Patiënt-specifieke modellering van het Hart: Schatting van ventriculaire vezeloriëntaties

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

Een methodiek om ventriculaire vezeloriëntaties schatten van in-vivo beelden van patiënt hart geometrieën voor gepersonaliseerde modellering wordt beschreven. Validering van de methodologie uitgevoerd met behulp van de normale en falende harten hond laten zien dat dat er geen significante verschillen tussen geschatte en verworven vezeloriëntaties werden bij een klinisch waarneembare niveau.

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

Patiënt-specifieke simulaties van het hart (dys) functie gericht op het aanpassen van cardiale therapie worden gehinderd door het ontbreken van in vivo imaging technologie voor klinisch verwerven van myocardiale vezeloriëntaties. Het doel van dit project was een methodologie om de cardiale vezeloriëntaties schatten van in-vivo beelden van de patiënt hart geometrieën te ontwikkelen. Een nauwkeurige weergave van ventriculaire geometrie en vezeloriëntaties werd gereconstrueerd, respectievelijk van hoge resolutie ex vivo structurele magnetische resonantie (MR) en diffusion tensor (DT) MR beelden van een normaal menselijk hart, aangeduid als de atlas. Ventriculaire geometrie van een patiënt hart geëxtraheerd, via halfautomatisch segmentatie van een in vivo computertomografie (CT) beeld. Met beeldtransformatie algoritmen is de atlas ventriculaire geometrie vervormd dat van de patiënt overeenkomen. Tenslotte werd de vervorming veld toegepast op de atlas vezel orientationen om een ​​schatting van de patiënt vezeloriëntaties te verkrijgen. De nauwkeurigheid van de vezel schattingen werd beoordeeld met behulp van zes normale en drie falende honden harten. De gemiddelde absolute verschil tussen de hellingshoeken van verworven en geschat vezeloriëntaties was 15,4 °. Computational simulaties van ventriculaire activering kaarten en pseudo-ECG in sinusritme en ventriculaire tachycardie gaf aan dat er geen significante verschillen tussen de geschatte en de verworven vezeloriëntaties werden bij een klinisch waarneembaar level.The nieuwe inzichten verkregen uit het project zal de weg vrijmaken voor de ontwikkeling van patiënt-specifieke modellen van het hart dat kan helpen artsen in gepersonaliseerde diagnose en beslissingen met betrekking tot elektrofysiologische ingrepen.

Introduction

De computationele benadering wordt steeds centraal staat in de vooruitgang van het begrip van de functie van het hart bij gezondheid en ziekte. State-of-the-art hele hart modellen van elektrofysiologie en elektromechanica worden momenteel gebruikt om een breed scala van verschijnselen, zoals normale ventriculaire vermeerdering, aritmie, defibrillatie, elektromechanische koppeling, en cardiale resynchronisatie 1 te bestuderen. Echter, voor de computationele benadering rechtstreeks toepasselijk zijn in de klinische omgeving, is het noodzakelijk dat de modellen zijn patiënt-specifieke, dat wil zeggen de modellen moeten worden gebaseerd op de specifieke architectuur en elektrofysiologische of elektromechanische eigenschappen van zieke de patiënt het hart. Simulatie met dergelijke modellen zal helpen artsen om op zeer persoonlijke uitspreken voor elektrofysiologische ingrepen als profylaxe, waardoor drastisch verbeteren van cardiale zorg 2-4.

content "> Creatie van realistische modellen cardiale het verwerven van de geometrie en vezelstructuur van een patiënt hart. vezeloriëntaties richtingen van elektrische voortplanting en vervormingen bepalen in het hart en daarom aanschaf is essentieel hartmodellering 5, 6. met recente ontwikkelingen in de medische beeldvorming, is het nu mogelijk om de geometrie van een patiënt hart includingstructural remodeling zoals infarct, in vivo met een hoge resolutie met behulp van magnetische resonantie beeldvorming (MRI) en computertomografie (CT) technologieën. echter geen praktische methode voor het verkrijgen vezelstructuur van een patiënt in vivo hart. Diffusion tensor (DT) MRI 7, 8, de enige techniek vezeloriëntaties van het intacte hart verkrijgen, is niet algemeen beschikbaar in vivo door bepaalde beperkingen 9. Korte beschrijving van de eerdere pogingen om DTMRI vertalen naar de klinische instelling vindt elsewhere 2. Hoewel methodieken zoals rule-based toewijzing van vezeloriëntaties bieden alternatieven voor DTMRI, deze methoden hebben bepaalde ernstige beperkingen 2, 10. Zo moeilijkheden bij het ​​verwerven cardiale vezelstructuur in vivo momenteel beletsel voor de toepassing van de elektrofysiologische en elektromechanische cardiale simulaties in de klinische setting. Het doel van dit onderzoek was om direct in deze behoefte.

