Effektiv automatiserad lokalisering av ECoG-elektroder i CT-bilder via formanalys (LOC-ECOG)

För personer med epilepsi (PwE) som är refraktär mot anfallsmedicin ibland är den icke-invasiva prekirurgiska utvärderingen med ElectroEncephaloGram (EEG) registrerad direkt från hårbotten inte tillräcklig för att avgränsa den epileptogena zonen och för att identifiera den vältaliga cortex. I dessa fall behövs ett invasivt tillvägagångssätt med intrakraniell elektroencefalografi (iEEG) Subdurala elektroder används ofta i den förkirurgiska utvärderingen av patienter som är kandidater för epilepsikirurgi. Elektroder placerade direkt på ytan av cortex ger en signal med en mycket högre upplösning än den som ges från hårbottenelektroder, och har en mycket tydlig bild av små aktivitetslägen som är svåra att se i hårbotten.

Subdurala elektroder tillåter inte bara lokalisering av onormal epileptisk vävnad utan också lokalisering av intilliggande normala funktioner. Därför spelar den exakta anatomiska lokaliseringen av elektroderna på patientens hjärna en nyckelroll i definitionen av den epileptogena zonen eller vid kartläggningen av vältalig cortex.

Ur en klinisk synvinkel tillåter den exakta lokaliseringen av de anatomiska gränserna för den epileptogena zonen att utesluta vältaliga områden, undvika underskott till patienten och minimera hjärnvolymresektion.

Lokaliseringen av dessa elektroder erhålls i allmänhet genom att matcha elektrodernas placering med patientens hjärnanatomi. Vanligtvis samregistreras en pre-implantat magnetisk resonansbild (MRT) till en postimplanterad datortomografi (CT) eftersom MRI ger högre hjärnvävnadskontrast, medan CT stöder elektrodlokalisering, även om CT-bilder påverkas av metallartefakter .

Olika dedikerade mjukvaruverktyg som stöder förkirurgisk utvärdering finns för närvarande tillgängliga som Matlab-baserade paket eller programvara med öppen källkod, även med grafiska användargränssnitt. De tillhandahåller huvudsakligen MRT-CT-samregistrering och erbjuder endast grundläggande funktioner för igenkänning av ECoG-elektroder från CT-skanningar. De flesta dedikerade mjukvarorna segmenterar elektroderna via enkel bildtröskelvärde och tillåter manuell interaktion för att korrigera data. Manuella metoder är mycket tidskrävande, användarberoende och benägna att bli felaktiga. Å andra sidan kan den enbart CT-bildtröskelmetoden inte känna igen alla elektroderna och helt utesluta andra metallföremål, såsom trådar, tandspån, intrakraniella clips, splitter, stygn, hörapparater eller intrakraniella stentar. Därför krävs ofta manuella ingrepp för att justera data. Till exempel tar ALICE-verktyget hänsyn till volymen av segmenterade kluster för att identifiera elektroderna, men visade sig inte kunna utesluta andra objekt med jämförbara volymer (t. trådkluster).

Syftet med detta projekt är att utveckla en ny, robust, automatiserad metod för att känna igen ECoG-elektroder i CT-volymer. Den består av avlägsnande av metallartefakter från CT-volymer, identifiering av grupper/arrayer av metallföremål i skallen och formanalys av detekterade föremål för att uppnå ECoG-elektroders lokalisering. Det föreslagna tillvägagångssättet skulle lätt kunna integreras i befintliga verktyg.