STEREO-ELECTROENCEPHALOGRAPHY (SEEG) is a minimally invasive technique which allows the exploration of brain’s activity in patients affected by focal epilepsy, helping the identification of the epileptogenic zone (EZ). The procedure requires to implant a variable numberof intracerebral electrodes through small holes drilled in the patient’s skull and must accomplish the accurate targeting of the desired intracerebral structures, while minimizing the risk of complications. Traditionally, SEEG planning is performed by a neurosurgeon, who manually selects entry and target points by visually inspecting multi-modal images. Due to the usual number of electrodes (up to 18 per hemisphere) and the need of high accuracy, the planning procedure is complex and very time consuming (2-3 hours per procedure). Therefore, there is a clear clinical need not covered by commercial planning solutions, that do not provide any advanced assistance nor quantitative information regarding the risk of the planned trajectories. In this context, the PhD work focuses on the evelopment of a surgical planning decision support system to assist the surgeon during the planning phase of intracerebral electrode trajectories. In particular, the contributions of the thesis are: 1. The identification of the clinical and technological requirements to model the decision-making process in SEEG surgery, providing a generalization of the problem for the analysis of generic image guided percutaneous interventions (C1). In this phase, we provided the formalization of the planning procedure of percutaneous interventions, as well as we identified the main clinical requirements in terms of safety and efficacy, to be translated into quantitative values with respect to medical image processing and optimization theory. Accordingly, we developed a set of tools which allow the automated definition of optimal trajectories in SEEG by maximizing the distance from vessels, the insertion angle and guarantee anatomy driven explorations. A retrospective quantitative validation showed that optimized trajectories improved manual planned ones in 98% of the cases in terms of quantitative indexes, even when applying more conservative criteria with respect to actual clinical practice. 2. A novel methodology to exploit retrospective data and manual plans from patient who underwent SEEG procedures in the clinical center (C2), to improve the optimization strategy previously developed. According to the results obtained by C1, we hypothesized that the analysis of retrospective data could support the optimization procedure, providing new information and an objective and reliable method to acquire and transmit the clinical center experience. We developed and analyzed a retrospective database, collecting the data and manually planned trajectories from past cases. Data analysis and machine learning techniques allowed us to obtain the most common paths used by the center to explore specific anatomical brain regions (61 mean trajectories), as well as combinations of trajectories for macro-areas explorations (8 planning strategies). We developed a specific interface to help the surgeon in the definition of trajectories for new patients, selecting among those obtained by their own data. 3. The development of a decision support system able to exploit the information from past cases and adapt to the specific workflow of the clinical center (C3). The third contribution assembles the development of C1 and C2, since it integrates and extends the two modules. The final system allows the surgeon to define a new patient plan by using the interface developed in C2 and to automatically transfer the trajectories to the target patient anatomy. These initialized trajectories act as spatial and anatomical priors, guiding the optimization procedure initially developed in C1. The latter has been updated through iterative experiments with ourclinical partners, and includes different optimization strategies based on the trajectory type provided by the initialization module. The validation of the system showed that the initialization module was able to reproduce 95% of manually planned trajectories, that were subsequently optimized on the patient anatomy. Two surgeons revised 201 optimized trajectories, and considered as clinically feasible 81% of them, while another 7% would have required minor manual adjustments to be used. The development and results presented in this PhD thesis raised from a strict collaboration between surgeons and engineers, mixing clinical knowledge with medical image analysis, machine learning and optimization theory. The system proposed has been designed to reduce and simplify the interaction between the application and the final user and, therefore, to reduce the planning time while improving precision and safety. The results showed a robust system, able to provide a considerable number of clinically feasible trajectories that only required the surgeon’s revision and approval. It is worth to notice that the implemented system is the result of many iterations and empirical experiments in collaboration with our clinical partners, that allowed us to better model, implement and identify the combination of clinical requirements and optimization parameters that best fit their workflow. This work set the basis of an adaptable surgical decision support system for SEEG planning, with a modular design and a rich documentation to be continuously improved by the people who has yet to come.