Wij veronderstelden dat ventriculaire vezeloriëntaties van een hart nauwkeurig kan worden voorspeld gezien de geometrie van het hart en een atlas, waarbij de atlas is een hart waarvan de geometrie en vezeloriëntaties zijn. Daarom gebruikten we state of the art technieken om een methodologie voor het schatten van cardiale vezeloriëntaties in vivo te ontwikkelen, en de hypothese getest in normale en falende honden ventrikels 2. Het centrale idee van onze vezels ramingsmethodologie is gebruik te maken similarities in vezeloriëntaties ten opzichte geometrie tussen hart om ongeveer de vezelstructuur van een (doel) hart die op de geometrie informatie beschikbaar is. In het hart van onze ramingsmethodologie is de registratie van de atlas geometrie met het doel geometrie met behulp van grote vervormingen diffeomorf metrische mapping (LDDMM) 11, en ​​de morphing van atlas vezeloriëntaties met behoud van principale componenten (PPD) 2, 12. De diffeomorphicproperty van LDDMM garandeert dat de atlas niet "foldover" zelf tijdens vervorming, waardoor het behoud van de integrityof anatomische structuren. Figuur 1 de verwerking pijplijn van onze methodologie illustreert. Het protocol tekstdeel § 1 beschrijft de verschillende onderdelen van de pijpleiding door te tonen hoe de schatting kan worden uitgevoerd voor voorbeeld patiënt. De cijfers in sommige van de blokken in figuur 1 verwijzen naar de corresponderendesubsecties in sectie § 1 van het protocol tekst.

We hebben het functioneren van de voorgestelde methodologie door het kwantificeren van de schattingsfout, en het meten van het effect van deze fout onsimulations van elektrofysiologie van het hart, door computationeel simuleren lokale elektrische activering kaarten en pseudo-elektrocardiogrammen (pseudo-ECG's). Als gevolg van de onbeschikbaarheid van het menselijk hart, werd de evaluatie van de prestaties uitgevoerd met behulp van honden harten beschikbaar van eerdere studies 13-15. De schattingsfout werd berekend door middel van kantelhoeken 16 followingthe traditie histologie, waar hoekmetingen zijn performedon weefselsecties die die evenwijdig aan de epicardialsurface. Aangezien de anglebetween de vezelrichting en epicardiale raakvlak is generallysmall 17, 18, ​​de informatieverlies het beschrijven van een fiberdirection geheel met de kantelhoek onbeduidend is. Voor de computnele simulaties image-gebaseerde modellen werden gebouwd zoals eerder 19, 20 en hartweefsel in de modellen werd weergegeven op basis van vastgestelde mathematische technieken en experimentele data 21-25. Sinusritme werd gesimuleerd door replicerende activering afkomstig van de Purkinje netwerk 26, en ventriculaire tachycardie door een S1-S2 stimulatie protocol 27. Pseudo-ECG's werden berekend 28 en vergeleken met de gemiddelde absolute afwijking (MAD) metrische 29.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Vezeloriëntaties Schatting

