Estimación de los parámetros de neuromodulación a partir del volumen de tejido activo planeado en estimulación cerebral profunda
DOI:
https://doi.org/10.17533/udea.redin.n79a02Palabras clave:
estimulación cerebral profunda, volumen de tejido activo planeado, parámetros de neuromodulación, máquina de soporte vectorialResumen
La estimulación cerebral profunda (ECP) es una terapia con resultados promisorios para el tratamiento de desórdenes del movimiento. Esta envía estimulación eléctrica por medio de un electrodo a una región específica del cerebro. La propagación espacial de la respuesta neuronal a esta estimulación se conoce como volumen de tejido activado (VTA). Cambios en los parámetros de estimulación que controlan el VTA, como la amplitud, el ancho de pulso y la configuración de polaridad del electrodo pueden afectar la efectividad de la terapia ECP. En este estudio, desarrollamos una metodología novedosa para estimar los parámetros de neuromodulación de ECP adecuados, a partir del VTA planeado, que trata de maximizar los efectos terapéuticos y minimizar los efectos adversos de la ECP. Para la estimación de las salidas continuas (amplitud y ancho de pulso),usamos regresión de soporte vectorial de múltiples salidas, tomando la geometría del VTA como espacio de entrada. Para la estimación de la configuración del electrodo desarrollamos varios problemas de clasificación, también utilizando máquinas de soporte vectorial para el mismo espacio de entrada. Nuestra metodología logra resultados prometedores tanto en el caso de regresión como para predecir los contactos activos del electrodo y su polaridad. Combinando técnicas de modelamiento de neuronas biológicas junto con aprendizaje de máquina, se introduce una novedosa área de investigación donde los parámetros de neuromodulación en ECP pueden sintonizarse manualmente especificando un volumen geométrico.
Descargas
Citas
C. McIntyre, W. Grill, D. Sherman and N. Thakor, “Cellular effects of deep brain stimulation: model-based analysis of activation and inhibition”, Journal of Neurophysiology, vol. 91, no. 4, pp. 1457- 1469, 2004.
C. McIntyre and P. Hahn, “Network perspectives on the mechanisms of deep brain stimulation”, Neurobiology of Disease, vol. 38, no. 3, pp. 329-337, 2010.
R. So, A. Kent and W. Grill, “Relative contributions of local cell and passing fiber activation and silencing to changes in thalamic fidelity during deep brain stimulation and lesioning: a computational modeling study”, Journal of Computational Neuroscience, vol. 32, no. 3, pp. 499-519, 2012.
A. Chaturvedi, C. Butson, S. Lempka, S. Cooper and C. McIntyre, “Patient-specific models of deep brain stimulation: influence of field model complexity on neural activation predictions”, Brain Stimulation, vol. 3, no. 2, pp. 65-77, 2010.
C. Butson and C. McIntyre, “Tissue and electrode capacitance reduce neural activation volumes during deep brain stimulation”, Clinical Neurophysiology, vol. 116, no. 10, pp. 2490-2500, 2005.
C. Butson, S. Cooper, J. Henderson and C. McIntyre, “Patient-specific analysis of the volume of tissue activated during deep brain stimulation”, Neuroimage, vol. 34, no. 2, pp. 661-670, 2007.
N. Yousif et al., “Evaluating the impact of the deep brain stimulation induced electric field on subthalamic neurons: a computational modelling study”, Journal of Neuroscience Methods, vol. 188, no. 1, pp. 105- 112, 2010.
J. Volkmann, J. Herzog, F. Kopper and G. Deuschl, “Introduction to the programming of deep brain stimulators”, Movement Disorders, vol. 17, pp. 181- 187, 2002.
N. Yousif, R. Borisyuk, N. Pavese, D. Nandi and P. Bain, “Spatiotemporal visualization of deep brain stimulation-induced effects in the subthalamic nucleus”, European Journal of Neuroscience, vol. 36, no. 2, pp. 2252-2259, 2012.
A. Chaturverdi, J. Luján and C.McIntyre, “Artificial neural network based characterization of the volume of tissue activated during deep brain stimulation”, Journal of Neural Engineering, vol. 10, no. 5, 2013.
J. Luján, A. Chaturvedi and C. McIntyre, “System and method to estimate region of tissue activation”, U.S. Patent 8589316. Nov. 19, 2013.
