Safe electrode trajectory planning in SEEG via MIPbased vessel segmentation

Epilepsy is a brain disorder in which a person has repeated seizures (convulsions) over time. Seizures are episodes of disturbed brain activity that cause changes in attention or behavior. Usually epileptic patients can be treated with medications. However, between 20% and 40% of the patients have drug-resistant epilepsies [1]. Epilepsy surgery is used for treatment of partial drug-resistant epilepsy. The aim of the surgery is to remove the brain areas responsible for the crisis, known as epileptogenic zones (EZ). Non-invasive multidisciplinary evaluations to localize the EZ are mandatory such as video-EEG and neuroradiological investigations. When non-invasive methods fail in their purpose, it is possible to use more invasive methods but more accurate such as Stereo-ElectroEncephaloGraphy (SEEG). SEEG is a surgical procedure that allows brain’s exploration of patients affected by focal epilepsy by placing intra-cerebral electrodes. Spontaneous and electrically induced seizures are analyzed, and thanks to intracranial electrodes it is possible to trace the epileptogenic zones. In SEEG procedure the electrodes trajectory planning is very challenging and time consuming. Various constraints have to be taken into account simultaneously: the absence of vessels at the electrode Entry Point (EP), the avoid of the sulci and avoid the crossing between two or more trajectories. In particular, the EP is a critical point where bleeding is more likely to occur. In this work it a novel framework has been developed to help clinicians in ensuring of the absence of vessels around the entry point of the electrode. In particular, once the trajectories are manually planned, the software returns the distance (in millimeters) between the planned 9 entry point from the nearest vessel. A 3D Cone-Beam Computed Tomography (CBCT) Digital Subtraction Angiography (DSA) dataset and the trajectories manually planned were used to develop the procedure. For each electrode’ trajectory, a Maximum Intensity Projection (MIP) image of the vessels first centimeter measured along the electrode trajectory was obtained. A Gaussian Mixture Model (GMM) with neighborhood prior through Markov Random Fields (GMM-MRF) has been used to robustly segment vessels while dealing with the noisy nature of MIP images. Finally, a distance map to obtain the distances between EP and vessels has been computed. This work is divided into two steps: 1. Development a software module which allows the positioning of the view perpendicular to the electrode and also allows the activation of the MIP so that the surgeon is able to control the absence of blood vessels throughout the entire trajectory. 2. Vascular segmentation and distance calculation: once the image is obtained, a segmentation method based on the statistical Gaussian Mixture Model (GMM) with Markov Random Field (MRF) is applied. MRF is used to obtain a segmentation based on the previous classification of neighbors, thus favoring the segmentation of connected sets. After the segmentation the distance map is computed to obtain the distance between the EP and the closest vessels. In order to validate the algorithm, it was applied to 67 different electrodes from 5 patients and it was compared with simple GMM and manual global Thresholding (Th). Four indices were used: sensitivity, specificity, accuracy and Dice similarity coefficient. Referring to the sensitivity, all the three methods have a high median of the distribution but the interquartile range (IQR) of Th is considerably greater than GMM and GMM-MRF. GMM-MRF shows a higher sensitivity compared to both methods. The distribution of specificity and accuracy shows comparable results. In terms of Dice similarity coefficient, the proposed algorithm shows a higher Dice coefficient (Th=0.7694, GMM=0.7803 and GMM-MRF=0.7826) and it is very important as it is a measure of unique correspondence. GMM-MRF qualitatively showed better performance over GMM in reproducing the connected nature of brain vessels also in presence of noise and image intensity drops typical of MIP images. After the calculation of the distances, 21 of 67 electrodes turned out to be 10 below the threshold of 4 mm, which should not be exceeded to ensure full patient safety. This algorithm may be extended to the entire angiography obtaining a volumetric vascular segmentation, useful for extending the procedure to the entire trajectory.