  1. Verwerven structurele MRI en DTMRI beelden van een normale volwassen menselijk hart in diastole, met een resolutie van 1 mm 3. Met ImageJ Extraheer het ventriculaire myocardium van de atlas structurele beeld door fitting voor elke korte as slice, gesloten splines door een stel herkenningspuntposities punten langs het epicardiale en endocardiale begrenzingen in het segment (Figuur 2A en Figuur 2B). Handmatig uitvoeren van de plaatsing van landmark punten voor elke 10 ste segment in de afbeelding. Verkrijgen landmark punten voor de overige segmenten door lineair interpoleren het handmatig geïdentificeerd, en daarvoor MATLAB.Reconstruct de vezeloriëntaties van de atlas hart door berekening van de primaire eigenvectoren van de ODC in de DTMRI (Figuur 2C).
  2. Verwerven beeld van de geometrie van de patiënt hart in diastole gebruik in vivo cardiale CT of MRI. Reconstruct de patiënt hart geometrie van het beeld vergelijkbaar met de manier waarop de atlas werd gebouwd (Figuur 3A & Figuur 3B). De patiënt afbeelding moet worden voorafgaand aan de reconstructie zoals opnieuw worden bemonsterd dat de in-plane resolutie is 1 mm 2. Ook moet het aantal segmenten waarvoor oriëntatiepunten handmatig worden geplukt, en het interval van out-of-plane interpolatie worden aangepast zodat de gesegmenteerde patiënt hart een schijfje dikte van 1 mm.
  3. Vervorm de atlas ventriculaire afbeelding om de patiënt geometrie beeld in twee stappen te passen. In de eerste stap het uitvoeren van een affine transformatie gebaseerd op een reeks van dertien oriëntatiepunten punten: de linker ventrikel (LV) apex de twee rechter ventrikel (RV) invoegpunten aan de basis, de twee RV invoegpunten halverwege basis en apex, en vier sets van twee punten die gelijkmatig RV en LV epicardiale contouren verdelen aan de basis, en halverwege tussen basis en top (Figuur 4A & (Figuur 4C).
  4. Morph het DTMRI beeld van de atlas van herpositionering van beeld voxels en opnieuw richten van de ODC volgens de transformatiematrix van het affiene matching en de vervorming van het gebied LDDMM transformatie. Voer de heroriëntatie van de ODC met behulp van het behoud van de hoofdrichtingen (PPD)-methode.
  5. Het verkrijgen van de schatting van de patiënt vezeloriëntaties van de morphed atlas DTMRI beeld door het berekenen van de primaire eigenvector van de DTS (figuur 5).

2. Meting van de schattingsfout

  1. Acquire ex vivo structurele MR en DTMR beelden van zes normale en drie falende honden harten, met een resolutie van 312,5 × 312,5 × 800 micrometer 3. Hier, hart failokken worden opgewekt in de hoektanden via radiofrequente ablatie van de linker bundeltakblok gevolgd door 3 weken tachypacing bij 210 min -1.
  2. Segment de ventrikels van het hart canine vergelijkbaar met de menselijke atlas hart, zoals beschreven in § 1.1. Noem ventrikels gesegmenteerde van normale honden harten hart 1 tot 6, en die gesegmenteerde falende harten hart canine 7 tot 9 (Fig. 6).
  3. Verkrijgen vijf verschillende schattingen van ventriculaire vezeloriëntaties van hart 1 door elk van harten 2 6 als een atlas (afbeelding 7).
  4. Schatting vezeloriëntaties voor elk van de falende ventrikels met hart 1 als de atlas (figuur 8).
  5. Foreach gegevenspunt van elke reeks van geschatte vezeloriëntaties, berekenen de schattingsfout als | θ c-θ a |, waar θ c en θ een worden de hellingshoeken van naar schatting eend vezeloriëntaties verworven op dat moment respectievelijk.
  6. Voor elk gegevenspunt van elke reeks van geschatte vezeloriëntaties, berekenen de scherpe hoek betweenestimated en verworven vezelrichtingen driedimensionaal (3D) via thevector dot product.

