Ein effizienter geometrischer Ansatz zur Unterstu¨tzung der Tra jektoriebestimmung bei der Tiefenhirnstimulation

Abstract

Kurzfassung. Bei der Tiefenhirnstimulation wird eine Elektrode im Gehirn platziert, um Funktionsstorungen des Gehirns zu behandeln. In diesem Beitrag wird ein geometrischer Ansatz zur Unterstutzung der Trajektoriebestimmung bei der Tiefenhirnstimulation vorgestellt. Der Ansatz benotigt zwei Saatpunkte: einen in der Zielstruktur und einen zweiten auf der Kopfober ache. Der zweite Saatpunkt wird genutzt, um radial eine Menge von weiteren Saatpunkten zu generieren, die mit dem Zielpunkt linear zu Trajektorien verbunden und anschlie end automatisch auf Schnitte mit Risikostrukturen (z.B. Ventrikelsystem) analysiert und sortiert werden. Der Ansatz wurde anhand von 10 Trajektorien evaluiert, die von einem Neurochirurgen mit mehrjahriger Erfahrung (>6) in der Tiefenhirnstimulation manuell uberpruft wurden.

-

Die tiefe Hirnstimulation (THS) ist ein wirksames Verfahren zur Behandlung von Patienten mit Bewegungsstorungen [ 1 ]. Die Methode wurde Mitte des letzten Jahrhunderts erstmals angewandt. Seither wurden weltweit uber 50.000 Patienten mit Hilfe dieses Verfahrens behandelt. Bei dieser Methode werden unter ortlicher Betaubung Elektroden in den Hirnbereich implantiert, der fur die jeweilige Bewegungsstorung mitverantwortlich ist. Der Verlauf der Elektroden wird dabei individuell anhand von Magnetresonanztomographie (MRT)-Daten geplant, was die Sicherheit des Verfahrens bezuglich einer Blutungskomplikation deutlich erhoht [ 2 ]. In der Literatur nden sich verschiedene Verfahren zur (semi-)automatischen Planung von Trajektorien bei der THS. Navkar et al. [ 3 ] stellen einen Ansatz vor, bei dem so genannte Access Maps erzeugt werden. Dabei werden die anatomischen Strukturen und die Trajektorielange (farbkodiert) auf die Kopfober ache projiziert. Brunenberg et al. [ 4 ] prasentieren ein semi-automatisches Verfahren, bei dem zuerst verschiedene anatomische Strukturen segmentiert werden: Blutgefa e, Ventrikel und Gyri. Anschlie end werden Pfade in 3D mit einem Sicherheitsabstand zu den Strukturen berechnet. Der Ansatz von Vaillant et al. [ 5 ] nutzt die Informationen aus einem Gehirn-Atlas fur die Trajektoriebestimmung. Dazu wird der Atlas - und damit auch anatomische Strukturen und Risikobereiche - auf die MRT-Aufnahme des Patienten registriert, um in einem zweiten Schritt sichere Trajektorien zu berechnen. 2

Material und Methoden

Das vorgestellte Verfahren lasst sich in zwei Schritte unterteilen: In einem ersten Schritt werden von zwei benutzerde nierten Saatpunkten eine Menge von Trajektorien berechnet. In einem zweiten Schritt werden diese Trajektorien auf ihre Zugangssicherheit uberpruft und sortiert [ 6, 7, 8, 9 ].

In Abbildung 1 ist auf der linken Seite eine axiale MRT-Schicht zu sehen, in der von einem Neurochirurgen der Zielpunkt gesetzt wurde (die Zuordnung der Saatpunkte zwischen den unterschiedlichen Aufnahmemodalitaten (MRT T1/T2, CT) erfolgte hierbei uber die AC/PC-Linie mit korrespondierendem Mittellinienpunkt und das dadurch de nierte Koordinatensystem). Im mittleren Bild ist vom Neurochirurgen der Eintrittspunkt in der Nahe der Hirnober ache positioniert worden. Die Positionierung des Eintrittspunkts beruht auf Erfahrung des Neurochirurgen und gibt nur grob den Bereich vor, in dem normalerweise ein Zugang gelegt wird. Rechts ist die initiale Trajektorie { zu den beiden 2D-Markern { dreidimensional (3D) visualisiert.

