Targeting neuronalen Faser Traktate für Deep Brain Stimulationstherapie mit interaktiven, patientenspezifische Modelle
Summary
Das Ziel dieses Projektes ist es, eine interaktive, Patienten-spezifischen Modellierung Pipeline um die Effekte der tiefen Hirnstimulation in nahezu in Echtzeit zu simulieren und aussagekräftige Rückmeldung, wie diese Geräte neuronalen Aktivität im Gehirn beeinflussen zu entwickeln.
Abstract
Tiefe Hirnstimulation (DBS), die Einfügung einer Elektrode Stimulation zu einer lokalisierten Hirnregion liefern miteinbezieht, ist eine etablierte Therapie für Bewegungsstörungen und auf eine wachsende Zahl von Erkrankungen angewendet wird. Computergestützten Modellierung wird erfolgreich eingesetzt, die klinischen Wirkungen von DBS vorherzusagen; Allerdings gibt es eine Notwendigkeit für neuartige Techniken mit der wachsenden Komplexität der DBS-Geräten mithalten. Außerdem müssen diese Modelle schnell und präzise Vorhersagen zu generieren. Das Ziel dieses Projektes ist, eine Bild-Verarbeitungs-Pipeline um strukturelle Magnetresonanztomographie (MRT) und Diffusion weighted Imaging (DWI) in eine interaktive, geduldige modellspezifisch simulieren die Auswirkungen von DBS zu integrieren zu entwickeln. Eine virtuelle Führung DBS platziert werden kann, innerhalb der Patienten Modell, zusammen mit aktiven Kontakte und Stimulation Einstellungen, wo Änderungen in führende Position oder Ausrichtung eine neue finite-Elemente-Netz und Lösung des Problems bioelektrische Feld in erzeugen nahezu Echtzeit, ein Zeitspanne von ca. 10 Sekunden. Dieses System ermöglicht auch die Simulation von mehrere Leads in der Nähe um aktuelle Lenkung durch unterschiedliche Anoden und Kathoden auf verschiedenen führt zu ermöglichen. In diesem Whitepaper vorgestellten Techniken reduzieren die Belastung der Erzeugung und Verwendung Rechenmodelle und bietet aussagekräftige Rückmeldung über die Auswirkungen der elektrodenposition Elektrodenkonstruktion und Stimulation Konfigurationen für Forscher und Kliniker Wer möglicherweise nicht Modellierung Experten.
Introduction
Tiefe Hirnstimulation (DBS) ist eine etablierte Therapie für Bewegungsstörungen wie essentiellem Tremor1 und der Parkinson-Krankheit2. Diese Therapie wird auch als mögliche Behandlung für eine wachsende Zahl von Erkrankungen einschließlich Schädel-Hirn-Verletzung-3, Tourette-Syndrom4und Depression5untersucht. DBS Systeme erfordern chirurgische Implantation einer Elektrode Blei Stimulation in einem lokalisierten Hirnregion zu modulieren, laufende neuronale Aktivität6liefern. Die Lage der Elektroden und die Stimulationsparameter wirken sich auf die Modulation der neuronalen Schaltkreise, die therapeutischen Nutzen zu bieten. Kleine Abweichungen in Lage beeinflussen das therapeutische Fenster, möglicherweise erhöht die Wahrscheinlichkeit von unerwünschten Nebenwirkungen, vor therapeutischer nutzen erreicht7,8,9. In der Praxis ist es oft schwierig, vorauszusagen, dass die Effekte-Stimulation auf die neuronale Aktivität haben wird; Daher wird dieses Fenster des therapeutischen Nutzens auf Basis von Patienten identifiziert, wie die stimulationsvorrichtung durch die Kliniker8,9programmiert ist. Dieser Prozess wird immer komplexer, sobald neue Generationen von DBS Geräte verfügbar sind. Zum Beispiel neuartige Blei Designs mit mehr Kontakte10,11,12eingeführt, und in einigen Fällen sind mehrere Leads in unmittelbarer Nähe zu einander13implantiert wird. Deshalb müssen sich in der Lage zu erkunden und die Auswirkungen des DBS über eine große und wachsende Parameterraum.
