Aceleración del cálculo del volumen de tejido activo durante estimulación cerebral profunda usando procesos gaussianos
DOI:
https://doi.org/10.17533/udea.redin.n84a03Palabras clave:
estimulación cerebral profunda, volumen de tejido activo, modelo axonal de múltiples compartimientos, emulación, clasificación de procesos gaussianosResumen
El volumen de tejido activo (VTA) es un enfoque bien establecido para modelar los efectos directos de la estimulación cerebral profunda en el tejido neuronal. Estudios previos han señalado sus posibles aplicaciones clínicas. Sin embargo, el elevado costo computacional requerido para estimar el VTA con las técnicas estándar utilizadas en el modelado neuronal biológico limita su usabilidad a nivel práctico. El objetivo de este estudio fue desarrollar una metodología novedosa para reducir el tiempo de cálculo en la estimación del VTA. Con ese fin, se construyó un emulador basado en procesos gaussianos. Este combina modelos axonales de múltiples compartimientos acoplados al campo de estimulación eléctrica con un sistema de clasificación basado en procesos gaussianos, siguiendo la premisa de que calcular el VTA a partir de un campo axonal es en esencia un problema de clasificación binaria. Se logró una reducción considerable en el tiempo promedio requerido para estimar el VTA, tanto bajo condiciones de conductividad isotrópica idealizada como bajo condiciones realistas de conductividad anisotrópica, limitando la perdida de precisión y superando otros inconvenientes presentes en métodos alternativos.
Descargas
Citas
C. McIntyre, W. Grill, D. Sherman, and N. Thakor, “Cellular effects of deep brain stimulation: modelbased analysis of activation and inhibition,” Journal of Neurophysiology, vol. 91, no. 4, pp. 1457-1469, 2004.
S. Miocinovic et al., “Computational analysis of subthalamic nucleus and lenticular fasciculus activation during therapeutic deep brain stimulation,” Journal of neurophysiology, vol. 96, no. 3, pp. 1569–1580, 2006.
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.
M. Birdno, W. Tang, J. Dostrovsky, W. Hutchison, and W. Grill, “Response of human thalamic neurons to high-frequency stimulation,” PLoS One, vol. 9, no. 5, pp. 1-10, 2014.
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.
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.
M. Åström, E. Diczfalusy, H. Martens, and K. Wårdell, “Relationship between neural activation and electric field distribution during deep brain stimulation,” IEEE Trans. Biomed. Eng., vol. 62, no. 2, pp. 664-672, 2015.
A. Frankemolle et al., “Reversing cognitive–motor impairments in Parkinson’s disease patients using a computational modelling approach to deep brain stimulation programming,” Brain, vol. 133, no. 3, pp. 746-761, 2010.
A. Chaturvedi, 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, pp. 1-8, 2013.
C. Butson and C. McIntyre, “Role of electrode design on the volume of tissue activated during deep brain stimulation,” Journal of Neural Engineering, vol. 3, no. 1, pp. 1-8, 2006.
L. Bastos and A. O’Hagan, “Diagnostics for Gaussian process emulators,” Technometrics, vol. 51, no. 4, pp. 425-438, 2009.
A. O’Hagan, “Bayesian analysis of computer code outputs: A tutorial,” Reliability Engineering & System Safety, vol. 91, no. 10-11, pp. 1290-1300, 2006.
I. De La 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.
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, 066009 pp. 1-11, 2010.
L. Chang, D. Jones, and C. Pierpaoli, “Restore: Robust estimation of tensors by outlier rejection,” Magnetic Resonance in Medicine, vol. 53, no. 5, pp. 1088-1095, 2005.
D. Tuch, V. Wedeen, A. Dale, J. George and J. Belliveau, “Conductivity tensor mapping of the human brain using diffusion tensor MRI,” Proceedings of the National Academy of Sciences of the USA, vol. 98, no. 20, pp. 11697-11701, 2001.
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. 65–67, 2010.
F. Rattay, “Analysis of models for extracellular fiber stimulation,” IEEE Transactions on Biomedical Engineering, vol. 36, no. 7, pp. 676–682, 1989.
R. Plonsey and R. Barr, Bioelectricity: A quantitative approach, 3rd ed. New York, USA: Springer Science & Business Media, 2007.
D. Sterratt, B. Graham, A. Gillies, and D. Willshaw, Principles of computational modelling in neuroscience, 1st ed. Cambridge, UK: Cambridge University Press, 2011.
C. McIntyre and W. Grill, “Excitation of central nervous system neurons by nonuniform electric fields,” Biophysical journal, vol. 76, no. 2, pp. 878–888, 1999.
D. McNeal, “Analysis of a model for excitation of myelinated nerve,” IEEE Transactions on Biomedical Engineering, vol. 23, no. 4, pp. 329–337, 1976.
F. Rattay, “Analysis of models for external stimulation of axons,” IEEE Transactions on Biomedical Engineering, vol. 33, no. 10, pp. 974–977, 1986.
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.
G. Walckiers, “Bio-electromagnetic model of deep brain stimulation,” Ph.D. dissertation, École polytechnique fédérale de Lausanne, Lausanne, Switzerland, 2009.
M. Hines, A. Davison, and E. Muller, “Neuron and python,” Frontiers in Neuroinformatics, vol. 3, no. 1, pp. 1-12, 2009.
M. Hines and N. Carnevale, “The neuron simulation environment,” Neural Computation, vol. 9, no. 6, pp. 1179–1209, 1997.
C. Bishop, Pattern recognition and machine learning, 1st ed. New York, USA: Springer, 2006.
C. Rasmussen and C. Williams, Gaussian Processes for Machine Learning, 1st ed. Cambridge, USA: MIT Press, 2006.
M. Kuss and C. Rasmussen, “Assessing approximate inference for binary gaussian process classification,” The Journal of Machine Learning Research, vol. 6, pp. 1679–1704, 2005.
H. Nickisch and C. Rasmussen, “Approximations for binary gaussian process classification,” Journal of Machine Learning Research, vol. 9, pp. 2035–2078, 2008.
J. Volkmann, E. Moro, and R. Pahwa, “Basic algorithms for the programming of deep brain stimulation in Parkinson’s disease,” Movement Disorders, vol. 21, no. 14, pp. 284-289, 2006.
M. Hines and N. Carnevale, “Translating network models to parallel hardware in neuron,” Journal of neuroscience methods, vol. 169, no. 2, pp. 425–455, 2008.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2017 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.
Twitter