Patient-specifik modellering av hjärta: Uppskattning av riktlinjer Ventrikulära Fiber

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 metod för att uppskatta riktlinjer ventrikulära fiber från in vivo bilder av patientens hjärta geometrier för personlig modellering beskrivs. Validering av metoden med användning av normala och inte hund hjärtan visar att det inte finns några signifikanta skillnader mellan beräknade och förvärvade fiberorienteringar på en kliniskt 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

Patientspecifika simuleringar av hjärtat (dys) funktion som syftar till att anpassa hjärt terapi hindras av avsaknaden av in vivo-bildteknik för kliniskt förvärva myokardiella fiberorienteringar. Syftet med detta projekt var att utveckla en metod för att uppskatta hjärt fiberorienteringar från in vivo bilder av patientens hjärta geometrier. En korrekt bild av ventrikulär geometri och riktlinjer fiber rekonstruerades respektive från högupplösta ex vivo strukturell magnetisk resonans (MR) och diffusion tensor (DT) MR-bilder av en vanlig människas hjärta, kallad Atlas. Ventrikulär geometri av en patients hjärta extraherades via halvautomatisk segmentering, från en in vivo-datortomografi (CT) bilden. Använda algoritmer bildtransformering var atlas ventrikulär geometri deformeras så att de matchar patienten. Slutligen deformationen fältet appliceras på atlas fiberns orientatjoner för att få en uppskattning av patientens fiberorienteringar. Noggrannheten hos fibern beräkningar bedömdes med sex normala och tre sviktande hund hjärtan. Den genomsnittliga absoluta skillnaden mellan lutningsvinklar av förvärvade och uppskattade fiberorienteringar var 15,4 °. Computational simuleringar av kartor ventrikulära aktivering och pseudo-EKG i sinusrytm och ventrikulär takykardi visade att det inte finns några signifikanta skillnader mellan beräknade och förvärvade fiberorienteringar på en kliniskt observerbara level.The nya insikter som erhållits från projektet kommer att bana väg för utvecklingen av patientspecifika modeller av hjärtat som kan hjälpa läkare i personlig diagnos och beslut om elektrofysiologiska åtgärder.

Introduction

Den beräkningsmässiga angreppssätt blir centrala för att främja förståelsen av funktionen av hjärtat i hälsa och sjukdom. State-of-the-art hela-hjärta modeller av elektrofysiologi och elektromekanik närvarande används för att studera ett brett spektrum av fenomen, till exempel normal ventrikulär förökning, arytmi, defibrillering, elektromekanisk koppling och hjärt omsynkronisering 1. Men för beräkningsmässig strategi att vara direkt tillämplig i den kliniska miljön, är det viktigt att modellerna är patientspecifika, dvs modellerna skall baseras på den specifika arkitekturen och elektrofysiologiska eller elektromekaniska egenskaper patientens sjuka hjärta. Simulering med sådana modeller kommer att hjälpa läkare att komma fram till mycket personliga beslut för elektrofysiologiska insatser liksom profylax, vilket dramatiskt förbättrar hjärt vård 2-4.

innehåll "> Skapande av realistiska hjärt modeller kräver förvärvet av geometri och fiberstrukturen hos en patient hjärta. fiberorienteringar bestämmer riktningar av elektrisk utbredning och fördelningar stam i hjärtat, och därför förvärva dem är avgörande för hjärt modellering 5, 6. Med senaste framstegen inom medicinsk bildbehandling, är det nu möjligt att få geometrin hos en patient hjärta includingstructural ombyggnad som infarkt, in vivo med hög upplösning med magnetisk resonanstomografi (MRT) och datortomografi (CT) teknik. Men det finns ingen praktisk metod för att förvärva fiberstruktur av en patients hjärta in vivo. diffusion tensor (DT) MRT 7, 8, den enda teknik att förvärva fiberorienteringarna av den intakta hjärtat, är inte allmänt tillgängliga in vivo på grund av vissa begränsningar 9. En kort beskrivning av de tidigare insatserna för att översätta DTMRI till den kliniska miljön kan hittas Elseere 2. Även metoder som regelbaserad tilldelning av fiberorienteringar erbjuder alternativ till DTMRI, dessa metoder har vissa allvarliga begränsningar 2, 10. Således svårigheter att skaffa hjärt fiberstruktur in vivo hindra närvarande tillämpningen av elektrofysiologiska och elektromekaniska hjärt simuleringar i klinisk miljö. Syftet med denna forskning var att direkt ta itu med detta behov.