3. Meting van de effecten van schattingsfout op Simulaties

  1. Van hart 1, bouwen zes modellen, een met de DTMRI verworven vezeloriëntaties van hart 1 (aangeduid als model 1), en vijf met de vijf geschatte vezeloriëntaties datasets (modellen 2 tot 6). Voor elk van de drie falende hart geometrieën, de bouw van twee ventriculaire modellen, een met de DTMRI-verworven vezeloriëntaties en de andere met de geschatte vezeloriëntaties. Hier de ruimtelijke resolutie van de modellen, berekend in termen van de gemiddelde lengte van de rand mazen, moet ongeveer 600 pm. Noteer de hartfalen modellen met DTMRI-vezels verkregen als modellen 7 tot 9, en die met estimated vezels als modellen 10 tot 12.In de modellen, gebruiken monodomain vertegenwoordiging aan het hartweefsel te beschrijven, met betrekking tot vergelijkingen:

Vergelijking 1
waarbij σ b de bulk geleidbaarheid tensor die wordt berekend uit de bidomain geleidbaarheid tensoren zoals beschreven door Potse et al. 30, V m de transmembraanpotentiaal, C m is het membraan specifieke capaciteit en I ion is de dichtheid van de transmembraan lopende, die op zijn beurt afhankelijk is van m V en een aantal toestandsvariabelen μ waarin de dynamiek van ionische stromen in de membrane.For C m u de waarde 1 μ F / cm 2. Voor i σ in normale honden hart modellen, gebruiken lengterichtinginterne en transversale geleidbaarheid van 0,34 W / m en 0,06 S / m, respectievelijk. Vertegenwoordigen l lon door de Greenstein-Winslow ionische modellen van de hond ventriculaire myocyten. Verlaag de elektrische geleidbaarheid in honden hartfalen ventriculaire modellen van 30% (Figuur 9).

  1. Met behulp van het softwarepakket CARP (CardioSolv, LLC), simuleren sinusritme met alle modellen. Induceren reentrant ventriculaire tachycardie (VT) in de zes niet-modellen met een S1-S2 stimulatie protocol. Kies de timing tussen S1 en S2 een aanhoudende VT activiteit te verkrijgen gedurende 2 sec na S2 levering. Als VT wordt niet geïnduceerd voor S1-S2 timing, verminderen de geleidbaarheden met 70% tot VT werd geïnduceerd (Figuur 10).
  2. Voor elke simulatie berekenen pseudo-ECG door het verschil van extracellulaire potentialen tussen twee punten in een isotroop bad rond het hart. Plaats de twee punten bij de basis van gescheiden het hartmet 18 cm, zodat de lijn verbinden loodrecht op de basis-apex vlak van het septum zoals geïllustreerd in figuur 10. Voor elke simulatie met geschatte vezeloriëntaties, berekenen de MAD metrische

Vergelijking 2
waarbij X de ECG golfvorm van de simulatie geschatte vezeloriëntaties, Y de ECG golfvorm van thecorresponding simulatie met verworven vezeloriëntaties, X is de gemiddelde waarde van X, Y is de gemiddelde waarde van Y en n de lengte van X en Y.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figuur 11, AC toont gestroomlijnde visualisaties van en met de geraamde DTMRI afgeleide vezeloriëntaties in normale en falende harten. Kwalitatieve onderzoek blijkt dat naar schatting vezeloriëntaties goed af te stemmen op DTMRI afgeleide degenen. Panel D toont, gelegd over de geometrie van een hart, de verdeling van fouten in normale harten 'kantelhoeken, gemiddeld over alle vijf schattingen. Panel E toont de gemiddelde verdeling van fouten in falende harten 'kantelhoeken, gelegd over de geometrie van hart 1. Merk op dat kantelhoeken waarden tussen -90 ° en +90 ° hebben, en daarom de schattingsfout varieert tussen 0 ° en 180 °. Panels F en G onderhavige secties van weefsel van de verdelingen in panels D en E respectievelijk. Dit benadrukt de transmurale variatie van de fout. De histogrammen van fouten in het paneel H suggereren dat de meeste myocard voxels hebben kleine foutwaarden. Ongeveer 80% en 75% van de voxels hebbenfouten minder dan 20 ° in normale en niet ventrikels respectievelijk. Het bleek dat de gemiddelde fout, gemiddeld over alle geschatte datasets en alle beeld voxels die behoorde tot het myocard, waren 14,4 ° en 16,9 ° in normale en niet ventrikels respectievelijk. De gemiddelde fout in de gehele myocard, in combinatie normaal en niet gevallen, was 15,4 °. De gemiddelde 3D scherpe hoek tussen geschatte en verworven vezels aanwijzingen waren 17,5 ° en 18,8 ° in normale en falende ventrikels, respectievelijk. Het 3-D hoeken zijn vergelijkbaar met de schatting errors.These resultaten blijkt dat hellingshoeken van voorspelde vezeloriëntaties zijn vergelijkbaar met die verkregen door ex-vivo DTMRI de state-of-the-art technique.The standaarddeviatie van de fout in de fivedifferent ramingen van de vezeloriëntaties van heart 1 slechts 1,9 aangeeft dat de variatie in kwaliteit schatting van oneatlas ander klein is.

