det tidspunktet, henholdsvis.
  6. For hvert datapunkt i hvert sett av estimerte fiber orientering, beregne den spisse vinkelen betweenestimated og kjøpte fiber retninger i tre dimensjoner (3D) ved hjelp av thevector dot produktet.

3. Måling av effekten av Estimering Feil på Simuleringer

  1. Fra hjertet 1, konstruere seks modeller, en med DTMRI-ervervet fiber orientering av hjertet 1 (referert til som modell 1), og fem med fem estimerte fiber orientering datasett (modeller 2 til 6). For hver av de tre sviktende hjerte geometrier, bygge to ventrikulære modeller, en med DTMRI-ervervet fiber orientering og den andre med de estimerte fiber orientering. Her den romlige oppløsningen av modellene, beregnet i forhold til den gjennomsnittlige sidelengde av maskene, bør være ca 600 um. Betegne hjertesvikt modeller med DTMRI-ervervet fibre som modeller 7-9, og de med estimated fibre som modeller 10 til 12.In modellene, bruker monodomain representasjon for å beskrive hjertevev, med styrende ligninger:

Ligning 1
hvor σ b er bulk ledningsevne tensoren som beregnes fra de bidomain ledningsevne tensors som beskrevet av Potse m.fl. 30, V m er den transmembrane potensial, C m er membranen spesifikk kapasitans, og jeg ion er tettheten av transmembrane gjeldende, som i sin tur avhenger V m og et sett av tilstandsvariable μ beskriver dynamikken av ioniske flukser over membrane.For C m, bruke en verdi på 1 μ F / cm 2. For σ jeg i normale hjørnetann hjerte modeller kan du bruke lengderetningnale og tverrgående ledeevne på 0,34 S / m og 0,06 S / m, henholdsvis. Representerer l lon av Greenstein-Winslow ioniske modeller av hjørnetann ventrikulære myocyte. Redusere elektriske konduktiviteter i canine hjertesvikt ventrikulære modeller med 30% (figur 9).

  1. Bruke programvarepakken CARP (CardioSolv, LLC), simulere sinusrytme med alle modeller. Fremkall reentrant ventrikkeltakykardi (VT) i de seks sviktende modeller ved hjelp av en S1-S2 pacing protokollen. Velg timingen mellom S1 og S2 for å få vedvarende VT aktivitet i 2 sekunder etter S2 levering. Hvis VT ikke induseres for enhver S1-S2 timing, redusere ledningsevnen med opptil 70% inntil VT ble indusert (figur 10).
  2. For hver simulering, beregne pseudo-EKG ved å ta differansen av ekstracellulære potensialer mellom to punkter i en isotropic bad rundt hjertene. Plasser de to punkter nær bunnen av hjertet separertetter 18 cm, slik at den linje som forbinder dem er vinkelrett på base-toppunkt flyet av septum som illustrert i figur 10. For hver simulering med estimerte fiber orientering, beregne MAD metriske som