Vi antog att ventrikulära fiberorienteringar av ett hjärta noggrant kan förutsägas eftersom geometrin hos hjärtat och en atlas, där Atlas är ett hjärta vars geometri och fiber orienteringar är tillgängliga. Därför använde vi toppmoderna tekniker för att utveckla en metod för uppskattning av hjärt fiberorienteringar in vivo, och testade hypotesen i normal och inte hund ventriklarna 2. Den centrala idén i vår fibrer uppskattning metod är att utnyttja similaritiesi fiberorienteringar i förhållande till geometrin, mellan olika hjärtan, för att approximera fiberstrukturen av en (mål) hjärta som bara geometrin information finns tillgänglig. I hjärtat av vår uppskattning metodik är registreringen av Atlas geometri med målet geometri med stor deformation diffeomorphic metriska kartläggning (LDDMM) 11, och morphing Atlas fiberorienteringar med bevarandet av huvudkomponenter (PPD) 2, 12. Den diffeomorphicproperty av LDDMM garanterar att atlas inte "Foldover" sig under deformation och därmed bevara de integrityof anatomiska strukturer. Figur 1 illustrerar bearbetning pipeline vår metodik. Protokollet textavsnitt § 1 beskriver de olika komponenterna i rörledningen genom att visa hur uppskattning kan göras för ett exempel patienten. Siffrorna inom några av blocken i figur 1 hänvisar till motsvarandeunderavdelningar i avsnitt § 1 i protokollet text.

Vi utvärderade prestandan hos föreslagna metoden genom att kvantifiera uppskattning fel, och mäta effekten av detta fel onsimulations av hjärtats elektrofysiologi, genom beräkningsmässigt simulera lokala elektriska aktivering kartor samt pseudo-EKG (pseudo-EKG). På grund av avsaknad av människors hjärtan, har utvärderingen av prestanda utförs med hund hjärtan tillgängliga från tidigare studier 13-15. Uppskattningen fel beräknades med hjälp av lutningsvinklar 16, followingthe tradition av histologi, där kantiga mätningar performedon vävnadssnitt som skärs parallellt med epicardialsurface. Eftersom anglebetween fiberriktningen och epikardiella tangentplan är generallysmall 17, 18, ​​förlust av information för att beskriva en fiberdirection helt med sin lutningsvinkeln är obetydlig. För computtiva simuleringar, bild-baserade modeller byggdes som tidigare rapporterats 19, 20 och hjärtvävnad i modellerna var representerad utifrån fastställda matematiska tekniker och experimentella data 21-25. Sinusrytm simulerades genom replikerande aktivering härrör från Purkinje nätverket 26, och ventrikulär takykardi, genom en S1-S2 stimulering protokoll 27. Pseudo-EKG beräknades 28 och jämfördes med den genomsnittliga absoluta avvikelsen (MAD) metriskt 29.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Fiberorienteringar Uppskattning