LA STEREOELETTROENCEFALOGRAFIA (SEEG) é una chirurgia minimamente invasiva che permette l’esplorazione dell’attivitá cerebrale, d’ausilio nei pazienti affetta da epilessia focale per l’identificazione della zona epilettogenica (dall’inglese Epileptogenic Zone, EZ). La procedura prevede l’impianto di un numero variabile di elettrodi intracerebrali attraverso piccoli fori praticati mediante trapanazione del cranio, che permettono il mappaggio dell’attivitá cerebrale tanto nelle zone corticali che in strutture cerebrali profonde. Tradizionalmente, la pianificazione della chirurgia di SEEG viene effettuata da un neurochirurgo, che definisce manualmente, in base all’esplorazione di immagini multimodali del paziente, i punti di inserzione e bersaglio che definiscono le traiettorie degli elettrodi. A causa della numerositá degli elettrodi (fino a 18 per ogni emisfero) e la grande accuratezza richiesta, il processo di pianificazione risulta complesso e richiede molto tempo (2-3 ore per procedura). Risulta evidente una necessitá clinica che non trova risposta tra i prodotti disponibili in commercio, che non forniscono alcun tipo di assistenza avanzata né informazioni quantitative sul rischio delle traiettorie pianificate. A questo proposito, il lavoro di dottorato si é focalizzato sullo sviluppo di un sistema di supporto alla decisione orientato alla pianificazione chirurgica, in grado di aiutare il neurochirurgo nella definizione di traiettorie ottime per l’impianto di elettrodi intracerebrali. In particolare, i contributi della tesi sono: 1. L’identificazione dei requisiti clinici e tecnologici per modellare il processo decisionale nella pianificazione della chirurgia di SEEG, e la descrizione delle base teoriche volte al modellamento di chirurgie percutanee in generale (C1). In questa fase é stata proposta una formalizzazione del problema di pianificazione per chirurgie percutanee, e sono stati identificati i principali requisiti clinici legati alla sicurezza e all’efficia dell’intervento al fine di essere tradotti in indici quantitativi, utilizzabili nell’ambito dell’elaborazione delle immagini e teoria dell’ottimizzazione. Di conseguenza abbiamo sviluppato una serie di strumenti che permettono la definizione automatica di traiettorie ottimali per SEEG, massimizzando la distanza dai vasi, minimizzando l’angolo di inserzione e rispettando l’anatomia delle strutture esplorate. Una validazione quantitativa retrospettiva ha dimostrato che le traiettorie ottimizzate migliorano la pianificazione manuale nel 98% dei casi in termini di indici quantitativi anche applicando criteri piú conservativi rispetto alla pratica clinica attuale. 2. Un nuovo metodo in grado di elaborare i dati retrospettivi e le pianificazioni manuali di pazienti sottoposti a chirurgia di SEEG nel centro clinico, al fine di migliorare la procedura di ottimizzazione (C2). Dai risultati ottenuti in C1, abbiamo ipotizzato che l’analisi dei dati retrospettivi avrebbe potuto migliorare la procedura di ottimizzazione fornendo nuove informazioni, oltre ad essere un metodo oggettivo per acquisire e trasmettere l’esperienza clinica del centro. Abbiamo sviluppato e analizzato retrospettivamente una base di dati, raccogliendo i dati e le traiettorie pianificate manualmente di vecchi casi. L’analisi dei dati e le tecniche di apprendimento automatico ci hanno permesso di ottenere le traiettorie piú comunemente utilizzate dal centro per esplorare delle specifiche regioni anatomiche cerebrali (61 traiettorie principali), cosí come le combinazioni di quelle traiettorie per l’esplorazione di macro aree (8 strategie di pianificazione). Abbiamo sviluppato un’interfaccia specifica per aiutare il chirurgo nella definizione delle traiettorie per nuovi pazienti, selezionandole tra quelle ottenute dai loro stessi casi. 3. Sviluppo di un sistema di supporto alla decisione in grado di sfruttare le informazioni estratte dall’analisi di casi retrospettivi e adattabile alle preferenze del centro clinico (C3). Il terzo contributo rappresenta la fusione degli sviluppi di C1 e C2, integrando ed estendo entrambi i module. Il sistema finale permette al chirurgo di pianificare un nuovo paziente utilizzando l’interfaccia sviluppata in C2 e di trasferire automaticamente le traiettorie ai bersagli anatomici del paziente. Queste traiettorie definiscono dei requisiti spaziali e anatomici, permettendo di guidare gli algoritmi di ottimizzazione sviluppati in C1. Questi ultimi sono stati modificati per mezzo di diversi esperimenti in collaborazione con i nostri partners clinici, includendo diverse strategie di ottimizzazione in funzione del tipo di