13 stellen de gesimuleerde activering kaarten van een maatslag van sinusritme activatie in normale en niet ventriculaire modellen respectievelijk. Modellen met een geschatte vezeloriëntaties produceren activering kaarten erg lijken op die van de modellen met een verworven oriëntaties, de vroegste epicardiale activeringen plaatsvinden op dezelfde plaatsen, en de richtingen van vermeerdering overeenkomen ook. De totale gemiddelde verschil in totale activeringstijden tussen verworven en geschat vezeloriëntatie gevallen in de normale ventriculaire modellen, gemiddeld over alle schattingen en alle nodes mesh, 5,7 ms, een kleine fractie (gemiddeld 3,7%) van het totale activatie tijd. Figuur 12C toont aan dat pseudo-ECG's verkregen voor sinusritme simulaties met modellen 1 en 3 hebben identieke morfologie. De MAD score tussen deze twee golfvormen was 4,14%. Gemiddeld is de MAD score tussen sinusritme pseudo-ECG's met elk van de modellen 2 tot 6 en model1 was 10,9%. In simulaties van het sinusritme met falende ventriculaire modellen, het gemiddelde verschil in totale activeringstijden tussen modellen met verworven en naar schatting vezeloriëntaties was slechts 5,2 ms (3,1%), terwijl de gemiddelde MAD score was 4,68%. Deze resultaten geven aan dat de resultaten van simulatie van ventriculaire activatie in sinusritme in normale en niet canine ventriculaire modellen vezeloriëntaties geschat met de huidige methodologie nauw die met verworven oriëntaties kiezen. In het bijzonder heeft de aanwezigheid van hartfalen niet af van de nauwkeurigheid van de schatting.

Figuur 14 toont gesimuleerde activering kaarten in apicale uitzicht van de ventrikels, gedurende een cyclus van geïnduceerde VT in de hartfalen modellen en overeenkomstige pseudo-ECG. Simulaties met verworven en naar schatting vezeloriëntatie beide vertonen vergelijkbaar cijfer-van-acht reentrant patronen. De ECG-morfologie overeenstemt met de geraamde en verworven vezelsoriëntaties waren in goede overeenstemming. De gemiddelde MAD score was 9,3%. Deze resultaten geven aan dat honden hartfalen modellen met een geschatte vezeloriëntaties nauw kan uitkomsten van VT simulaties uitgevoerd met behulp van verworven vezeloriëntaties repliceren.

Figuur 1
Figuur 1. Onze verwerking pijplijn voor het schatten van ventriculaire vezeloriëntaties in vivo. Klik hier om een grotere afbeelding te bekijken .

Figuur 2
Figuur 2. Geometrie en vezeloriëntaties van de atlas ventrikels. (A) De epicardiale (rood) en endocardiale (groen en magenta) splines, en de bijbehorende bezienswaardigheden (geel) overlay op een voorbeeld deel van de atlas beeld. (B) De atlas ventrikels in 3D. (C) De atlas vezeloriëntaties.

Figuur 3
Figuur 3. Patiënt ventriculaire geometrie wederopbouw. (A) De epicardiale (rood) en endocardiale (groen en magenta) splines, en de bijbehorende bezienswaardigheden (geel) overlay op een afbeelding plak. (B) Patiënt ventrikels in 3D.

