Definición de un flujo de trabajo para el desarrollo de modelos computacionales personalizados del cerebro

Equation Chapter 1 Section 1 Trabajo Fin de Máster Ingeniería de Telecomunicación Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales Personalizados del Cerebro Autora: Lucía Tejero Torres Tutor: Luis Javier Reina Tosina Cotutora: M. Amparo Callejón Leblic Dpto. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2018 iii Trabajo Fin de Máster Ingeniería de Telecomunicación Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales Personalizados del Cerebro Autora: Lucía Tejero Torres Tutor: Luis Javier Reina Tosina Profesor Titular de Universidad Cotutora: M. Amparo Callejón Leblic Dra. Ingeniera de Telecomunicación Dpto. de Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2018 v Trabajo Fin de Máster: Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales Personalizados del Cerebro Autora: Lucía Tejero Torres Tutor: Cotutora: Luis Javier Reina Tosina M. Amparo Callejón Leblic El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2018 El Secretario del Tribunal vii A mi familia A mis maestros ix Agradecimientos Este trabajo está dedicado a todas aquellas personas que me han ayudado y apoyado durante este proceso de aprendizaje. En primer lugar, quiero dar las gracias a mi tutor y profesor del Máster Luis Javier Reina, por haberme transmitido sus conocimientos durante la enseñanza y ofrecerme la oportunidad de realizar este trabajo. A mi cotutora M. Amparo Callejón, a quien le estoy inmensamente agradecida por su ayuda y confianza en mi desde el primer momento. Agradecer a mis padres, Antonio y Mª Ángeles, y a mis hermanas Olga, Mª Ángeles y Julia, por todo el amor que me demuestran cada día que es tan necesario para afrontar cualquier adversidad. Gracias a Ricardo, por ser mi apoyo y darme fuerzas para seguir en esos días en los que las he necesitado. También dar las gracias a mis compañeros del Máster por haber hecho más llevaderos estos dos años. Por último, agradecer a Pablo Mir por ofrecerme la oportunidad de trabajar en el IBIS, y a los compañeros del Grupo de Trastornos del Movimiento, especialmente a Juan Francisco Martín, Antonio Rodriguez, Miguel Ángel Labrador y José Gómez-Feria por ayudarme en la ardua, pero gratificante tarea de la investigación. Lucía Tejero Torres Sevilla, 2018 ÍNDICE DE FIGURAS Figura 1. Vista sagital de un sujeto con MicroDicom 6 Figura 2. Vista transversal de un sujeto con MicroDicom 6 Figura 3. Vista coronal de un sujeto con MicroDicom 7 Figura 4. Orientación RAS 8 Figura 5. Campos de una imagen .nii cargada con load_nii.m 10 Figura 6. Campos de la cabecera, hdr, cargada con load_nii 11 Figura 7. Campos dentro de la estructura original, cargada con load_nii 11 Figura 8. Campos de imagen .nii cargada con load_untouch_nii 12 Figura 9. Campos de la cabecera, hdr, cargados con load_untouch_nii 12 Figura 10. Visualización de la imagen T1 con view_nii 13 Figura 11. Representación de imagen T1 con la herramienta de NIFTI de Matlab en rosa 14 Figura 12. Conversión a cualquier orientación 15 Figura 13. Visualización, con view_nii, de la imagen T1 reorientada 15 Figura 14. Representación de T1 con imshow 16 Figura 15. Representación de T1 con imagesc 17 Figura 16. Representación de T1 con image 17 Figura 17. Escalado de ejes en imshow 18 Figura 18. Sistema de coordenadas intrínseca de la imagen 19 Figura 19. Plantilla de MRIcron con opción de zoom fit 20 Figura 20. Información de cabecera NIFTI, sección Dimensions 20 Figura 21. Información de cabecera NIFTI, sección Reorient 21 Figura 22. Imagen normalizada sobre plantilla normalizada 22 Figura 23. Imagen no normalizada sobre plantilla normalizada 22 Figura 24. Plantilla normalizada a la izquierda. MRI no normalizada a la derecha 23 Figura 25. Ejemplos de orientaciones posibles en MRIcron 23 Figura 26. Ejes x e y invertidos. 