Computergestützten Modellierung und Analyse können verwendet werden, um die physiologischen und klinischen Auswirkungen der DBS auf patientenspezifischer Basis vorherzusagen. Diese Modelle verwenden Finite-Elemente-Modellierung (FEM), um drei dimensionale Darstellungen des Hirngewebes und die biophysikalischen Eigenschaften der implantierten Elektrode zu bauen. FEM bioelektrische Feld Modelle haben erfolgreich eingesetzt, um die Auswirkungen der DBS14vorherzusagen, aber bis jetzt wurden diese zeitaufwändige und rechnerisch kostspielig zu generieren. Besteht ein Bedarf für neue Modellierungstechniken, Schritt zu halten mit der zunehmenden Komplexität der DBS-Geräte. Diese Patienten-spezifischen Modelle sollen in der Nähe von visuellem Feedback in Echtzeit über die Auswirkungen der DBS als Lead-Standort oder Stimulationsparameter geändert werden. Der Benutzer würde erhalten Sie Feedback über eine Lead-Standort und Stimulation Einstellung in ein paar Sekunden, so dass weiterhin Verfeinerung der Blei-Platzierung im Laufe von mehreren Minuten. Patienten-Spezifität wird durch Einbeziehung der Anatomie des Patienten, deren Gehirn Form und Größe, beim Bau der FEM und Anwenden der biophysikalischen Eigenschaften ihres Gehirns, wie anisotrope Gewebe Leitfähigkeit erreicht. Anisotrope Leitfähigkeit beschreibt, wie Strom wird durch verschiedene Gehirnregionen verteilt und nicht-invasiv gemessen werden, für das gesamte Gehirn ähnlich wie ein Bild der typischen Magnetresonanz (MRI).
DBS Modellierung Ansätze, die nicht mit Patienten-spezifischen Informationen können schnelle, aber weniger genaue Vorhersagen der Stimulation Effekte durch generalisierte Geometrien und Leitfähigkeitswerte für Hirngewebe bereitstellen. Bei diesem Ansatz einer einzigen FEM dient für alle Patienten und der vorhergesagte neuronale Aktivität im Voraus berechnet werden kann. Patienten-spezifische Modelle nicht verallgemeinert und vorab berechnet, da eine neue FEM für jeden einzelnen gebaut ist. Diese Modelle erfordern mehr Aufwand zu bauen aber genauer. Mehrere Faktoren begrenzen die Geschwindigkeit, an dem diese Modelle gebaut und verwendet werden können: 1) Parameter zu Beginn des Gebäudes modellpipeline, wie z. B. elektrodenposition, erfordert manuellen Aufwand zur Aktualisierung aller nachfolgenden Schritte; und 2) die Schritte in der Modellierung-Pipeline sind nicht problemlos miteinander erfordert die Übergabe von Daten zwischen mehreren Softwarepaketen. Oft wollen wir viele verschiedene Situationen wie elektrodenposition, Stimulationsparameter oder Elektrode Designs bewerten. Um aussagekräftige Rückmeldung über die Wirkung zu bieten, die diese Änderungen auf die therapeutische Wirkung haben, die der Patient erhalten, sollten diese Ergebnisse korrekt und erzeugt schnell sein.
Unser Ziel ist es, neue Techniken für Gebäude patientenspezifische Modelle, die die Geschwindigkeit nutzen in generalisierten Modellen erhältlich und automatisieren viele der Pipeline Schritte interaktive Modellierungsumgebung zu schaffen, die in der Nähe von Echtzeit-Visual bietet zu präsentieren Feedback über die Auswirkungen des DBS. Eine interaktive Simulation ermöglicht einem Benutzer, Vorhersagen zu testen und schnell Ergebnisse zu erzielen, ohne auf Einzelheiten der Modellbau. Dies ist vorteilhaft, wenn es eine große Parameterraum zu erkunden und wie diese Parameter beeinflussen die Simulation sind unsicher. Beschreiben wir die Schritte in der Verarbeitungspipeline, interaktive, patientenspezifische FEM-Modelle von Magnetresonanz-Bildgebung (MRI) Übernahmen zu generieren. Nutzung der Tools und Techniken, die in diesem Dokument beschriebenen reduzieren die Kosten für die Erstellung von FEM bioelektrische Feld Modelle und bieten die Möglichkeit, diese Modelle für Forscher und Kliniker, die nicht Experten modellieren zugänglich zu machen.
