Effektiv automatiseret lokalisering af ECoG-elektroder i CT-billeder via formanalyse (LOC-ECOG)

For personer med epilepsi (PwE), som er refraktære over for anti-anfaldsmedicin, er den ikke-invasive prækirurgiske evaluering ved hjælp af ElectroEncephaloGram (EEG) registreret direkte fra hovedbunden, nogle gange ikke tilstrækkelig til at afgrænse den epileptogene zone og identificere den veltalende cortex. I disse tilfælde er en invasiv tilgang ved hjælp af intrakraniel elektroencefalografi (iEEG) nødvendig. Subdurale elektroder bruges hyppigt i den prækirurgiske evaluering af patienter, der er kandidater til epilepsikirurgi. Elektroder placeret direkte på overfladen af ​​cortex giver et signal med en meget højere opløsning end den, der leveres fra hovedbundselektroder, og har et meget klart udsyn til små aktivitetssteder, som er svære at se i hovedbunden.

Subdurale elektroder tillader ikke kun lokalisering af unormalt epileptisk væv, men også lokalisering af tilstødende normale funktioner. Derfor spiller den præcise anatomiske lokalisering af elektroderne på patientens hjerne en nøglerolle i definitionen af ​​den epileptogene zone eller i kortlægningen af ​​veltalende cortex.

Fra et klinisk synspunkt tillader den nøjagtige lokalisering af de anatomiske grænser af den epileptogene zone at udelukke veltalende områder, undgå underskud til patienten og minimere hjernevolumen resektion.

Lokaliseringen af ​​disse elektroder opnås generelt ved at matche elektrodernes placering med patientens hjerneanatomi. Almindeligvis er et præimplantat magnetisk resonansbillede (MRI) co-registreret til en post-implantat computertomografiskanning (CT), fordi MR giver højere hjernevævskontrast, mens CT understøtter elektrodernes lokalisering, selv hvis CT-billeder er påvirket af metalartefakter .

Forskellige dedikerede softwareværktøjer, der understøtter præ-kirurgisk evaluering, er i øjeblikket tilgængelige som Matlab-baserede pakker eller open source-software, også med grafiske brugergrænseflader. De leverer hovedsageligt MRI-CT-samregistrering og tilbyder kun grundlæggende funktioner til genkendelse af ECoG-elektroder fra CT-scanninger. De fleste dedikerede software segmenterer elektroderne via simpel billedtærskelværdi og tillader manuel interaktion for at rette dataene. Manuelle metoder er meget tidskrævende, brugerafhængige og tilbøjelige til unøjagtighed. På den anden side er den blotte CT-billedtærskelmetode ikke i stand til at genkende alle elektroderne og fuldstændigt udelukke andre metalgenstande, såsom ledninger, tandspåner, intrakranielle clips, splinter, sting, høreapparater eller intrakranielle stents. Derfor er der ofte behov for manuel indgriben for at justere dataene. For eksempel overvejer ALICE-værktøjet volumenet af segmenterede klynger for at identificere elektroderne, men det viste sig ikke at være i stand til at udelukke andre objekter med sammenlignelige volumener (f.eks. trådklynger).

Målet med dette projekt er at udvikle en ny, robust, automatiseret metode til at genkende ECoG-elektroder i CT-volumener. Den består af fjernelse af metalartefakter fra CT-volumener, identifikation af grupper/arrays af metalgenstande i kraniet og formanalyse af detekterede objekter for at opnå ECoG-elektrodelokalisering. Den foreslåede tilgang kunne nemt integreres i eksisterende værktøjer.