L’epilessia è un disordine cerebrale per la quale una persona ha ripetute convulsioni nel corso del tempo. Le convulsioni sono episodi di attività cerebrale anomala che causano cambiamenti di attenzione o di comportamento. I pazienti epilettici possono essere trattati con i farmaci. Tuttavia, tra il 20% ed il 40% delle persone soffrono di epilessie farmaco-resistenti [1]. Per il trattamento di queste ultime si ricorre sempre più spesso alla chirurgia dell’epilessia. Lo scopo della chirurgia è quello di rimuovere le aree del cervello responsabili delle crisi, meglio note come zone epilettogene (EZ). In questo frangente le valutazioni non invasiva multidisciplinari sono obbligatori per localizzare gli EZ come ad esempio la video-EEG e le indagini neuro-radiologiche. Quando i metodi non invasivi falliscono è possibile utilizzare metodi più invasivi ma più accurati come la Stereo-elettroencefalografia (SEEG). La SEEG è una procedura chirurgica che permette l'esplorazione del cervello di pazienti affetti da epilessia focale inserendo alcuni elettrodi intracerebrali. Vengono quindi analizzate sia le crisi spontanee che quelle indotte e grazie agli elettrodi di profondità è possibile rintracciare le zone epilettogene. Uno dei punti più impegnativi e critici della SEEG è il planning delle traiettorie degli elettrodi. Diverse costrizioni devono essere presi in considerazione simultaneamente, quali ad esempio l’assenza di vasi cerebrali nel punto d’ingresso dell’elettrodo, devono essere evitati i solchi assicurandosi inoltre che le traiettorie dei vari elettrodi non si incrocino mai. L’EP è un punto molto critico in quanto è più probabile che si verifichi un’emorragia potenzialmente pericolosa per il paziente. Nel presente lavoro è stato sviluppato un framework innovativo per aiutare i medici a garantire l'assenza di vasi intorno al punto di ingresso dell’elettrodo. In particolare, una volta che le traiettorie sono state manualmente pianificate, il software restituisce la distanza (in millimetri) tra il punto di ingresso pianificato e il vaso cerebrale più vicino. Per lo sviluppo del software sono stati utilizzati un dataset di 3D Cone-Beam Computed Tomography 12 (CBCT) Digital Subtraction Angiography (DSA) e le traiettorie manualmente pianificate. Per ciascun elettrodo, viene ottenuta una Maximum Intensity Projection (MIP) del primo centimetro di una Angiografia a tomografia computerizzata lungo la traiettoria dell’elettrodo. Per ottenere una segmentazione vascolare ottimale e per trattare meglio la natura rumorosa delle immagini MIP viene utilizzato il Gaussian mixture model modificato per includere l’informazione dei pixel vicini attraverso il Markov random field. Infine, viene calcolata una distance map che indica la distanza tra il punto di ingresso dell’elettrodo e il vaso più vicino. Questo lavoro è suddiviso in due step: 1. Sviluppo uno modulo software che permette il posizionamento della vista perpendicolare all'elettrodo e consente anche l'attivazione del MIP in modo che il chirurgo sia in grado di controllare l'assenza di vasi sanguigni per tutta la traiettoria. 2. Segmentazione vascolare dell'immagine estratta: una volta ottenuta l'immagine, viene applicato il Gaussian mixture model (GMM) con Markov random Field (MRF) per la segmentazione. Il MRF viene applicato per ottenere una segmentazione basata sulla classificazione dei pixel vicini all’iterazione precedente, favorendo così il corretto riconoscimento della forma naturale dei vasi. Dopo la segmentazione viene calcolata la distance map per ottenere la distanza tra l’EP e i vasi più vicini. Per convalidare l'algoritmo, è stato applicato a 67 differenti elettrodi ottenuti da 5 diversi pazienti ed è stato confrontato con il global threshold manuale ed il semplice Gaussian mixture model. Gli indici che sono stati utilizzati sono 4: sensibilità, specificità, accuratezza e il coefficiente di similarità DICE. Riguardo alla sensitività tutti i metodi hanno un'elevata valore di mediana della distribuzione ma il range interquartile (IQR) del Th è notevolmente maggiore rispetto a quello di GMM e di GMM-MRF. GMM-MRF, comunque, mostra una sensitività più elevata rispetto a entrambi i metodi. La distribuzione della specificità e dell’accuratezza mostra invece risultati comparabili. Tuttavia l'algoritmo proposto mostra un più alto coefficiente di Dice (Th=0.7694, GMM=0.7803 and GMM-MRF=0.7826) ed è molto importante in quanto si tratta di una misura di corrispondenza univoca che sottolinea quanto la segmentazione rispetti la forma del vaso. GMM-MRF ha mostrato qualitativamente migliori prestazioni rispetto al GMM nel riprodurre la natura connessa di vasi del cervello, sia in presenza di 13 rumore che di repentini cali di intensità luminosa, tipici delle immagini MIP. Dopo il calcolo delle distanze, 21 elettrodi su 67 sono risultati essere sotto la soglia di 4 millimetri, che non dovrebbe essere superata per garantire la piena sicurezza del paziente. Questo algoritmo può essere esteso all’intera angiografia ottenendo quindi una segmentazione vascolare volumetrica utile per estendere la procedura all’intera traiettoria.