24 Figura 27. T1.nii descargada de la web PPMI y representada con MRIcron 24 Figura 28. T2.nii descargada de la web PPMI y representada con MRIcron 25 Figura 29. Pantalla de inicio SPM12 26 Figura 30. Corregistro y alineación de imágenes 27 Figura 31. Display para visualizar las imágenes 27 Figura 32. Opciones del Display 28 Figura 33. Opción Segment del menú principal 29 Figura 34. Batch Editor para Segment 29 xvii Figura 35. Esquema de ISO2MESH para creación de mallas volumétricas 31 Figura 36. Sistema internacional 10/20 sobre la MRI 33 Figura 37. Sistema internacional 10/20 sobre MRI completo 33 Figura 38. Sistema 10/05 34 Figura 39. Sistema 10/10 34 Figura 40. Ubicación de electrodos con la herramienta Metch. Mapeo 35 Figura 41.Ubicación de electrodos con la herramienta Metch. Parte trasera de la cabeza 35 Figura 42. Ubicación de electrodos con la herramienta Metch. Parte lateral de la cabeza 35 Figura 43. Ubicación de electrodos con la herramienta Mesh2EEG. Parte lateral de la cabeza 36 Figura 44.Ubicación de electrodos con la herramienta Mesh2EEG. Parte trasera de la cabeza 36 Figura 45. Electrodos colocados con ROAST sobre la MRI 37 Figura 46. Electrodos y fluido cerebroespinal mallados con ROAST 37 Figura 47. Resultados de la segmentación de T2 40 Figura 48. Comparativa de segmentación de cráneo con T1 (derecha), y T2 (izquierda) 41 Figura 49. Smoothing de los tejidos segmentados 42 Figura 50. Segmentación con ROAST usando el template de ROAST, eTPM.nii (izquierda), y usando el template de SPM8, TPM.nii (derecha) 43 Figura 51. Segmentación del cráneo con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) 44 Figura 52. Segmentación del fluido cerebroespinal con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) 44 Figura 53. Segmentación de la materia gris con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) 44 Figura 54. Segmentación de la materia blanca con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) 45 Figura 55. Segmentación de la piel con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) 45 Figura 56. Máscaras binarias con ROAST, SPM8 (izquierda), SPM12 (derecha) 46 Figura 57. Segmentación de FreeSurfer, para reconstrucción de malla volumétrica 47 Figura 58. Segmentación de FreeSurfer de materia blanca y gris 47 Figura 59. Segmentación del cerebelo (izquierda) y CSF (derecha) representada con NIFTI toolbox 48 Figura 60. Segmentación de la materia gris (izquierda) y de la piel (derecha) representada con NIFTI toolbox 48 Figura 61. Segmentación de la materia blanca (izquierda) y cráneo (derecha) representada con NIFTI toolbox 48 Figura 62. Segmentación de ventrículos representada con NIFTI toolbox 48 Figura 63. Malla superficial de la piel creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) 49 Figura 64. Malla superficial del CSF creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) 49 Figura 65. Malla superficial del cráneo creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) 49 Figura 66. Malla superficial de la materia gris creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) 50 Figura 67. Malla superficial de la materia blanca creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) 50 Figura 68. Malla superficial de la piel (izquierda) y del cerebelo (derecha) creada con binsurface a partir de la segmentación de SIMNIBS 50 Figura 69. Malla superficial del CSF (izquierda) y de la materia gris (derecha) creada con binsurface a partir de la segmentación de SIMNIBS 51 Figura 70. Malla superficial del cráneo (izquierda) y ventrículos (derecha) creada con binsurface a partir de la segmentación de SIMNIBS 51 Figura 71. Malla superficial de la materia blanca creada con binsurface a partir de la segmentación de SIMNIBS 51 Figura 72. Malla superficial de la piel con método cgalsurf 51 Figura 73 Malla superficial del cráneo con método cgalsurf 52 Figura 74. Malla superficial del cráneo con método cgalsurf. Menor tamaño de triángulos 52 Figura 75. Mallado del CSF mediante ROAST. 53 Figura 76. Fusión de los tejidos segmentados con SIMNIBS 53 Figura 77. Malla de tetraedros a partir de los tejidos segmentados con SIMNIBS 54 Figura 78. Colocación de electrodos con algoritmo mejorado 55 Figura 79. Mensaje en consola de Matlab para introducir la ruta del directorio principal 55 Figura 80. Cuadro de diálogo para la selección del directorio principal 56 Figura 81. Conversión de archivos DICOM a archivos NIFTI y descompresión de archivos NIFTI 56 Figura 82. Reorientación de la imagen T1 (izquierda) y T2 (derecha) 57 Figura 83. Creación de máscaras binarias e indicación para seleccionar el directorio donde encuentran 57 Figura 84. Cuadro de diálogo para la selección del directorio de las máscaras 58 Figura 85. Cuadro de diálogo para seleccionar la máscara de la piel 58 Figura 86. Introducción del radio y espesor del cilindro 58 Figura 87. Localización del punto de referencia Nasion 59 Figura 88. Puntos de referencias insertados 59 Figura 89. Selección de electrodos a colocar sobre la cabeza 59 Figura 90. Electrodos sobre la malla superficial de triángulos 60 Figura 91. Coordenada en vóxel de un punto sobre la malla superficial 61 