Ligning 2
der X er EKG bølgeformen simuleringen med estimerte fiber orienteringer, er Y EKG bølgeformen thecorresponding simulering med ervervet fiber orienteringer, X er den midlere verdi av X, Y er den midlere verdi av Y, og n er lengden av X og Y.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 11 viser AC strømlinjeformet visualiseringer av anslått samt DTMRI-avledet fiber orientering i normal og sviktende hjerter. Kvalitative undersøkelsen viser at estimerte fiber orientering justere godt med DTMRI-deriverte seg. Panel D illustrerer, kledde på geometri hjertet 1, fordelingen av feil i normale hjerter 'tilbøyelighet vinkler, i gjennomsnitt over alle fem estimater. Panel E viser gjennomsnittlig fordeling av feil i sviktende hjerter 'tilbøyelighet vinkler, er lagt på geometri hjertet en. Merk at helningsvinkel vinkler har verdier mellom -90 ° og 90 °, og dermed, estimeringen feil varierer mellom 0 ° og 180 °. Paneler F og G stede seksjoner av vev fra fordelingene i paneler D og E, respektivt. Dette understreker transmural variant av feil. Histogrammene av feil i panel H foreslår at de fleste hjerteinfarkt voksler liten feil verdier. Ca 80% og 75% av voksler harfeil mindre enn 20 ° i normale og sviktende ventriklene, henholdsvis. Det ble funnet at gjennomsnittlig feil, i gjennomsnitt over alle estimerte datasett, og alle image voksler som tilhørte hjertemuskelen, var 14,4 ° og 16,9 ° i normal og sviktende ventriklene, henholdsvis. Gjennomsnittlig feil i hele myokard, i normale og sviktende tilfeller kombinert, var 15,4 °. Gjennomsnittlig 3D spiss vinkel mellom estimerte og kjøpte fiber retninger var 17,5 ° og 18,8 ° i normal og sviktende ventriklene, henholdsvis. 3-D vinkler er sammenlignbare med estimering errors.These Resultatene viser at tilbøyelighet vinkler spådd fiber orientering er sammenlignbare med de kjøpt opp av ex-vivo DTMRI, state-of-the-art teknikken.Tallene standardavvik feil over fivedifferent anslag av fiberen retninger hjerte 1 var bare 1,9 indikerer at variasjonen i estimering kvalitet fra oneatlas til en annen er liten.

13 presentere simulerte aktivering kartene med ett slag av sinusrytme aktivering i normal og sviktende ventrikulære modeller, henholdsvis. Modeller med estimerte fiber orientering produsere aktivering over svært lik de av modeller med ervervet retninger, de tidligste epikardiale aktiveringer oppstå på de samme stedene, og retninger av forplantning matche så godt. Den samlede gjennomsnittlige forskjellen i total aktiveringstider mellom anskaffet og estimert fiberorientering tilfeller i de normale ventrikulære modeller, midlet over alle anslag og alle mesh noder, var 5,7 ms, som er en liten fraksjon (3,7% i gjennomsnitt) av den totale aktivisering tid. Figur 12C viser at pseudo-EKG innhentet for sinusrytme simuleringer med modeller 1 og 3 har identiske morfologi. Den MAD poeng mellom disse to kurvene var 4,14%. I gjennomsnitt MAD poeng mellom sinusrytme pseudo-EKG med hver av modellene 2-6 og modell1 var 10,9%. I simuleringer av sinusrytme med sviktende ventrikulære modeller, gjennomsnittlig forskjell i total aktiveringstider mellom modeller med ervervet og estimert fiber orientering var bare 5,2 ms (3,1%), mens den gjennomsnittlige MAD poengsum var 4,68%. Disse resultatene indikerer at resultatene fra simulering av ventrikulær aktivering i sinusrytme i normal og sviktende hjørnetann ventrikulære modeller med fiber orientering estimert med dagens metodikk tett matche de har ervervede orientering. Spesielt hadde tilstedeværelse av hjertesvikt ikke minske nøyaktigheten estimeringen.

Figur 14 viser simulerte aktivering kart, i apikale utsikt over ventriklene, i løpet av en syklus av indusert VT i hjertesvikt modeller, og tilsvarende pseudo-EKG. Simuleringer med ervervet og estimert fiber orientering både utøver tilsvarende figur-of-åtte innadgående mønstre. EKG morfologi tilsvarende estimert og kjøpte fiberorienteringer var i god avtale. Gjennomsnittlig MAD score var 9,3%. Disse resultatene indikerer at hjørnetann hjertesvikt modeller med estimerte fiber retninger kan nøye gjenskape resultatene av VT simuleringer utført med ervervet fiber orientering.

Figur 1
Figur 1. Vår behandling rørledning for beregning ventrikulære fiber orientering in vivo. Klikk her for å se større figur .

Figur 2
Figur 2. Geometri og fiber orienteringer av enTLAs ventriklene. (A) epikardiale (rød) og endokardial (grønn og magenta) splines, og tilsvarende landemerker (gul) kledde på et eksempel bit av atlas bildet. (B) Atlaset ventriklene i 3D. (C) atlaset fiber orientering.