traiettoria definita nel modulo di inizializzazione. La validazione del sistema ha dimostrato che il modulo di inizializzazione é in grado di riprodurre il 95% delle traiettorie pianificate manualmente, che sono state successivamente ottimizzate sull’anatomia del paziente. Due chirurghi hanno controllato 201 traiettorie proposte, giudicandole applicabili nell’81% dei casi, mentre nel 7% dei casi necessitavano piccoli aggiustamenti manuali per poter essere utilizzate. Il lavoro di sviluppo ed i risultati presentati in questa tesi di PhD nascono dalla stretta collaborazione tra chirurghi ed ingegneri, dalla fusione di conoscenze cliniche con l’analisi di immagini mediche, teorie di ottimizzazione e tecniche di apprendimento automatico. Il sistema proposto é stato pensato per ridurre e semplificare l’interazione tra l’applicazione e l’utente finale e, di conseguenza, diminuire il tempo di pianificazione mentre vengono aumentati criteri di precision e sicurezza. I risultati dimostrano che si tratta di un siatema robusto, in grado di fornire un considerevole numero di traiettorie clinicamente valide che richiedono solo la revione e l’approvazione del chirurgo. E’ comunque degno di nota il fatto che il miglioramento del sistema é il risultato di molte discussioni ed esperimenti empirici con i nostri partners clinici, che ci hanno permesso di sviluppare e implementare un sistema che soddisfacesse le richieste cliniche con il loro modo di lavorare. Questo lavoro getta quindi le basi di un sistema di supporto alla decisione chirurgico per la pianificazione di SEEG, con un disegno modulare e una ricca documentazione con l’intenzione che possa essere migliorato da futuri ricercatori.

Decision support system for StereoElectroEncephaloGraphy trajectory planning

SCORZA, DAVIDE

Abstract

STEREO-ELECTROENCEPHALOGRAPHY (SEEG) is a minimally invasive technique which allows the exploration of brain’s activity in patients affected by focal epilepsy, helping the identification of the epileptogenic zone (EZ). The procedure requires to implant a variable numberof intracerebral electrodes through small holes drilled in the patient’s skull and must accomplish the accurate targeting of the desired intracerebral structures, while minimizing the risk of complications. Traditionally, SEEG planning is performed by a neurosurgeon, who manually selects entry and target points by visually inspecting multi-modal images. Due to the usual number of electrodes (up to 18 per hemisphere) and the need of high accuracy, the planning procedure is complex and very time consuming (2-3 hours per procedure). Therefore, there is a clear clinical need not covered by commercial planning solutions, that do not provide any advanced assistance nor quantitative information regarding the risk of the planned trajectories. In this context, the PhD work focuses on the evelopment of a surgical planning decision support system to assist the surgeon during the planning phase of intracerebral electrode trajectories. In particular, the contributions of the thesis are: 1. The identification of the clinical and technological requirements to model the decision-making process in SEEG surgery, providing a generalization of the problem for the analysis of generic image guided percutaneous interventions (C1). In this phase, we provided the formalization of the planning procedure of percutaneous interventions, as well as we identified the main clinical requirements in terms of safety and efficacy, to be translated into quantitative values with respect to medical image processing and optimization theory. Accordingly, we developed a set of tools which allow the automated definition of optimal trajectories in SEEG by maximizing the distance from vessels, the insertion angle and guarantee anatomy driven explorations. A retrospective quantitative validation showed that optimized trajectories improved manual planned ones in 98% of the cases in terms of quantitative indexes, even when applying more conservative criteria with respect to actual clinical practice. 