Figuur 4
Figuur 4. Vervorming van de atlas ventrikels naar de patiënt ventrikels te passen. (A) superpositie van ventrikels van atlas (magenta, zie ong> Figuur 2B) en patiënt (rood, zie Figuur 3B). (B) Patiënt ventrikels en de affiene getransformeerd atlas ventrikels. (C) Patiënt ventrikels en LDDMM-getransformeerde atlas ventrikels.

Figuur 5
Figuur 5. Geschatte vezeloriëntaties van de patiënt hart in figuur 3B.

Figuur 6
Figuur 6. Segmentatie van honden harten. De epicardiale (blauw) en endocardiale (rood en magenta) splines, en overeenkomstige landmarks (groen) bedekt met een voorbeeld plak van een normale hond hart.

7.jpg "alt =" Figuur 7 "fo: inhoud-width =" 5in "fo: src =" / files/ftp_upload/50125/50125fig7highres.jpg "/>
Figuur 7. De overgenomen en naar schatting vezeloriëntaties van hart 1.

Figuur 8
Figuur 8. De overgenomen en naar schatting vezeloriëntaties van harten 7-9.

Figuur 9
Figuur 9. Linkerpaneel toont de computationele mesh gegenereerd voor de modellen van het hart 1. Aan de rechterkant wordt de actiepotentiaal curve van een normale hond ventriculair myocard berekende met behulp van de Greenstein-Winslow model weergegeven.


Figuur 10. Stimulatie plaatsen van de simulatie van sinusritme en VT, als overlay op de geometrie van hart 7. E1E2 illustreert de leiding vector in pseudo-ECG berekeningen.

Figuur 11
Figuur 11. Validatie van de vezel oriëntatie ramingsmethodologie door het vergelijken van de geschatte vezeloriëntaties met DTMRI afgeleide oriëntaties. (A) superpositie van DTMRI verworven vezeloriëntaties (groengeel) en een reeks van geschatte vezeloriëntaties (cyaan) van hart 1. (B) Verworven en geschatte vezeloriëntaties van hart 7. (C) een vergroot gedeelte van (B) metafstemming tussen verworven en geschat vezeloriëntaties. Merk op dat de stroomlijnt zijn gegenereerd op willekeurige locaties binnen het myocard voor visualisatie doeleinden, zo en hun exacte posities zijn niet relevant. (D) Verdeling van de gemiddelde schattingsfout in de normale ventrikels. (E) Verdeling van de gemiddelde schattingsfout in falende ventrikels. (F) Een sectie van weefsel uit (D). (G) Een sectie van weefsel uit (E). De kleurenbalk is van toepassing op DG. (H) Histogrammen van fouten in normale en niet ventrikels. Frequentie geeft het aantal voxels met een bepaalde fout.

Figuur 12
Figuur 12. Resultaten van simulaties van een tel. van het sinusritme bij normale honden ventriculaire modellen. (A) Activering kaart gesimuleerd met behulp van het model met verworven fiber oriëntaties (model 1). (B) Absolute verschil tussen de gesimuleerde activering kaarten verkregen uit een ventriculaire model met verworven vezeloriëntaties en dat met een geschatte vezeloriëntaties, gemiddeld over de vijf schattingen. (C) Gesimuleerde pseudo-ECG's met modellen 1 en 3. (D) Gesimuleerde activering kaarten van ventrikels met een geschatte vezeloriëntaties (modellen 2-6).

Figuur 13
Figuur 13. Resultaten van simulaties van een tel. van sinusritme bij falende hart-modellen. In th e eerste kolom, rijen 1-3 tonen activering kaarten berekend met behulp van modellen 7-9, respectievelijk. In de tweede kolom, rijen 1 tot 3 weergave resultaten van simulaties met modellen 10-12, respectievelijk. Rijen 1-3 in de derde kolom beelden de absolute verschil tussen het activeren kaarten in de fiRST en tweede kolom van de overeenkomstige rij. Rijen in de vierde kolom geven gesimuleerde pseudo-ECG van modellen in de eerste en tweede kolom van de overeenkomstige rij.