Figur 3
Figur 3. Pasient ventrikkel geometri gjenoppbygging. (A) epicardial (rød) og endokardial (grønn og magenta) splines, og tilsvarende landemerker (gul) kledde på et bilde skive. (B) Pasient ventriklene i 3D.

Figur 4
Figur 4. Deformasjon av Atlas ventriklene til å matche pasientens ventriklene. (A) overlagring av ventriklene av atlas (magenta, se ong> figur 2B) og pasient (rød, se figur 3B). (B) Pasient ventriklene og affine transformerte atlas ventriklene. (C) Pasient ventriklene og LDDMM-transformerte atlas ventriklene.

Figur 5
Figur 5. Estimert fiber orienteringer av pasientens hjerte i figur 3B.

Figur 6
Figur 6. Segmentering av hjørnetann hjerter. Den epikardiale (blå) og endokardial (rød og magenta) splines, og tilsvarende landemerker (grønn) kledde på et eksempel stykke av en normal hund hjerte.

7.jpg "alt =" Figur 7 "fo: content-width =" 5in "fo: src =" / files/ftp_upload/50125/50125fig7highres.jpg "/>
Figur 7. De oppkjøpte og estimert fiber orientering av hjertet en.

Figur 8
Figur 8. De oppkjøpte og estimert fiber orientering av hjerter 7-9.

Figur 9
Figur 9. Venstre panel viser beregningsorientert mesh generert for modellene for hjerte en. På høyre side er aksjonspotensialet kurve av normal canine ventrikulære myokard beregnet ved hjelp av Greenstein-Winslow modell vises.


Figur 10. Pacing områder av simulering av sinusrytme og VT, som kledde på geometri hjertet 7. E1E2 illustrerer ledelsen vektor brukt i pseudo-EKG beregninger.

Figur 11
Figur 11. Validering av fiber orientering estimering metodikk ved å sammenligne estimerte fiber orientering med DTMRI deriverte orientering. (A) overlagring av DTMRI-ervervet fiber orientering (grønnaktig gul) og ett sett av estimerte fiber orientering (cyan) av hjertet en. (B) Kjøpte og estimert fiber orientering av hjertet 7. (C) En forstørret del av (B) som viserjustering mellom ervervet og estimert fiber orientering. Legg merke til at strømlinjene ble generert på tilfeldige steder i hjertemuskelen for visualisering formål bare, og slik at deres nøyaktige posisjoner er irrelevant. (D) Fordeling av gjennomsnittlig estimering feil i normale ventriklene. (E) Fordeling av gjennomsnittlig estimering feil i sviktende ventriklene. (F) En del av vevet ekstrahert fra (D). (G) En del av vevet ekstrahert fra (E). Det colorbar gjelder DG. (H) histogrammer av feil i normale og sviktende ventriklene. Frekvens angir antall voksler som har en gitt feil.

Figur 12
Figur 12. Resultater fra simuleringer med ett slag av sinusrytme i normale hjørnetann ventrikulære modeller. (A) Aktivering kart simulert ved hjelp av modellen med ervervet fiber orienteringene (modell 1). (B) Absolutt forskjell mellom simulerte aktivering kart hentet fra en ventrikulær modell med ervervet fiber orientering og at med estimerte fiber orientering, i gjennomsnitt over de fem estimatene. (C) Simulert pseudo-EKG med modeller 1 og 3. (D) Simulert aktivering kart fra ventriklene med estimerte fiber orientering (modeller 2-6).

Figur 13
Figur 13. Resultater fra simuleringer med ett slag av sinusrytme i sviktende hjerte-modeller. I th e første kolonne, rader 1-3 viser aktivering over beregnet ved hjelp av modeller 7-9, henholdsvis. I den andre kolonnen, rader 1-3 vise resultater av simuleringer med modeller 10-12, respektivt. Rader 1-3 i den tredje kolonnen portrettere den absolutte forskjellen mellom aktivering kartene vises i first og andre kolonner i tilsvarende raden. Rader i fjerde kolonne viser simulerte pseudo-EKG fra modeller i første og andre kolonner av den tilsvarende raden.