Die initialen Trajektorien werden ausgehend von einer Initialisierung (Abb. 2, Markierung A) automatisch berechnet. Dazu werden Strahlen radial in der xyEbene (des DICOM-Koordinatensystems) konstruiert und an den Eintrittspunkt in der Nahe der Hirnober ache verschoben (B). Die Lange und die Anzahl der Strahlen konnen vom Benutzer uber zwei Eingaben gesteuert werden; sie sind allerdings mit Standardwerten vorbelegt (5 cm / 30 Strahlen). Diese strahlenbasierte Vorgehensweise ergibt eine hohere Dichte von moglichen Trajektorien in der Nahe des Eintrittspunktes der vom Neurochirurgen gesetzt wurde. Im folgenden Schritt werden die Richtungsvektoren der Ebene mit der initialen Trajektorie als Normale (C) und die Rotationsgerade zwischen xy-Ebene und \Trajektorien\-Ebene berechnet (D). Die Rotationsgerade ermoglicht eine Rotation der Strahlen aus (B) in die \Trajektorien\-Ebene (E). Danach werden Trajektorien zu verschiedenen Eintrittspunkten { die entlang der radialen Strahlen aus E gesampelt wurden { konstruiert (F).

Abb. 1. Manueller Zielpunkt (links), grob lokalisierter Eintrittspunkt in der Nahe der Hirnober ache (Mitte) und 3D Visualisierung der initialen Trajektorie (rechts).

Abbildung 3 veranschaulicht, wie eine bestimmte Trajektorie aus den initial generierten Trajektorien selektiert wurde (A und B), um diese anschlie end in den einzelnen axialen 2D-Schichten zu visualisieren (C-H). Nachdem alle moglichen Trajektorien konstruiert wurden, folgt die Uberprufung und Sortierung auf ihre Zugangssicherheit. Dazu tastet ein Algorithmus die Strahlen ab, die nicht in einem \normalen\ Grauwertintervall liegen und berechnet den prozentualen Anteil dieser Grauwerte zur Gesamtlange eines Strahls - zu berucksichtigen ist hierbei noch ein Sicherheitsabstand von 5 mm um den Strahl und ein ca. 20 mm breiter Rand fur den Schadelknochen. Das Grauwertintervall ist essentiell fur das Ergebnis, aber basierend auf der Annahme, dass der benutzerde nierte Zielpunkt auf Grauwerten fur eine potentielle Trajektorie liegt, kann das Grauwertintervall automatisch bestimmt werden. Hierzu wird uber eine Region der Dimension d um den Zielpunkt (sx, sy, sz) integriert ∫ d=2 ∫ d=2 ∫ d=2 d=2 d=2 d=2

T (sx + x; sy + y; sz + z) dx dy dz (1) 3

Ergebnisse

Die Realisierung erfolgte in C++ innerhalb der Plattform MeVisLab. Eine automatische Berechnung und Sortierung der Trajektorien benotigte in unserer Implementierung weniger als 3 Sekunden (gemessen auf einem Intel Core i5750 CPU, 4x2.66 GHz, 8 GB RAM, Windows XP Prof x64, 2003, SP 2). Eine manuelle Segmentierung dagegen dauerte bei den Experten bis zu einer Stunde, Abb. 2. A: Initiale Trajektorie (wei ). B: Radiale Strahlen in der xy-Ebene (des DICOM-Koordinatensystems) am Eintrittspunkt (grun). C: Richtungsvektoren der Ebene mit der initialen Trajektorie als Normale (blau). D: Rotationsgerade zwischen xy-Ebene und \Trajektorien\-Ebene (gelb). E: Radiale Strahlen rotiert in die \Trajektorien\-Ebene (pink). F: Trajektorien zu verschiedenen Eintrittspunkten, die entlang der radialen Strahlen aus E gesampelt wurden (wei ).

Tabelle 1. Evaluationsergebnisse fur 10 Trajektorien von 5 Patienten. Patient/ Kopfseite 1 - links 1 - rechts 2 - links 2 - rechts 3 - links 3 - rechts 4 - links 4 - rechts 5 - links 5 - rechts

AC/PC-Koordinaten (mm)

Zielpunkt Eintrittspunkt -13,86/-6,39/0,0 -57,36/19,18/58,61 13,86/-6,3/0,0 63,28/27,72/57,44

-12/-4/-4 -46,27/30,75/60,58 12,01/-3,98/-3,96 31,13/33,46/72,44

-9,92/-4/-4 -37,57/76,32/43,29 10,49/-4,88/-3,35 44,6/62,29/48,05 -13,96/-5,5/-1,5 -42,05/27,16/69,1 12,58/-5,76/-4,1 41,64/21,16/74,76 -10,37/-3,69/-3,65 -46,27/30,75/60,58 10,37/4,52/-4,26 35,16/54,13/58,69 - wobei zur automatisierten Trajektorieberechnung noch das manuelle Uberprufen hinzukam. Zuordnung und Import der Eintrittspunkte in das Stereotaxiesystem (bzw. die Planungssoftware), erfolgten uber das AC/PC-Koordinatensystem, damit eine berechnete Trajektorie auch im klinischen Alltag genutzt werden kann. Tabelle 1 listet detailliert die Evaluationsergebnisse fur 10 Trajektorien auf: die Kopfseite des Patienten, die AC/PC-Koordinaten fur Ziel- und Endpunkt, die Anzahl der automatisch bestimmten Trajektorien und die Position in der sortierten Liste, in dem sich die \Ground Truth\-Trajektorie be ndet. Fur die Anzahl der Trajektorien und die Position in der sortierten Liste werden zusatzlich der Mittelwert und die Standardabweichung angegeben.