  1. Förvärva strukturell MR och DTMRI bilder av en normal vuxen människa hjärta i diastole, med en upplösning på 1 mm 3. Med hjälp av ImageJ, extrahera ventrikulära hjärtmuskeln från Atlas strukturella bilden av montering för varje kort axel skiva, stängda splines genom en uppsättning landmärke punkter placerade längs epikardiella och endokardiella gränser i segmentet (Figur 2A och figur 2B). Utför placeringen av landmärke poäng manuellt för varje 10: e skiva i bilden. Skaffa de landmärke poäng för de återstående skivorna genom linjär interpolering de manuellt identifierade punkter, med hjälp MATLAB.Reconstruct de fiberorienteringar av Atlas hjärta genom att beräkna de primära egenvektorer av DTS i DTMRI bilden (Figur 2C).
  2. Får en bild av geometrin hos patienten hjärtat i diastole med in vivo hjärt datortomografi eller magnetkamera. Reconstruct patienten hjärta geometri från bilden på samma sätt som det sätt på vilket kartboken byggdes (Figur 3A och figur 3B). Patienten bilden ska nya prov före rekonstruktion så att i planet upplösning är 1 mm 2. Likaså måste antalet skivor som landmärken manuellt plockas och intervallet utanför planet interpolering justeras så att den segmenterade patienten hjärta bild har en bit tjocklek på 1 mm.
  3. Deformera atlas ventrikulär bilden för att matcha patientens geometri bilden i två steg. I det första steget, gör en affin transformation bygger på en uppsättning tretton landmärken punkter: vänster kammare (LV) Apex, de två höger kammare (RV) insättningspunkter vid basen, två RV insättningspunkter halvvägs mellan bas och spets, och fyra uppsättningar av två punkter som är jämnt dela RV och LV epikardiella konturer vid basen, och mitt emellan bas och spets (Figur 4A & (Figur 4C).
  4. Morph den DTMRI bilden av atlas genom omplacering av bild voxlar och åter orientera DTS enligt transformationsmatrisen av affin matchning och deformationen fältet i LDDMM omvandling. Utför omorientering av DTS med bevarandet av huvudriktningar (PPD)-metoden.
  5. Skaffa uppskattning av patienten fiberorienteringar från förvandlats atlas DTMRI bild genom att beräkna den primära egenvektor av DTS (Figur 5).

2. Mätning av skattningsfel

  1. Förvärva ex vivo strukturell MR och DTMR bilder på sex normala och tre sviktande hund hjärtan, med en upplösning på 312,5 × 312,5 × 800 nm 3. Här, hjärta failure bör skapas i hundar genom radiofrekvent ablation av vänster bunt-gren följt av 3 veckors tachypacing vid 210 min -1.
  2. Segment ventriklarna från hundens hjärtan på samma sätt som det mänskliga atlas hjärtat, som beskrivs i § 1,1. Beteckna ventriklar segmenterade från normala hund hjärtan som hjärtan 1 till 6, och de segmenterade från att inte hund hjärtan som hjärtan 7 genom 9 (Figur 6).
  3. Skaffa fem olika uppskattningar av riktningar ventrikulära fiber av hjärtats 1 genom att använda var och en av hjärtan från 2 till 6 som en atlas (Figur 7).
  4. Uppskatta fiberorienteringar för varje sviktande kamrarna med hjärta 1 som atlas (Figur 8).
  5. Foreach datapunkt i varje uppsättning av uppskattade fiberorienteringar, beräkna uppskattningen fel som | θ c-θ a |, där θ c och θ en är lutningsvinklarna av beräknade ettd förvärvade fiberorienteringar på den punkten, respektive.
  6. För varje datapunkt i varje uppsättning av uppskattade fiberorienteringar, beräkna den spetsiga vinkeln betweenestimated och förvärvade fiber riktningar i tre dimensioner (3D) med hjälp av thevector skalärprodukt.