Figur 14
Figur 14. Resultater fra simuleringer av VT induksjon med sviktende hjerte-modeller. Rader 1-3 i den første kolonnen viser aktivering over i løpet av en syklus av innadgående aktivitet i simuleringer med modeller 7-9, henholdsvis. Rader 1-3 i den andre kolonnen viser aktivering over tilsvarende modeller 10-12, henholdsvis. Radene i den tredje kolonnen illustrere pseudo-EKG fra modeller i første og andre kolonner av den tilsvarende raden.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Denne forskning viser kvantitativt at, i fravær av DTMRI kan myokardiale fiber orienteringer av normal og sviktende ventriklene anslås fra in vivo bilder av sine geometrier for bruk i simuleringer av hjerte elektrofysiologi. Den foreslåtte metode er demonstrert med in vivo CT data, men det er like anvendelig til in vivo MR-bilder av ventrikulær geometri, adressering mangelen på evne til å direkte tilegne pasientens fiber orientering. Det er derfor et viktig skritt mot utviklingen av personlige modeller av ventrikulær elektrofysiologi for kliniske applikasjoner. Metodikken kan også brukes til å estimere fiber orienteringene i ex vivo hjerter med høy oppløsning. Dette er spesielt nyttig når anskaffe sub-millimeter oppløsning DTMRI bilder er vanskelig eller uoverkommelig dyrt, på grunn av svært lange innhentingstider.

Vår elektrofysiologisk simulesjoner antydet at aktivering kart ikke var veldig følsom for endringer i fiber orientering. Enda viktigere, demonstrerte vi at effekter av fiber beregningsfeil på brutto elektrofysiologi var ubetydelig ved en klinisk observerbar nivå ved hjelp av MAD poengene for pseudo-EKG. Den MAD metrisk var suitablebecause det har vært brukt i kliniske studier, for å compareECGs av innadgående aktivitet og tempo forplantning for localizationof de organisere sentre for innadgående kretser 29. En MADscore på mindre enn 12%, en terskel som våre resultater tilfredsstille, innebærer at de to underliggende propagationpatterns er klinisk equivalent.Note at likheten av forplantning mønstre vil oversette til lave forskjeller i mekaniske aktivering mønstre så vel som rapporterte eksperimenter viser at lokale elektriske og mekaniske aktivering ganger i løpet sinusrytme er høyt korrelert. Oppsummert vil vår forskning rette ventrikulære simuleringsstudier av noe speCies i helse og sykdom når det ikke er mulig å skaffe fiber orientering ved hjelp DTMRI. Spesielt legger den foreslåtte metodikk vei for pasient-spesifikke modellering av ventrikulære hel-hjerte elektrofysiologi (og muligens) elektromekanikk basert bare på in vivo kliniske imaging data. Simuleringer med slike modeller kan til slutt hjelpe leger å komme frem til svært personlige beslutninger for terapeutiske intervensjoner samt profylakse. Forresten, våre resultater indikerte at ytelsen til den foreslåtte metodikken var uavhengig av valget av atlas.Accordingly, i forbindelse med denne studien, kan en statistisk 17 atlas, 31 ikke være nødvendig.

Den aktuelle studien har noen begrensninger. For det første var menneskelig hjerte bildedata ikke tilgjengelig for oss, og derfor theproposed estimering metodikk ble validert med imagesof canine hjerter. Vi forventer at metodikken vil accuratelyestimate fiber orientering i humen hjerter så vel fordi, akkurat som i hjørnetann hjerter, har fiber orientering i forhold til geometri har vist seg å være lik mellom ulike menneskers hjerter 17. Også testet vi vår metodikk i normale andfailing hjerter bare. Det vil være viktig å teste den under betingelser slik som hjerteinfarkt og hypertrofi, der fiber disorganizations forekommer 32, 33.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen interessekonflikter erklært.

Acknowledgements

Vi takker legene. Raimond Winslow, Elliot McVeigh, og Patrick Helm ved Johns Hopkins University for å gi ex vivo datasett enn online Forskningen ble støttet av National Institutes of Health tilskudd R01-HL082729, og National Science Foundation stipend 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