Medtronic, DBS Lead Kit for Deep Brain Stimulation, 2002. [Online]. Available: http://www.medtronic.com/downloadablefiles/UC199901079bEN.pdf. Accessed on: Dec. 16, 2014.
American Association of Neuroscience Nurses (AANN), Care of the Movement Disorder Patient with Deep Brain Stimulation, AANN Clinical Practice Guideline Series, 2009. [Online]. Available: http://www.aann.org/pdf/cpg/aanndeepbrainstimulation.pdf. Accessed on: Dec. 16, 2014.
F. Rattay, “Analysis of models for extracellular fiber stimulation”, IEEE Transactions on Biomedical Engineering, vol. 36, no. 7, pp. 676-682, 1989.
COMSOL Multiphysics, COMSOL Multiphysics User’s Guide (Version 4.2). Stockholm, Sweden: COMSOL, 2011.
M. Hines and N. Carnevale, “The NEURON simulation environment”, Neural Computation, vol. 9, no. 6, pp. 1179-1209, 1997.
M. Hines, A. Davison and E. Muller, “NEURON and Python”, Frontiers in Neuroinformatics, vol. 3, pp. 1-12, 2009.
T. Zhang and W. Grill, “Modeling deep brain stimulation: point source approximation versus realistic representation of the electrode”, Journal of Neural Engineering, vol. 7, no. 6, 2010.
C. Butson, C. Maks and C. McIntyre, “Sources and effects of electrode impedance during deep brain stimulation”, Clinical Neurophysiology, vol. 117, no. 2, pp. 447-454, 2006.
D. Kern and N. Framke, Automation of COMSOL Multiphysics Parameter Studies using the MATLAB Livelink, 2012. [Online]. Available: https://www-user.tuchemnitz.de/~dker/tutorial_comsol_matlab_livelink.pdf. Accessed on: Dec. 18, 2014.
G. Walckiers, “Bio-electromagnetic model of deep brain stimulation”, Ph.D. dissertation, École polytechnique fédérale de Lausanne, Lausanne, Switzerland, 2009.
C. McIntyre, A. Richardson and W. Grill, “Modeling the excitability of mammalian nerve fibers: influence of afterpotentials on the recovery cycle”, Journal of Neurophysiology, vol. 87, no. 2, pp. 995-1006, 2002.
I. Pava et al., “A Gaussian Process Emulator for Estimating the Volume of Tissue Activated During Deep Brain Stimulation”, in 7th Iberian Conference on Pattern Recognition and Image Analysis (IbPRIA), Santiago de Compostela, Spain, 2015, pp. 691-699.
F. Pérez et al., “Multi-dimensional function approximation and regression estimation”, in International Conference on Artificial Neural Networks (ICANN), Madrid, Spain, 2002, pp. 757-762.
M. Sánchez, M. de Prado, J. Arenas and F. Pérez, “SVM multiregression for nonlinear channel estimation in multiple-input multiple-output systems”, IEEE Transactions on Signal Processing, vol. 52, no. 8, pp. 2298-2307, 2004.
B. Scholkopf and A. Smola, Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond, 1st ed. Cambridge, USA: MIT Press, 2001.
C. Bishop, Pattern recognition and machine learning, 1st ed. New York, USA: Springer, 2006.
D. Tuia, J. Verrelst, L. Alonso, F. Pérez and G. Camps, “Multioutput support vector regression for remote sensing biophysical parameter estimation”, IEEE Geoscience and Remote Sensing Letters, vol. 8, no. 4, pp. 804-808, 2011.
R. Duin et al., PRTools4, A Matlab Toolbox for Pattern Recognition, Delft University of Technology, 2007. [Online]. Available: http://www.prtools.org/files/PRTools4.1.pdf. Accessed on: Jan. 15, 2015.
F. Pérez, MSVR: Multioutput Support Vector Regression. [Online]. Available: http://www.uv.es/gcamps/software.html. Accessed on: Jan. 15, 2015.
J. Pizarro, E. Guerrero and P. Galindo, “Multiple comparison procedures applied to model selection”, Neurocomputing, vol. 48, no. 1, pp. 155-173, 2002.
F. Bach, “Graph kernels between point clouds”, in 25th international conference on Machine Learning, Helsinki, Finland, 2008, pp. 25-32.
S. Vishwanathan, N. Schraudolph, R. Kondor and K. Borgwardt, “Graph kernels”, The Journal of Machine Learning Research, vol. 11, pp. 1201-1242, 2010.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2016 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.