Dieses Protokoll beschreibt, wie eine patientenspezifische finite-Elemente-Modell von erworbenen MRI Bände zu bauen, und dann simulieren das elektrische Feld induziert durch eine DBS-Elektrode. Die wichtigsten Schritte bei der Erstellung dieser Modelle sollen: (1) ein finite-Elemente-Modell (FEM) repräsentieren das Gehirn des Patienten und der implantierten Elektrode bauen, 2) FEM biophysikalischen Eigenschaften und Hirnstimulation Parameter des Geräts DBS hinzu, und (3) lösen die Spannung, die durch die Elektrode in das Modell generiert. Zwei bildgebende Verfahren sind erforderlich, um einen Patienten spezifische Modell für DBS Simulation zu erstellen. Ein T1-MRT wird verwendet, um Segmentierungen des Gehirns Oberfläche, Ventrikel und spezifischen Kernen zu konstruieren. Diffusion weighted Imaging (DWI), ein gewisses Maß an Wasser diffusivität dient zur Verbreitung Tensoren im gesamten Gehirn Gewebe15zu schätzen. Die Diffusion Tensoren sind Leitfähigkeit Tensoren die inhomogenen, anisotropen biophysikalischen Eigenschaften des Gewebes auf einem Voxel quantifizieren durch Voxel Basis16umgewandelt. Die Spannungsverteilung im gesamten Gehirn induziert durch die Elektrode wird durch das Lösen der Poisson-Gleichung, die durch die Anwendung der FEM zu einem linearen System von Gleichungen vereinfacht berechnet Ax = b wo A ist eine Steifigkeitsmatrix, stellt die Leitfähigkeit und Geometrie des Netzes, x ist die Lösung der Spannung an jedem Knoten im Netz, und b wird geändert, je nach Randbedingungen und Stromquellen.
Protocol
Representative Results
Discussion
Dieses Protokoll hat Techniken, um die Zeit zu entlasten und rechnerische Kosten des Aufbaus Patienten spezifische Modelle für DBS bis zu einem Grad, der in der Nähe von Echtzeit-Feedback der Simulationsergebnisse erlaubt. Schnelles Feedback ermöglicht die Erforschung der großen Parameterraum, besser zu verstehen, wie Parameteränderungen die Modellergebnisse beeinflussen. Diese Parameter umfassen Blei Lage, Wahl der aktiven Kontakte und die Amplitude, Impulsbreite und Frequenz der Stimulation Wellenform an diese Kontakte. Die wichtigsten Merkmale des vorgeschlagenen Tools sind: 1) eine einfache Benutzeroberfläche anpassen die Modellparameter mit in der Nähe von Echtzeit-Visualisierung wie diese Parameter der Simulation, und (2) Automatisierung der Modellerstellung von einer kleinen Reihe von Eingaben beeinflussen: die Gehirn-Oberfläche Gehirn Gewebe Leitfähigkeit Tensoren und einer Oberfläche Darstellung der Elektroden-Geometrie. Diese Automatisierung beschleunigt die Erstellung von patientenspezifischen Modellen für viele Personen, die verschiedenen Geometrien und Gewebe Leitfähigkeiten sowie Evaluierung der Auswirkungen der bestehenden Modelle unterschiedlichen Elektrode Entwürfe einfügen. In diesem Protokoll beschriebenen Bild Vorverarbeitung Schritte waren nicht vollständig automatisiert und können bis zu einem Tag Bearbeitungszeit dauern. Sobald die Daten aus diesen Schritten abgeschlossen gelten jedoch statisch, d. h., dass diese Daten nicht während der Simulation geändert werden. Die Automatisierung der Modellerstellung entsteht aus der Fähigkeit des Systems, die Patienten-spezifischen FEM ohne manuellen Aufwand diese Daten zuweisen. Das SCIRun-Netzwerk alle Modellgeneration, Simulation, Visualisierung Schritte ausführen muss nur einmal gebaut werden. Daher müssen nur die Bild Vorverarbeitung Schritte erneut durchgeführt werden, um ein Patienten-spezifischen Modell für Patienten zu erzeugen.
Der Performance-Gewinn in der Generierung von Ergebnissen aus der Modellierung-Pipeline ist durch die Integration der Gittergenerierung, bioelektrische Feldberechnungen und Visualisierung der Lösung in einer einzigen Softwareumgebung. Bestehenden Modellierungstechniken wie adaptive Mesh Generation wurden verwendet, um höhere erstellen ineinander greifen, um die Elektrode und niedriger Dichte weiter von der Elektrode, die reduziert die Zeit, zu bauen und zu lösen die FEM. Die Software, SCIRun, ermöglicht auch die Automatisierung der Gittergenerierung und bioelektrischen Feldberechnungen. Benutzerdefinierte Bewegung der Elektrode mit den interaktiven Widgets löst den Bau eines neuen Netzes mit der aktualisierten elektrodenposition. Dazu gehören der Randbedingungen und Leitfähigkeitswerte für die neue elektrodenposition zu verändern.