Figura 92. Coordenada en vóxel de un punto sobre la MRI del Brainsight 62 Figura 93. Coordenada en milímetros de un punto sobre la MRI del Brainsight 62 Figura 94. Interfaz del Brainsight 63 Figura 95. Localización de un punto en el espacio real con el software Brainsight 63 xix Notación MRI Magnetic Resonance Imaging FMRI Functional Magentic Resonance Imaging TAC Tomografía Axial Computarizada EEG Electroencefalografía MEG PET Magnetoencefalografía Positron Emission Tomograpgy tDCS Transcranial direct-current Stimulation TMS Transcranial Magnetic Stimulation JPEG GIF Joint Photographic Experts Group Graphics Interchange Format BMP Bit Mapped Picture PNG Portable Network Graphics TIFF SPECT Tagged Image File Format Single Photon Emission Computed Tomography MINC McConnell Brain Imaging Centre MNI Montreal Neurological Institute SPM Statical Parametric Mapping FSL FMRIB Software Library FMRIB Functional Magnetic Resonance Imaging of the Brain ROAST Realistic vOlumetric-Approach to Stimulate Transcranial electric stimulation DICOM Digital Imaging and Communication in Medicine NIFTI CSF Neuroimaging Informatics Technology Iniciative Cerebral Spinal Fluid WM White Matter GM Gray Matter 1 1 INTRODUCCIÓN 1.1. Antecedentes El cerebro es el órgano que constituye el sistema nervioso central y el órgano de mayor relevancia en el cuerpo humano. Su estudio es determinante para entender a los individuos. Disciplinas como la filosofía, sociología, psicología o neurología han aportado diferentes puntos de vista acerca del funcionamiento cognitivo de los seres humanos. Sin embargo, han sido las técnicas de la neuroimagen las que han permitido el estudio del cerebro de personas vivas mediante herramientas mínimamente invasivas. Las técnicas de neuroimagen son capaces de obtener una representación precisa anatómica y/o funcional del cerebro. Han sido muy utilizadas por la neurociencia a partir del descubrimiento de los rayos X. Existen dos tipos de técnicas dentro de la neuroimagen, como son la neuroimagen estructuctural y funcional. La neuroimagen estructural ofrece una visión estática del cerebro humano [13]. Se utiliza para medir el tamaño total del cerebro y las regiones específicas dentro de él, pudiendo detectar alguna anomalía o efectos de una enfermedad. La neuroimagen funcional ofrece una visión dinámica del funcionamiento del cerebro durante el desempeño de alguna actividad psicológica/ cognitiva. La tomografía por emisión de positrones [14] o el electroencefalograma (EEG) [15] son técnicas que pertenecen a la neuroimagen funcional. La tomografía por emisión de positrones (PET) es una técnica invasiva. Permite identificar si se ha producido una disminución del número de neuronas inyectando en el sujeto una sustancia radioactiva. Con el electroencefalograma (EEG) se realiza un estudio de la actividad eléctrica cerebral a través de unos electrodos que se colocan sobre el cuero cabelludo de acuerdo a un estándar internacional. Es una técnica no invasiva pero poco precisa en cuanto a conocer exactamente el lugar por donde se ha producido la actividad neuronal. Por ello, debe ser complementada por técnicas de neuroimagen. Permite monitorizar la actividad eléctrica del cerebro durante un estímulo. La tomografía axial computarizada consiste en enviar rayos X al cerebro, a través del cráneo, obteniendo múltiples imágenes del mismo. La finalidad de esta técnica es la detección de anomalías. La imagen de resonancia magnética (MRI) [16] o la tomografía axial computarizada (TAC) son dos técnicas que pertenecen a la parte estructural de la neuroimagen. La imagen de resonancia magnética sirve para estudiar la anatomía del cerebro. Consiste en la emisión de un campo magnético sobre el sujeto y registrar la información a través de un ordenador, que la transforma en una imagen. Hay diferentes tipos de MRI como por ejemplo T1 y T2. Las imágenes T1 pueden considerarse como un mapa de la energía del protón dentro de los tejidos grasos del cuerpo que son la grasa subcutánea y médula ósea de las vertebras. El líquido cefalorraquídeo no contiene grasa, por lo que aparece en negro en las imágenes T1. Por otro lado, las imágenes T2 son un mapa de la energía del protón dentro de los tejidos grasos y de los tejidos que contienen agua del cuerpo. Cualquier zona que sea brillante en las imágenes T2 pero oscura en las imágenes T1 es un tejido formado por agua. Por otra parte, el análisis de la imagen de resonancia magnética se ha demostrado muy importante tanto en investigación como