3. Mätning av effekterna av skattningsfel på simuleringar

  1. Från hjärtat 1, konstruera sex modeller, en med DTMRI-förvärvade fiberorienteringar av hjärta 1 (benämnd modell 1), och fem med fem uppskattade fiberorienteringar datamängder (modeller 2 till 6). För var och en av tre sviktande hjärtat geometrier, konstruera två ventrikulära modeller, en med DTMRI förvärvade-fiberorienteringar och den andra med de uppskattade fiberorienteringar. Här den rumsliga upplösningen av modellerna, beräknad i termer av genomsnittlig kantlängd maskorna, bör vara ca 600 nm. Beteckna modeller hjärtsvikt med DTMRI-förvärvade fibrer som modeller från 7 till 9, och de med uppskated fibrer som modeller 10 till 12.In de modeller, använd monodomän representation för att beskriva hjärtvävnaden, med styrande ekvationer:

Ekvation 1
där σ b är bulkkonduktivitet tensor som beräknas från de bidomain konduktivitet tensorer såsom beskrivits av Potse m.fl. 30, V m är transmembranpotentialen, C m är membranet specifik kapacitans, och jag ion är densiteten av den transmembrana strömmen, vilket i sin tur beror på V m och en uppsättning tillståndsvariabler μ beskriver dynamiken i joniska flöden över membrane.For C m, använda värdet 1 μ F / cm 2. För σ I i normala hund hjärta modeller, använd longitudinellainterna och tvärgående konduktivitetsvärden på 0,34 S / M och 0,06 S / M, respektive. Representera L lon från Greenstein-Winslow joniska modeller av hund ventrikulära myocyt. Minska de elektriska ledningsförmåga i hund ventrikulära hjärtsvikt modeller med 30% (figur 9).

  1. Använda CARP mjukvarupaketet (CardioSolv, LLC), simulera sinusrytm med alla modeller. Inducera inåtgående ventrikulär takykardi (VT) i de sex misslyckas modeller med en S1-S2 stimulering protokoll. Välj tiden mellan S1 och S2 för att få fortsatt VT aktivitet för 2 sekunder efter S2 leverans. Om VT inte induceras av någon S1-S2 timing, minska ledningsförmågan med upp till 70% fram till VT inducerades (Figur 10).
  2. För varje simulering, beräkning pseudo-EKG genom att ta skillnaden i extracellulära potentialer mellan två punkter i ett isotropt bad omger hjärtan. Placera de två punkter nära basen av den separerade hjärtatsav 18 cm, så att den linje som förbinder dem är vinkelrät mot bas-spets plan skiljeväggen såsom visas i figur 10. För varje simulering med beräknade fiberorienteringar, beräkna MAD mått som

Ekvation 2
där X är EKG-kurvan av simuleringen med beräknade fiberorienteringar, Y är EKG-vågformen för thecorresponding simulering med förvärvade fiberorienteringar, X är medelvärdet av X, Y är medelvärdet av Y, och n är längden av X och Y.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 11 visar AC strömlinjeformade visualiseringar av beräknade samt DTMRI-härledda fiberorienteringar i normala och misslyckas hjärtan. Kvalitativ undersökning visar att beräknade fiberorienteringar anpassa väl med DTMRI-härledda sådana. Panel D visar, överlagras på geometri hjärtats 1, fördelningen av fel i normala hjärtan "lutningsvinklar i genomsnitt över alla fem uppskattningar. Panel E visar den genomsnittliga fördelningen av fel i att inte hjärtan "lutningsvinklar, putsade på geometrin i hjärtat 1. Notera att lutningsvinklar har värden mellan -90 ° och +90 °, och därför, beräkningsfelet varierar mellan 0 ° och 180 °. Paneler F och G nuvarande delar av vävnad från fördelningarna i panelerna D och E, respektive. Detta belyser transmural ändring i felet. Histogrammen för fel i panelens H tyder på att de flesta myokardiella voxlar har små felvärden. Ca 80% och 75% av voxlarna harfel mindre än 20 ° i normala och inte ventriklar, respektive. Det visade sig att det genomsnittliga felet, i genomsnitt över alla uppskattade datamängder och alla bild voxlar som tillhörde hjärtmuskeln, var 14,4 ° och 16,9 ° i normala och inte ventriklar, respektive. Den genomsnittliga felet i hela myokardiet, i normala och inte kombinerade fall var 15,4 °. Den genomsnittliga 3D spetsig vinkel mellan uppskattade och förvärvade fiber riktningar var 17,5 ° och 18,8 ° i normala och inte ventriklar, respektive. 3-D vinklar är jämförbara med uppskattningen errors.These visar att lutningsvinklar av förutsagda fiberorienteringar är jämförbara med de förvärvas av ex vivo DTMRI, state-of-the-art technique.The standardavvikelsen för fel i hela fivedifferent uppskattningar av fiberorienteringar av hjärta 1 var endast 1,9 som indikerar att variationen i uppskattningen kvalitet från oneatlas till en annan är liten.