Abb. 3. A: Initiale Trajektorien (hellblau). B: Selektion einer bestimmten Trajektorie (rot). C-H: Visualisierung der selektierten Trajektorie in den axialen 2D-Schichten (gelb). G: Grob lokalisierter Eintrittspunkt des Neurochirurgen (wei ).

Egger et al.

Diskussion

In diesem Beitrag wurde ein Ansatz zur Unterstutzung der Trajektoriebestimmung bei der THS vorgestellt, der zwei benutzerde nierte Saatpunkte benotigt: einen Eintrittspunkt im Kern (Zielpunkt) und einen grob lokalisierten Eintrittspunkt in der Nahe der Hirnober ache (EP), der verwendet wird um radial eine Menge von weiteren EPs zu generieren, die mit dem Zielpunkt zu Trajektorien verbunden werden. Diese Trajektorien werden dann automatisch auf Schnitte mit Risikostrukturen analysiert und sortiert. Im Gegensatz zu den vorhandenen Verfahren [ 3, 4, 5 ] mussen bei der hier vorgestellten Methode die Risikostrukturen nicht in einem Vorverarbeitungsschritt segmentiert werden, der einen Unsicherheits- und Zeitfaktor darstellt. Die Segmentierung nur einer der Risikostrukturen (z.B. des Ventrikelsystems) ist nicht trivial und es gibt dazu eine ganze Reihe von Ansatzen, die immer noch verbessert werden [ 10 ]. Und schlagt nur eine Vorsegmentierung fehl oder ist ungenau, kann die im zweiten Schritt berechnete Trajektorie nicht mehr verwendet werden. Eine erste Evaluation des hier vorgestellten Verfahrens wurde anhand von 10 Trajektorien vorgenommen, die gemeinsam mit einem Neurochirurgen manuell uberpruft wurden. Aktuell wird das vorgestellte Verfahren auf eine gro ere Menge von Patientendaten angewendet, und es ist geplant, die automatisch gewahlten Trajektorien mit den Expertentrajektorien seitens Start- und Zielpunkt quantitativ zu vergleichen. In einem nachsten Schritt soll zusatzlich der Zielpunkt bei der Planung mit einbezogen werden. Hirnnervenkerne besitzen eine bestimmte dreidimensionale Ausdehnung, die beim Verlauf der Trajektorie berucksichtigt bzw. in einem optimalen Winkel \anvisiert\ werden sollen.

Literaturverzeichnis

References

1. Benabid AL , et al. Functional neurosurgery for movement disorders: a historical perspective . Prog Brain Res . 2009 ; 175 : 379 { 91 .

2. Elias WJ , et al. Sulcal and ventricular trajectories in stereotactic surgery . J Neurosurg . 2009 ; 11 ( 2 ): 201 { 7 .

3. Navkar NV , et al. Visualization and planning of neurosurgical interventions with straight access information . Proc IPCAI . 2010 ; p. 1 { 11 .

4. Brunenberg EJL , et al. Automatic trajectory planning for deep brain stimulation: a feasibility study . Proc MICCAI . 2007 ; p. 584 { 92 .

5. Vaillant M , et al. A path-planning algorithm for image-guided neurosurgery . Proc CVRMed-MRCAS . 1997 ; p. 467 { 76 .

6. Egger J , et al. Graph-based tracking method for aortic thrombus segmentation . Proc MBEC . 2008 ; p. 584 { 7 .

7. Egger J , et al. Aorta segmentation for stent simulation . Proc MICCAI . 2009 ; p. 1 { 10 .

8. Egger J , et al. Nugget-cut: a segmentation scheme for spherically- and ellipticallyshaped 3D objects . Proc DAGM . 2010 ; p. 383 { 92 .

9. Egger J , et al. Pituitary adenoma segmentation . Proc Biosignal . 2010 ; p. 1 { 4 .

10. Liu J , et al. Automatic segmentation of the human brain ventricles from MR images by knowledge-based region growing and trimming . Neuroinformatics . 2009 ; 7 ( 2 ): 131 { 46 .