en estudios clínicos destinados al desarrollo, la función y la patología del cerebro humano. Y sobre todo en estudios relacionados con terapias orientadas a la resolución de problemas neurológicos Introducción 2 mediante técnicas no invasivas, entre las que destacan los métodos de estimulación neuronal. Éstas se basan en la aplicación de energía eléctrica, electromagnética u óptica, y tienen como objetivo la activación, inhibición y/o regulación de la actividad neuronal dependiendo de la patología a tratar. Entre las técnicas que utilizan fuentes electromagnéticas, por su carácter no invasivo destacan la estimulación magnética (tMS) y eléctrica (tES) transcraneal [17] [18]. En ambos casos, la técnica se aplica disponiendo una bobina o unos electrodos [19] en la parte externa de la cabeza del paciente, a través de los cuales se induce una corriente eléctrica sobre los tejidos cerebrales. Los investigadores usan esta técnica para conocer cómo se relaciona la actividad cerebral con los procesos cognitivos y el comportamiento del paciente. También se utiliza para estudiar enfermedades como Parkinson, depresión o epilepsia. A pesar de los avances logrados con estas técnicas, se desconocen los mecanismos bioeléctricos que subyacen al proceso de neuroestimulación, y se evidencia una falta de metodología para el establecimiento de los parámetros de estimulación que, a menudo, se fijan en base a la experiencia del médico/neurofisiólogo y los estándares de seguridad. Los avances en modelado computacional han permitido desentrañar algunos de los aspectos relacionados con el acoplo de campos electromagnéticos y los tejidos biológicos, contribuyendo a que se pueda cubrir el salto entre la aplicación de las técnicas de neuroestimulación y una planificación de la intervención. Estos modelos proporcionan conocimiento sobre los flujos de corriente en los distintos tejidos cerebrales, y por tanto se apoyan en una representación realista de la anatomía de la cabeza sobre la que se va a intervenir, que se deriva, con frecuencia, de la reconstrucción tridimensional a partir de imágenes MRI. Así, las imágenes de resonancia magnética constituyen una base fundamental para realizar un modelado computacional de la cabeza humana. Existen numerosas herramientas destinadas al tratamiento de las imágenes, y entre sus funciones se incluye la conversión de formato de imagen, registración de la imagen, enmascaramiento de la imagen dentro del cerebro, normalización espacial del sistema de coordenadas, suavizado espacial, segmentación, reconstrucción de la imagen, simulación, visualización de resultados, etc. Algunas de estas herramientas son SPM [20], FreeSurfer [21], FSL, iso2mesh, ROAST, entre otras [22]. No todas estas herramientas sirven para realizar el modelo completo, cada una tiene sus ventajas y sus limitaciones. Dada la diversidad de herramientas, la calidad de los modelos computacionales es fuertemente dependiente de los métodos que utilicen y su secuenciación, echándose en falta una metodología que ayude a seleccionar los procesos necesarios para poder derivar modelos computacionales de utilidad en investigación y terapia. Por este motivo, en este Proyecto se propone un flujo de trabajo que tiene por objeto realizar de forma métodica el proceso de obtener un modelo computacional del cerebro a partir de la MRI de una persona. 1.2. Objetivos Dadas las técnicas experimentales empleadas para estudiar la anatomía del cerebro, como tES, es necesario establecer un procedimiento más metódico que permita un estudio objetivo del cerebro. Para ello, se necesita un modelo computacional del cerebro a partir de MRIs. Esto conlleva a un tratamiento de las imágenes médicas, como segmentación [23] , mallado [24] y colocación de electrodos. También influyen los formatos de las imágenes, el sistema de coordenadas, las plantillas utilizadas para hacer la segmentación, etc. Son muchos los detalles que se deben tener en cuenta para el procesamiento de una imagen y muchas las herramientas software que abordan este proceso de diferente forma. El objetivo de este trabajo fin de máster es elaborar un flujo de trabajo que realice el procedimiento del tratamiento de la imagen de resonancia magnética hasta obtener un modelo computacional del cerebro. Para ello, se estudiarán diferentes herramientas y así comprender de forma rigurosa el proceso que hay que seguir, y las ventajas e inconvenientes de cada una de ellas. Para lograr este objetivo fundamental, se deben cumplir los siguientes subobjetivos: 1. Estudio de los diferentes formatos de imágenes biomédicas más utilizados y herramientas para la visualización de las mismas con el fin de comprender la imagen representada. 