13 presenterar de simulerade aktivering kartor över ett beat av sinusrytm aktivering i normala och sviktande modeller ventrikulära, respektive. Modeller med beräknade fiberorienteringar producerar aktivering kartorna som liknar dem som modeller med förvärvade inriktningar, de tidigaste epikardiella aktiveringar sker på samma platser, och riktningarna för förökning stämmer också. Den genomsnittliga skillnaden i total aktivering gånger mellan de förvärvade och uppskattade fall fiberorienteringen i normala ventrikulära modeller, genomsnitt för alla beräkningar och alla noder mesh, var 5,7 ms, vilket är en liten del (3,7% i genomsnitt) av den totala aktiveringen tid. Figur 12C visar att pseudo-EKG som erhålls för sinusrytm simuleringar med modeller 1 och 3 har identiska morfologier. Den MAD poäng mellan dessa två vågformer var 4,14%. I genomsnitt MAD poäng mellan sinusrytm pseudo-EKG med varje modell 2 till 6 och modell1 var 10,9%. I simuleringar av sinusrytm med sviktande ventrikulära modeller den genomsnittliga skillnaden i total aktivering gånger mellan modeller med förvärvade och uppskattade fiberorienteringar var endast 5,2 ms (3,1%), medan det genomsnittliga MAD poäng var 4,68%. Dessa resultat tyder på att resultaten av simulering av ventrikulär aktivering i sinusrytm i normal och inte hund ventrikulära modeller med fiberorienteringar uppskattade med nuvarande metodik matchar dem med förvärvade riktlinjer. I synnerhet har förekomsten av hjärtsvikt minskar inte riktigheten i uppskattningen.

Figur 14 visar simulerade aktivering kartor, i apikala vyer av ventriklarna, under en cykel av inducerad VT i modellerna hjärtsvikt och motsvarande pseudo-EKG. Simuleringar med förvärvade och uppskattade fiberorientering både uppvisar liknande figur-of-åtta inåtgående mönster. EKG morfologier motsvarar uppskattas och förvärvad fiberorienteringar var i god överensstämmelse. Den genomsnittliga MAD poängen var 9,3%. Dessa resultat tyder på att hund hjärtsvikt modeller med uppskattade fiberorienteringar nära kan replikera resultaten av VT simuleringar utföras med förvärvad fiberorienteringar.

Figur 1
Figur 1. Vår bearbetning rörledning för att uppskatta riktlinjer ventrikulära fiber in vivo. Klicka här för att se större bild .

Figur 2
Figur 2. Geometri och fiber orienteringar av entlas ventriklarna. (A) epikardiella (röd) och endokardiella (grönt och magenta) splines, och motsvarande landmärken (gul) överlagras på ett exempel bit av atlas bilden. (B) atlas kammare i 3D. (C) ATLAS fiberorienteringar.

Figur 3
Figur 3. Patient ventrikulär geometri rekonstruktion. (A) epikardiell (röd) och endokardiella (grönt och magenta) splines, och motsvarande landmärken (gul) överlagras på en bild skiva. (B) Patient ventriklar i 3D.