Die Elektroden-Geometrie wird als ein frei bewegliches Objekt innerhalb der Hirnvolumen behandelt, bevor seine Position in der FEM integriert ist Eine wichtige Implikation dieses Ansatzes für Netz-Konstruktion ist, dass mehrere Elektroden leicht in das Modell eingefügt werden können. Zum Beispiel, eine zweite Kopie der Elektroden-Geometrie kann mehrere Millimeter entfernt platziert werden und beide werden in der FEM enthalten sein In einer aktuellen Studie haben zwei Elektroden implantiert wurde, in unmittelbarer Nähe zur Behandlung multipler Sklerose Zittern13 und in nicht-menschlichen Primaten Experimente verwendet wurden, um effektive Stimulation Ziele21zu erkunden. Der Vorteil der Verwendung mehrerer Elektroden soll bessere Kontrolle über das elektrische Feld erzeugt im Gewebe über eine größere Fläche zu bieten. Stimulierung mit aktiven Kontakte an den beiden Elektroden kann aktuelle lenken, in Richtung der Zielregion und Weg von Regionen, die zu negativen Nebenwirkungen führen würde. Feinere Kontrolle der Stimulation über eine größere Fläche eignet sich auch verschiedenen Orte zu erforschen, die genaue Lage des beabsichtigten Ziels ist nicht bekannt, wie der Fall mit vielen aufstrebenden Therapieanwendungen des DBS ist. Bestimmung der Parameter, therapeutische Stimulation zu erreichen ist jedoch schwieriger als eine einzelne Elektrode aufgrund der Zunahme einer bereits große Parameterraum.
Wir uns vorstellen, dass diese interaktive Modellierungs-Tool nutzen bei der präoperativen Planung für DBS Implantation bieten könnte. Feedback über das Ausmaß der Stimulation im Hirngewebe können Chirurgen die Elektrode Position in ihren chirurgischen Plan zur therapeutischen Stimulation auf die Zielregion bieten zu ändern. DBS-Therapie der primären motivierender Faktor für die Entwicklung dieses Werkzeug war, können in diesem Beitrag vorgestellten Verfahren auf irgendwelchen FEM bioelektrische Feld mit verschiedenen Stimulation oder Aufnahme Paradigmen angewendet werden. Stimulation Therapien wie transkranielle Gleichstrom Stimulation für Depressionen22 oder die Verwendung von Tiefe Elektroden zur Behandlung von Epilepsie23 Teilen denselben Herausforderungen wie die DBS bei der Bestimmung des besten Lage der Stimulation zu erreichen therapeutische Ergebnisse. Electrocorticography, eine Aufnahmetechnik mit Arrays von Elektroden auf der Oberfläche des Gehirns, Beschlagnahme Beginn Regionen zu identifizieren hat die Herausforderung bestimmen, wo platzieren Sie die Elektroden Aufnahme von Zielregionen in der Gehirn-24. Alle diese Anwendungen sind elektrodenposition beim Umgang mit der Unsicherheit der wie Strom durch das Gehirngewebe fließt abhängig. In diesem Whitepaper vorgestellten Techniken reduzieren die Belastung der Erzeugung und Verwendung Rechenmodelle und bietet sinnvolle Feedback für Forscher und Kliniker, die mit diesen Geräten, die keine Modellierung Experten.
Declarações
The authors have nothing to disclose.
Acknowledgements
Dieses Projekt wurde durch die nationalen Institute der Gesundheit Stipendien UH3, NS095554 unterstützt. Technischer Support durch das Zentrum für Integrative Biomedical Computing am Scientific Computing and Imaging Institute zur Verfügung gestellt wurde und wurde teilweise durch Software, entwickelt von NIH P41-GM103545, Zentrum für Integrative Biomedical Computing möglich gemacht.
Dankbarkeit ist für die Unterstützung bei der Vorbereitung der Handschrift Lexie Boden und Nathan Galli am Scientific Computing und Imaging-Institut für Produktion und Bearbeitung des Antrags auf Zulassung video und auch Theresa Lins erweitert.