2. Análisis de los resultados de segmentación de una misma MRI con diferentes softwares. 3. Análisis del mallado con diferentes softwares y métodos, de las segmentaciones realizadas previamente. 4. Elección de herramientas para la colocación de los electrodos sobre la cabeza del sujeto. 3 3 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro 1.3. Estructura de la memoria En este subapartado se definen brevemente los contenidos que aborda la memoria, dividiéndose en cinco capítulos, que se describen a continuación. 1. Introducción. En este capítulo se describen algunos de los métodos para obtener imágenes biomédicas. Además, se describe brevemente el procedimiento para crear un modelo computacional del cerebro y se expone la necesidad de elaborar este trabajo junto con los objetivos del mismo. 2. Materiales y métodos. Se definen los formatos de las MRIs utilizados, así como las diferentes herramientas para su visualización. Se describen los métodos estudiados tanto para la segmentación y mallado de las MRIs, como para la colocación de los electrodos. 3. Resultados. En este apartado se muestran los resultados obtenidos con los métodos anteriores en cada una de las partes del proceso. Luego se realiza la elección de entre esos métodos para elaborar un flujo de trabajo que comprenda cada uno de los pasos explicados anteriormente, incluyendo una serie de mejoras. Por último, se aplican todos los conocimientos adquiridos a un software actualmente en funcionamiento dedicado a la estimulación magnética transcraneal. 4. Conclusiones. En este apartado se realiza una comparativa de los diferentes métodos utilizados, explicando sus ventajas, inconvenientes y limitaciones, proponiendo futuras mejoras. 5. Referencias. Se expone la bibliografía a la que se ha recurrido para realizar este trabajo. 5 2 MATERIALES Y MÉTODOS n este capítulo se pretende comprender diferentes herramientas para la visualización de las imágenes de resonancia magnética y los posibles formatos en los que se pueden presentar dichas imágenes. Además, se describen los diferentes métodos utilizados para la segmentación y mallado de la MRI y la colocación de electrodos sobre la cabeza del individuo. En primer lugar, se realiza una definición de los formatos DICOM y NIFTI, pero es de este último sobre el que se profundiza más. Se realiza un estudio acerca de este formato con el uso de la herramienta NIFTI de Matlab, señalado diferencias con el formato DICOM, describiendo las coordenadas en las que se encuentra la imagen, la orientación que toma por defecto, así como la descripción de algunos campos de este formato. En segundo lugar, se muestran otras formas de representar las MRIs utilizando funciones pertenientes a Matlab, como son imshow, imagesc o image. Describiendo la forma de ejecutar los comandos para su correcta visualización. También se presenta otra herramienta distinta para mostrar la imagen de resonancia magnética, llamada MRIcron [25], la cual es de código abierto y dispone de otras funcionalidades además de la visualización de las MRIs. Por último, se expone la metodología seguida para la elaboración del flujo de trabajo de un modelo computacional, explicando cada uno de los procesos de forma detallada. 2.1. Formato DICOM DICOM (Digital Imaging and Communications in Medicine) es un estándar internacional para transmitir, almacenar, recuperar, imprimir, procesar y representar información de imágenes médicas, las cuales hace interoperables. Se desarrolla y mantiene activamente para cumplir con las tecnologías y necesidades de las imágenes médicas. Está disponible para descargarse y usar gratuitamente. El formato DICOM surge porque los formatos existentes de imagen anteriores como TIFF (Tagged Image File Format), JPEG (Joint Photographic Experts Group) o GIF (Graphics Interchange Format) solo contienen la imagen médica, sin los datos necesarios del paciente. La solución fue diseñar un nuevo formato de archivos que especificara los datos primordiales de un paciente en la imagen. Además, también era necesaria la comunicación entre equipos heterogéneos con un protocolo de trabajo común para todos los equipos. Así, el estándar DICOM [26] describe un lenguaje común a distintos sistemas médicos. De esta forma las imágenes vienen acompañadas de mediciones, cálculos e información descriptiva relevante