Figur 4
Figur 4. Deformation i Atlas ventriklarna att matcha patienten ventriklarna. (A) Överlagring av ventriklar Atlas (magenta, se ong> Figur 2B) och patient (röd, se figur 3B). (B) Patient ventriklar och affina omvandlade ventriklar atlas. (C) Patient ventriklar och LDDMM-transformerade atlas ventriklar.

Figur 5
Figur 5. Uppskattade fiberorienteringar av patientens hjärta i fig. 3B.

Figur 6
Figur 6. Segmentering av hund hjärtan. Den epikardiella (blå) och endokardiella (röd och magenta) splines, och motsvarande landmärken (grön) överlagras på ett exempel bit av en vanlig hund hjärta.

7.jpg "alt =" Bild 7 "FO: content-width =" 5in "FO: src =" / files/ftp_upload/50125/50125fig7highres.jpg "/>
Figur 7. De förvärvade och uppskattade fiberorienteringar av hjärta 1.

Figur 8
Figur 8. De förvärvade och uppskattade fiberorienteringar av hjärtan 7-9.

Figur 9
Figur 9. Vänster panel visar beräkningsmässiga nätet genereras för de modeller av hjärta 1. Till höger är aktionspotentialen kurvan normal hund ventrikulär hjärtmuskeln beräknats med hjälp av Greenstein-Winslow modell visas.


Figur 10. Stimulering områden av simulering av sinusrytm och VT, som överlagras på geometrin hos hjärtats 7. E1E2 illustrerar den ledande vektor som används i pseudo-EKG beräkningar.

Figur 11
Figur 11. Validering av fiberorienteringen skattningsmetodik genom att jämföra uppskattade fiberorienteringar med DTMRI-härledda riktlinjer. (A) Överlagring av DTMRI-förvärvade fiberorienteringar (gröngult) och en uppsättning uppskattade fiberorienteringar (cyan) i hjärtat 1. (B) Förvärvade och uppskattade fiberorienteringar av hjärta 7. (C) En förstorad del av (B) visaranpassning mellan förvärvade och uppskattade fiberorienteringar. Observera att effektiviserar genererades vid slumpmässiga platser i myokardiet för visualisering enbart, och så deras exakta positioner är irrelevanta. (D) Fördelning av genomsnittlig skattningsfel i normala ventriklar. (E) Fördelning av medel skattningsfel genom att inte ventriklar. (F) En sektion av vävnad ur (D). (G) En sektion av vävnad ur (E). Det colorbar gäller GD. (H) Histogram av fel i normala och misslyckas ventriklar. Frekvens betecknar antalet voxlar med ett givet fel.

Figur 12
Figur 12. Resultat från simuleringar av ett slag av sinusrytm i normala hund ventrikulära modeller. (A) Aktivering karta simuleras med hjälp av modellen med förvärvad Fiber riktlinjer (modell 1). (B) Absolut skillnad mellan simulerade aktivering kartor erhållits från en ventrikulär modell med förvärvade fiberorienteringar och med beräknade fiberorienteringar, utslaget på de fem uppskattningar. (C) Simulerade pseudo-EKG med modeller 1 och 3. (D) Simulerade aktivering kartor från ventriklar med uppskattade fiberorienteringar (modeller 2-6).

Figur 13
Figur 13. Resultat från simuleringar av ett slag av sinusrytm i sviktande hjärtat modeller. I th e första kolumnen, rader 1-3 visar aktivering kartor beräknas med modeller 7-9, respektive. I den andra kolumnen, rader 1-3 Visa resultat från simuleringar med modellerna 10-12, respektive. Rader 1-3 i den tredje kolumnen skildra den absoluta skillnaden mellan aktivering kartorna visas i fiRST och andra kolumnen i motsvarande rad. Rader i den fjärde kolumnen visar simulerade pseudo-EKG från modeller i den första och andra kolumnen i motsvarande rad.