2. A novel methodology to exploit retrospective data and manual plans from patient who underwent SEEG procedures in the clinical center (C2), to improve the optimization strategy previously developed. According to the results obtained by C1, we hypothesized that the analysis of retrospective data could support the optimization procedure, providing new information and an objective and reliable method to acquire and transmit the clinical center experience. We developed and analyzed a retrospective database, collecting the data and manually planned trajectories from past cases. Data analysis and machine learning techniques allowed us to obtain the most common paths used by the center to explore specific anatomical brain regions (61 mean trajectories), as well as combinations of trajectories for macro-areas explorations (8 planning strategies). We developed a specific interface to help the surgeon in the definition of trajectories for new patients, selecting among those obtained by their own data. 3. The development of a decision support system able to exploit the information from past cases and adapt to the specific workflow of the clinical center (C3). The third contribution assembles the development of C1 and C2, since it integrates and extends the two modules. The final system allows the surgeon to define a new patient plan by using the interface developed in C2 and to automatically transfer the trajectories to the target patient anatomy. These initialized trajectories act as spatial and anatomical priors, guiding the optimization procedure initially developed in C1. The latter has been updated through iterative experiments with ourclinical partners, and includes different optimization strategies based on the trajectory type provided by the initialization module. The validation of the system showed that the initialization module was able to reproduce 95% of manually planned trajectories, that were subsequently optimized on the patient anatomy. Two surgeons revised 201 optimized trajectories, and considered as clinically feasible 81% of them, while another 7% would have required minor manual adjustments to be used. The development and results presented in this PhD thesis raised from a strict collaboration between surgeons and engineers, mixing clinical knowledge with medical image analysis, machine learning and optimization theory. The system proposed has been designed to reduce and simplify the interaction between the application and the final user and, therefore, to reduce the planning time while improving precision and safety. The results showed a robust system, able to provide a considerable number of clinically feasible trajectories that only required the surgeon’s revision and approval. It is worth to notice that the implemented system is the result of many iterations and empirical experiments in collaboration with our clinical partners, that allowed us to better model, implement and identify the combination of clinical requirements and optimization parameters that best fit their workflow. This work set the basis of an adaptable surgical decision support system for SEEG planning, with a modular design and a rich documentation to be continuously improved by the people who has yet to come.
ALIVERTI, ANDREA
RAIMONDI, MANUELA TERESA
5-dic-2019
LA STEREOELETTROENCEFALOGRAFIA (SEEG) é una chirurgia minimamente invasiva che permette l’esplorazione dell’attivitá cerebrale, d’ausilio nei pazienti affetta da epilessia focale per l’identificazione della zona epilettogenica (dall’inglese Epileptogenic Zone, EZ). La procedura prevede l’impianto di un numero variabile di elettrodi intracerebrali attraverso piccoli fori praticati mediante trapanazione del cranio, che permettono il mappaggio dell’attivitá cerebrale tanto nelle zone corticali che in strutture cerebrali profonde. Tradizionalmente, la pianificazione della chirurgia di SEEG viene effettuata da un neurochirurgo, che definisce manualmente, in base all’esplorazione di immagini multimodali del paziente, i punti di inserzione e bersaglio che definiscono le traiettorie degli elettrodi. A causa della numerositá degli elettrodi (fino a 18 per ogni emisfero) e la grande accuratezza richiesta, il processo di pianificazione risulta complesso e richiede molto tempo (2-3 ore per procedura). Risulta evidente una necessitá clinica che non trova risposta tra i prodotti disponibili in commercio, che non forniscono alcun tipo di assistenza avanzata né informazioni quantitative sul rischio delle traiettorie pianificate. A questo proposito, il lavoro di dottorato si é focalizzato sullo sviluppo di un sistema di supporto alla decisione orientato alla pianificazione chirurgica, in grado di aiutare il neurochirurgo nella definizione di traiettorie ottime per l’impianto di elettrodi intracerebrali. In particolare, i contributi della tesi sono: 1. L’identificazione dei requisiti clinici e tecnologici per modellare il processo decisionale nella pianificazione della chirurgia di SEEG, e la descrizione delle base teoriche volte al modellamento di chirurgie percutanee in generale (C1). In questa fase é stata proposta una formalizzazione del problema di pianificazione per chirurgie percutanee, e sono stati identificati i