para diagnósticos. Utiliza archivos con extensión .dcm. Las comunicaciones DICOM se adaptan al estándar OSI para el intercambio de información. Define interfaces de conexión entre equipos de diferentes categorías como: equipos de adquisición de imagen, archivos de imágenes, estaciones de visualización, dispositivos de impresión, entre otros. E Materiales y Métodos 12 Puede ocurrir que la imagen .nii no se pueda cargar con la función load_nii.m. Esto sucede cuando la matriz de rotación que se encuentra dentro de este archivo no es ortogonal. En este caso, se debe usar la función load_untouch_nii.m para cargar la imagen. Esta función carga la cabecera de la imagen sin realizarle ninguna transformación. La figura 8 muestra los campos que tiene una MRI en formato NIFTI que ha sido cargada con dicha función. Figura 8. Campos de imagen .nii cargada con load_untouch_nii De nuevo, se observa que el campo filetype es distinto de cero, pero cabe destacar que no hay campo original, ya que no se ha realizado ninguna transformación, y en cambio existe un nuevo campo, untouch, que indica que el archivo ha sido cargado sin alterar la cabecera de la imagen. Al entrar dentro de la cabecera, se observa que el valor de los campos sform_code y qform_code no son cero, a diferencia del caso anterior. Esto es debido a que no se ha realizado ninguna transformación a la MRI. Figura 9. Campos de la cabecera, hdr, cargados con load_untouch_nii Para poder visualizar la MRI con el toolbox de NIFTI se utiliza la función view_nii. Para poder usar esta función, antes debe cargarse la imagen con la función load_nii y no con la función load_untouch_nii, ya que el archivo debe tener su matriz afín ortogonal. Por tanto, si se quiere visualizar una imagen .nii y no 13 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro ha podido ser cargada con la función load_nii, hay que realizar alguna transformación afín. Para ello, se utiliza la función reslice_nii del toolbox de NIFTI. El archivo NIFTI resultante de esta función siempre estará en orientación RAS. Figura 10. Visualización de la imagen T1 con view_nii La interfaz de esta herramienta (véase la figura 10) presenta un menú en el que se pueden hacer diferentes modificaciones y explorar la imagen: - Las opciones Constrast y Brightness sirven para modificar la luminosidad de la imagen. - Axes Unit permite cambiar la unidad de medida, que puede ser vóxel o milímetro. - La opción Colormap se utiliza para cambiar el color de la imagen, cuyo valor por defecto es gris. En la figura 11 se puede observar que los niveles de intensidad de la imagen se representan en una escala de 0 a 1, siendo 0 el color negro y 1 el color blanco. Si se eligiera otro color, también habría una escala de 0 a 1 y se le asignaría a cada valor un color. - Color permite activar o no los ejes de color rojo (crosshair) que se ven en la imagen. - [X Y Z] at origin es la posición donde el crosshair se sitúa inicialmente. - [X Y Z] at crosshair es la posición fija donde se encuentra el crosshair. - Value at crosshair es el valor del vóxel indicado por la posición fija del crosshair. - [X Y Z] at cursor es la posición donde el cursor del ratón está situado en ese momento. - Value at cursor es el valor del vóxel indicado por la posición del cursor. Materiales y Métodos 14 Figura 11. Representación de imagen T1 con la herramienta de NIFTI de Matlab en rosa La imagen queda almacenada en una matriz img de tres dimensiones que contiene los valores de intensidad [34]. Los niveles más altos de intensidad se corresponden con los números más altos de la matriz. Cabe destacar que esas coordenadas X,Y,Z, cuando la unidad es el vóxel (antes nombrado como i,j,k), y el valor del crosshair se corresponden con las posiciones de la matriz img y la intensidad en esa posición, respectivamente. Esto se puede comprobar accediendo a esa matriz desde la consola de Matlab. Si se realiza la conversión de unidades de vóxel a milímetros, las coordenadas X,Y,Z son las llamadas coordenadas mundo. Aunque la orientación de la imagen por defecto es RAS, se puede cambiar a la orientación que se necesite con la función rri_orient, cargando primero la MRI con load_nii, y pasándole como argumento de entrada el nombre utilizado para cargar la imagen. T1_nii.img(86,126,129) ans = 280 t1_orient=load_nii('T1.nii') rri_orient(t1_orient) 15 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Se abrirá un cuadro de diálogo como el que se muestra en la figura 12. Para modificar la orientación de la imagen, basta