Figur 14
Figur 14. Resultat från simuleringar av VT induktion med det sviktande hjärtat modellerna. Rader 1-3 i den första aktiveringen kolumnen visar kartor under en cykel av inåtgående aktivitet i simuleringar med modellerna 7-9, respektive. Rader 1-3 i den andra aktiveringen kolumnen visar kartor som motsvarar modellerna 10-12, respektive. Rader i den tredje kolumnen visar pseudo-EKG från modeller i den första och andra kolumnen i motsvarande rad.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Denna forskning visar kvantitativt att, i avsaknad av DTMRI, kan myokardiala fiberorienteringar av normala och sviktande ventriklarna uppskattas från in vivo bilder av deras geometrier för användning i simuleringar av hjärtats elektrofysiologi. Den föreslagna metoden demonstreras med in vivo CT-data, men det är lika tillämplig på in vivo MR bilder av ventrikulär geometri, behandlar bristande förmåga att direkt skaffa patientens fiberorienteringar. Det är därför ett viktigt steg mot utvecklingen av personliga modeller av ventrikulär elektrofysiologi för kliniska tillämpningar. Metodiken kan också användas för att uppskatta de fiberorienteringar i ex-vivo hjärtan med hög upplösning. Detta är särskilt användbart vid förvärv sub-millimeter upplösning DTMRI bilder är svårt eller oöverkomligt dyr, på grund av de mycket långa Hämtningstider.

Vår elektrofysiologiska simuleringtioner antydde att aktivering kartorna var inte mycket känsliga för förändringar i fiberorienteringar. Ännu viktigare, visade vi att effekterna av fibrer uppskattningsfelen på brutto elektrofysiologi var obetydlig vid en kliniskt observerbar nivå medelst MAD poängen för pseudo-EKG. Den MAD metriska var suitablebecause har använts i kliniska studier, för compareECGs av inåtgående aktivitet och tempo förökning för localizationof Organisationskommittén centra reentrykretsar 29. En MADscore på mindre än 12%, en tröskel att våra resultat uppfyller, innebär att två underliggande propagationpatterns kliniskt equivalent.Note att likheten mellan utbredning mönster kommer att översätta till låga skillnader i mekaniska aktivering mönster också, som rapporterade experiment visar att lokala elektriska och mekaniska aktivering gånger under sinusrytm är starkt korrelerade. Sammanfattningsvis kommer vår forskning att underlätta studier ventrikulära simulering av SPECies i hälsa och sjukdom när det inte är möjligt att få fiberorienteringar med DTMRI. I synnerhet banar den föreslagna metoden vägen för patientspecifika modellering av ventrikulära hel-hjärta elektrofysiologi (och eventuellt) elektromekanik endast grundar sig på in vivo kliniska bilddata. Simuleringar med sådana modeller kan i slutändan hjälpa läkare att komma fram till mycket personliga beslut för terapeutiska insatser liksom profylax. Övrigt visade våra resultat att prestanda föreslagna metoden var oberoende av valet av atlas.Accordingly vid tillämpningen av denna studie kan en statistisk atlas 17, 31 inte krävas.

Den aktuella studien har vissa begränsningar. För det första var mänskliga hjärtat bilddata inte är tillgängliga för oss, och därför proposed skattningsmetodik validerades med imagesof hund hjärtan. Vi förväntar oss att den metod kommer accuratelyestimate fiberorienteringar i Humen hjärtan och eftersom, precis som i hund hjärtan har fiberorienteringar förhållande till geometrin visat sig vara likartad mellan olika människors hjärtan 17. Dessutom testade vi vår metodik i normala andfailing hjärtan bara. Det vore viktigt att testa den under betingelser såsom myokardinfarkt och hypertrofi, där fiber disorganizations är känt att 32, 33.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Inga intressekonflikter deklareras.

Acknowledgements

Vi tackar Dr. Raimond Winslow, Elliot McVeigh, och Patrick Helm vid Johns Hopkins University för att ge ex vivo datauppsättningar online.This forskning stöddes av National Institutes of Health bidrag R01-HL082729 och National Science Foundation CBET-0.933.029.

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