principali requisiti clinici legati alla sicurezza e all’efficia dell’intervento al fine di essere tradotti in indici quantitativi, utilizzabili nell’ambito dell’elaborazione delle immagini e teoria dell’ottimizzazione. Di conseguenza abbiamo sviluppato una serie di strumenti che permettono la definizione automatica di traiettorie ottimali per SEEG, massimizzando la distanza dai vasi, minimizzando l’angolo di inserzione e rispettando l’anatomia delle strutture esplorate. Una validazione quantitativa retrospettiva ha dimostrato che le traiettorie ottimizzate migliorano la pianificazione manuale nel 98% dei casi in termini di indici quantitativi anche applicando criteri piú conservativi rispetto alla pratica clinica attuale. 2. Un nuovo metodo in grado di elaborare i dati retrospettivi e le pianificazioni manuali di pazienti sottoposti a chirurgia di SEEG nel centro clinico, al fine di migliorare la procedura di ottimizzazione (C2). Dai risultati ottenuti in C1, abbiamo ipotizzato che l’analisi dei dati retrospettivi avrebbe potuto migliorare la procedura di ottimizzazione fornendo nuove informazioni, oltre ad essere un metodo oggettivo per acquisire e trasmettere l’esperienza clinica del centro. Abbiamo sviluppato e analizzato retrospettivamente una base di dati, raccogliendo i dati e le traiettorie pianificate manualmente di vecchi casi. L’analisi dei dati e le tecniche di apprendimento automatico ci hanno permesso di ottenere le traiettorie piú comunemente utilizzate dal centro per esplorare delle specifiche regioni anatomiche cerebrali (61 traiettorie principali), cosí come le combinazioni di quelle traiettorie per l’esplorazione di macro aree (8 strategie di pianificazione). Abbiamo sviluppato un’interfaccia specifica per aiutare il chirurgo nella definizione delle traiettorie per nuovi pazienti, selezionandole tra quelle ottenute dai loro stessi casi. 3. Sviluppo di un sistema di supporto alla decisione in grado di sfruttare le informazioni estratte dall’analisi di casi retrospettivi e adattabile alle preferenze del centro clinico (C3). Il terzo contributo rappresenta la fusione degli sviluppi di C1 e C2, integrando ed estendo entrambi i module. Il sistema finale permette al chirurgo di pianificare un nuovo paziente utilizzando l’interfaccia sviluppata in C2 e di trasferire automaticamente le traiettorie ai bersagli anatomici del paziente. Queste traiettorie definiscono dei requisiti spaziali e anatomici, permettendo di guidare gli algoritmi di ottimizzazione sviluppati in C1. Questi ultimi sono stati modificati per mezzo di diversi esperimenti in collaborazione con i nostri partners clinici, includendo diverse strategie di ottimizzazione in funzione del tipo di traiettoria definita nel modulo di inizializzazione. La validazione del sistema ha dimostrato che il modulo di inizializzazione é in grado di riprodurre il 95% delle traiettorie pianificate manualmente, che sono state successivamente ottimizzate sull’anatomia del paziente. Due chirurghi hanno controllato 201 traiettorie proposte, giudicandole applicabili nell’81% dei casi, mentre nel 7% dei casi necessitavano piccoli aggiustamenti manuali per poter essere utilizzate. Il lavoro di sviluppo ed i risultati presentati in questa tesi di PhD nascono dalla stretta collaborazione tra chirurghi ed ingegneri, dalla fusione di conoscenze cliniche con l’analisi di immagini mediche, teorie di ottimizzazione e tecniche di apprendimento automatico. Il sistema proposto é stato pensato per ridurre e semplificare l’interazione tra l’applicazione e l’utente finale e, di conseguenza, diminuire il tempo di pianificazione mentre vengono aumentati criteri di precision e sicurezza. I risultati dimostrano che si tratta di un siatema robusto, in grado di fornire un considerevole numero di traiettorie clinicamente valide che richiedono solo la revione e l’approvazione del chirurgo. E’ comunque degno di nota il fatto che il miglioramento del sistema é il risultato di molte discussioni ed esperimenti empirici con i nostri partners clinici, che ci hanno permesso di sviluppare e implementare un sistema che soddisfacesse le richieste cliniche con il loro modo di lavorare. Questo lavoro getta quindi le basi di un sistema di supporto alla decisione chirurgico per la pianificazione di SEEG, con un disegno modulare e una ricca documentazione con l’intenzione che possa essere migliorato da futuri ricercatori.
Tesi di dottorato
File allegati
File Dimensione Formato  
PhD_Thesis_SCORZA.pdf

Open Access dal 15/11/2022

Descrizione: Testo della tesi
Dimensione 14.58 MB
Formato Adobe PDF
14.58 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/150630