con elegir el sentido de los ejes X, Y, Z y pulsar en Done. Se ha elegido la orientación LPS (+X: izquierda, +Y posterior, +Z superior) como ejemplo para representar la imagen (véase la figura 13). Figura 12. Conversión a cualquier orientación Figura 13. Visualización, con view_nii, de la imagen T1 reorientada Existen otras funciones como make_nii, make_ana, save_nii y save_untouch_nii para crear archivos y guardarlos. Las funciones make_nii y make_ana sirven para crear un archivo .nii con su cabecera, tal y como se descrito antes. La diferencia entre ellas es que la primera crea estructuras NIFTI y solo se pueden guardar con la función save_nii, mientras que la segunda crea estructuras ANALIZE 7.5 y se guardan con save_untouch_nii. Materiales y Métodos 16 2.3. Otras funciones para representar la MRI Existen multitud de programas y funciones en Matlab para representar las MRIs. En este trabajo se han utilizado las funciones de Matlab imshow, image e imagesc para comprobar cómo se representa la matriz de la imagen de resonancia magnética con estas funciones. Además, se han visualizado con un software denominado MRIcro [35]. 2.3.1 Imshow, imagesc, image La función imshow representa una imagen en escala de grises en una figura, optimizando los ejes y las propiedades de la imagen. Es necesario especificar el rango de representación como un vector de dos elementos, siendo el primer elemento el valor más bajo de la matriz de la imagen, y el segundo el valor más alto de la matriz de la imagen. El valor más bajo lo identifica con el color negro, y el más alto con el blanco. Los valores entre este rango se muestran como tonos intermedios de gris, usando la cantidad predeterminada del nivel de gris. Si se especifica una matriz vacía como rango, imshow interpreta que el valor bajo es el mínimo de la matriz de la imagen que se quiere representar, y el valor alto con el máximo de esa matriz. Usar imshow para representar la imagen requiere que antes sea cargada por load_nii, así se puede acceder a la matriz img que contiene el archivo NIFTI. Esta función es válida para matrices de dos dimensiones, por lo que para representar esa matriz es necesario realizar un corte en el eje z (véase la figura 14). Figura 14. Representación de T1 con imshow La función imagesc muestra los datos de una matriz usando la gama completa de colores en el mapa de colores. Cada elemento de la matriz especifica el color para un píxel de la imagen. La imagen resultante es una cuadrícula de m por n píxeles donde m es el número de columnas y n es el número de filas de la matriz. Los índices de fila y columna de los elementos determinan los centros de los píxeles correspondientes. Esta función también se usa para matrices de dos dimensiones, por lo que si se quiere representar una matriz de tres dimensiones, como es el caso, se tiene que representar un corte del eje z, de la misma forma que con imshow, t1 = load_nii(‘T1.nii’) imshow(t1.img(:,:,120),[]) 17 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro con la salvedad de que no es necesario indicar el rango en el que se va a representar la imagen (véase la figura 15). Figura 15. Representación de T1 con imagesc La función image es similar a imagesc, salvo que ésta muestra los datos en una matriz como una imagen (véase la figura 16). Figura 16. Representación de T1 con image La principal diferencia entre image e imagesc es que el primer método muestra la matriz de entrada como una imagen y cada valor de la entrada se interpreta directamente como un índice de un color en un mapa recortado de 64 colores. En cambio, imagesc aplica un escalado automático con un rango de imagen que abarca todo el mapa de colores completo. Cabe destacar que, si se selecciona un píxel de la imagen en una determinada coordenada (x,y,z), éste se corresponde con el valor de la matriz en las coordenadas (y,x,z). Esto quiere decir que los valores de la imagen representada con alguna de estas funciones, se corresponde con los valores de la matriz img [36] contenida en el archivo NIFTI. El siguiente ejemplo muestra el acceso a la matriz en las coordenadas x e y mostradas en la figura 16. t1 = load_nii(‘T1.nii’) imagesc(t1.img(:,:,120)) Materiales y Métodos 18 Además de esta particularidad de tener invertidos los ejes x e y, si se analizan las propiedades de la imagen [37], después de haber sido cargada con alguna de estas tres funciones, se observa que los valores iniciales de los ejes x e y no se corresponden con cero sino con 0.5, tal y como se muestra