Materials
| FreeSurfer | Athinoula A. Martinos Center for Biomedical Imaging | https://surfer.nmr.mgh.harvard.edu/ | |
| 3D Slicer | BWH, Harvard University | https://www.slicer.org/ | |
| SCIRun | University of Utah Center for Integrative Biomedical Computing | http://www.sci.utah.edu/cibc-software/scirun.html |
Referências
- Benabid, A. L., et al. Chronic electrical stimulation of the ventralis intermedius nucleus of the thalamus as a treatment of movement disorders. Journal of Neurosurgery. 84 (2), 203-214 (1996).
- Limousin, P., et al. Effect of parkinsonian signs and symptoms of bilateral subthalamic nucleus stimulation. The Lancet. 345 (8942), 91-95 (1995).
- Schiff, N. D., et al. Behavioural improvements with thalamic stimulation after severe traumatic brain injury. Nature. 448 (7153), 600-603 (2007).
- Vandewalle, V., et al. Stereotactic treatment of Gilles de la Tourette syndrome by high frequency stimulation of thalamus. Lancet. 353 (9154), 724 (1999).
- Mayberg, H. S., et al. Deep brain stimulation for treatment-resistant depression. Neuron. 45 (5), 651-660 (2005).
- Hashimoto, T., Elder, C. M., Okun, M. S., Patrick, S. K., Vitek, J. L. Stimulation of the subthalamic nucleus changes the firing pattern of pallidal neurons. Journal of Neuroscience. 23 (5), 1916-1923 (2003).
- York, M. K., Wilde, E. A., Simpson, R., Jankovic, J. Relationship between Neuropsychological Outcome and DBS Surgical Trajectory and Electrode Location. J. Neurol. Sci. 287 (1-2), 159-171 (2009).
- Machado, A., et al. Deep brain stimulation for Parkinson’s disease: surgical technique and perioperative management. Movement Disorders. 21, S247-S258 (2006).
- Volkmann, J., Moro, E., Pahwa, R. Basic algorithms for the programming of deep brain stimulation in Parkinson’s disease. Movement Disorders. 21 (S14), S284-S289 (2006).
- Contarino, M. F., et al. Directional steering: A novel approach to deep brain stimulation. Neurology. 83 (13), 1163-1169 (2014).
- Pollo, C., et al. Directional deep brain stimulation: An intraoperative double-blind pilot study. Brain. 137 (7), 2015-2026 (2014).
- Willsie, A. C., Dorval, A. D. Fabrication and initial testing of the µDBS: a novel deep brain stimulation electrode with thousands of individually controllable contacts. Biomedical Microdevices. 17 (56), 9961 (2015).
- Oliveria, S. F., et al. Safety and efficacy of dual-lead thalamic deep brain stimulation for patients with treatment-refractory multiple sclerosis tremor: a single-centre, randomised, single-blind, pilot trial. The Lancet Neurology. 16 (9), 691-700 (2017).
- Butson, C. R., Cooper, S. E., Henderson, J. M., Wolgamuth, B., Mcintyre, C. C. Probabilistic Analysis of Activation Volumes Generated During Deep Brain Stimulation. Neuroimage. 54 (3), 2096-2104 (2011).
- Basser, P. J., Mattiello, J., LeBihan, D. MR diffusion tensor spectroscopy and imaging. Biophys. J. 66 (1), 259-267 (1994).
- Gullmar, D., Haueisen, J., Reichenbach, J. R. Influence of anisotropic electrical conductivity in white matter tissue on the EEG/MEG forward and inverse solution. A high-resolution whole head simulation study. NeuroImage. 51 (1), 145-163 (2010).
- Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
- Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 30 (9), 1323-1341 (2012).
- Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. Neuroimage. 62 (2), 782-790 (2012).
- . . Medtronic DBS 3387/3389 Lead Kit Manual. , (2018).
- Baker, J. L., et al. Robust modulation of arousal regulation, performance and frontostriatal activity through central thalamic deep brain stimulation in healthy non-human primates. Journal of Neurophysiology. 116 (5), 2383-2404 (2016).
- Fregni, F., et al. Treatment of major depression with transcranial direct current stimulation. Bipolar Disorders. 8 (2), 203-204 (2006).
- Hodaie, M., Wennberg, R. A., Dostrovsky, J. O., Lozano, A. M. Chronic anterior thalamus stimulation for intractable epilepsy. Epilepsia. 43 (6), 603-608 (2002).
- Rosenow, F., Lüders, H. Presurgical evaluation of epilepsy. Brain. 124 (9), 1683-1700 (2001).