Figuur 14
Figuur 14. Resultaten van simulaties van VT inductie met het falende hart modellen. Rijen 1-3 in de eerste kolom tonen activatie maps gedurende een cyclus van activiteit reentrant simulaties met modellen 7-9, respectievelijk. Rijen 1-3 in de tweede kolom blijkt activatie kaarten voor de modellen 10-12, respectievelijk. Rijen in de derde kolom illustreren pseudo-ECG van modellen in de eerste en tweede kolom van de overeenkomstige rij.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Dit onderzoek toont dat kwantitatief, in afwezigheid van DTMRI, myocardiale vezeloriëntaties van normale en niet ventrikels kan worden geschat uit in-vivo beelden van hun geometrie voor gebruik in simulaties van cardiale elektrofysiologie. De voorgestelde methode wordt gedemonstreerd in vivo met CT data, maar is evenzeer toepasbaar op in vivo MR beelden van ventriculaire geometrie aanpak van het gebrek aan vermogen om rechtstreeks te verwerven patiënt vezelrichtingen. Het is dus een belangrijke stap op weg naar de ontwikkeling van gepersonaliseerde modellen van ventriculaire elektrofysiologie voor klinische toepassingen. De methode kan ook gebruikt worden om de vezelrichtingen in ex-vivo hart met hoge resolutie schatten. Dit is vooral handig bij de aanschaf van sub-millimeter resolutie DTMRI beelden moeilijk of onbetaalbaar, als gevolg van de zeer lange Zoektijden.

Onze elektrofysiologische simulatiesgen stelde dat de activering kaarten niet erg gevoelig voor veranderingen in vezel oriëntaties. Wat nog belangrijker is, hebben we laten zien dat de effecten van vezels inschattingsfouten over de bruto-elektrofysiologie waren onbeduidend werden bij een klinisch waarneembare niveau door middel van de MAD score van de pseudo-ECG's. De MAD metrische was suitablebecause het is gebruikt in klinische studies, om compareECGs van reentrant activiteit en tempo propagatie voor localizationof de organiserende centra van reentrant circuits 29. Een MADscore van minder dan 12%, een drempel dat onze resultaten voldoen, houdt in dat de twee onderliggende propagationpatterns klinisch equivalent.Note dat de gelijkenis van voortbewegingspatronen zal vertalen naar lage verschillen in mechanische activering patronen en, zoals gemeld experimenten tonen aan dat de lokale elektrische en mechanische activatie keer tijdens sinusritme sterk gecorreleerd. Samengevat, zal ons onderzoek te vergemakkelijken ventriculaire simulatie studies van een speties bij gezondheid en ziekte wanneer het niet haalbaar is om vezeloriëntaties met DTMRI verwerven. Met name de voorgestelde methode opent de weg voor patiëntspecifieke modellering van ventriculaire gehele hart elektrofysiologie (en eventueel) elektromechanisch alleen gebaseerd op in vivo klinische beelddata. Simulaties met dergelijke modellen kan uiteindelijk helpen artsen om op zeer persoonlijke uitspreken voor therapeutische interventies als profylaxe. Overigens onze resultaten bleek dat de uitvoering van de voorgestelde methode was onafhankelijk van de keuze van de atlas.Accordingly voor de toepassing van deze studie kan een statistische atlas 17, 31 niet vereist.

De huidige studie heeft een aantal beperkingen. In de eerste plaats menselijk hart beeldgegevens niet beschikbaar waren voor ons, en daarom theproposed ramingsmethodologie werd gevalideerd met imagesof hond harten. We verwachten dat de methodologie zal vezeloriëntaties in hum accuratelyestimateeen hart en omdat, net als in canine hart vezeloriëntaties opzichte geometrie bleken niet significant tussen verschillende menselijke hart 17. Ook hebben we getest onze methodologie in de normale andfailing harten alleen. Het is belangrijk om te testen onder omstandigheden zoals myocardinfarct en hypertrofie, waar vezels disorganizations bekend zijn 32, 33 ontstaan.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Geen belangenconflicten verklaard.

Acknowledgements

Wij danken Drs. Raimond Winslow, Elliot McVeigh, en Patrick Helm aan de Johns Hopkins University voor het verstrekken van de ex vivo datasets online.This onderzoek werd ondersteund door National Institutes of Health subsidie ​​R01-HL082729 en National Science Foundation subsidie ​​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