en la figura 17. La dimensión de esa matriz es de 192x256x256; teniendo en cuenta que se invierten los ejes xey, se puede observar que el eje x empieza en 0.5 y termina en 256.5. Figura 17. Escalado de ejes en imshow Esta diferencia se debe a un sistema de coordenadas interno de la imagen. Para acceder a ubicaciones de la imagen, la herramienta Image Processing Toolbox de Matlab usa varios sistemas de coordenadas de imagen diferentes como convenciones para representar imágenes como matrices. El método usado por defecto para expresar ubicaciones en una imagen en Matlab es el de coordenadas espaciales. Se trata de un sistema de coordenadas continuamente variable. Esto le permite considerar que cubre una cuadrícula y se describen en términos de x e y, y no de fila y de columna. Dentro de este sistema de coordenadas espaciales existen dos sistemas: coordenadas intrínsecas y coordenadas mundo. El primer sistema, mostrado en la figura 18, se corresponde a índices de píxeles, y el segundo relaciona la imagen con algún otro espacio de coordenadas. Las funciones definidas previamente se basan en el sistema de coordenadas intrínsecas, por defecto. En este sistema de coordenadas y aumenta hacia abajo y x aumenta hacia la derecha porque esta orientación es consistente con la forma en que se ven típicamente las imágenes digitales. T1.img(65,125,120) ans =283 283 19 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 18. Sistema de coordenadas intrínseca de la imagen Las coordenadas intrínsecas (x,y) del punto central de cualquier píxel son idénticas a los índices de columna y fila para ese píxel. Esto significa que el orden de las coordenadas se invierte en las coordenadas intrínsecas relativas a los índices de píxeles, las columnas son las x y las filas con las y. En la figura 18 se observa que la esquina superior izquierda de la imagen se encuentra en (0.5,0.5) y no en (0,0), y la esquina inferior derecha de la imagen se encuentra en (numCol + 0.5, numFil + 0.5), donde numCol y numFil son el número de columnas y filas en la imagen. Por el contrario, el píxel superior izquierdo es (1,1) y el píxel inferior derecho es (numCol, numFil). El centro del píxel superior izquierdo es (1.0, 1.0) y el centro del píxel inferior derecho es (numCol, numFil). De hecho, las coordenadas centrales de cada píxel son valores enteros. El centro del píxel con índices (r, c) donde r y c son enteros por definición, cae en el punto x = c, y = r en el sistema de coordenadas intrínsecas. 2.3.2 MRIcron MRIcron es un software gratuíto para visualizar imágenes en formato NIFTI multiplataforma que está desarrollado en Windows, Linux y Macintosh OSX [35]. Puede cargar múltiples capas de imágenes en dos dimensiones, generar representaciones de volúmenes y dibujar regiones de interés y estadísticas. También proporciona la función dcm2nii para convertir archivos DICOM a NIFTI [38]. Esta herramienta es útil para saber en qué sistema de coordenada se representa la imagen o si está normalizada o no. MRIcron presenta un menú en la barra de herramienta con multitud de funcionalidades. Los números en X/Y/Z establecen un corte de la imagen, donde X se refiere a izquierda/derecha [39], Y se refiere a anterior/posterior y Z a inferior/superior. El ajuste de estos valores cambiará la visión sagital, coronal y axial que se muestra de la imagen. El siguiente elemento es el zoom. En esta opción las imágenes se escalan de diferentes formas, escalando la vista del cerebro para llenar el panel de manera óptima. Hay opciones como x1 (100%), x2 (200%), x3 (300%) o fit, que sitúa la imagen centrada en la pantalla, como se muestra en la figura 19. Materiales y Métodos 20 Figura 19. Plantilla de MRIcron con opción de zoom fit La siguiente serie de botones se refiere a la región de interés cerebral que se muestra en color rojo [40]. Todas estas regiones se deben dibujar con respecto a una misma plantilla, teniendo en cuenta las dimensiones y la orientación de la imagen. El botón “pen tool” puede dibujar, borrar una línea fina o gruesa. “Closed pen tool” dibuja o borra una línea cerrada que puede ser gruesa o fina. “Fill tool” rellena una región de interés y “Circle tool” puede dibujar una elipse o un rectángulo. MRIcron dispone de una plantilla (template) normalizada al espacio MNI152 [41], construida a partir de la media de las MRI de 152 sujetos. Si se abren las propiedades de esta imagen se puede observar muchos de los parámetros que se describieron en el apartado del formato NIFTI, como por ejemplo el tipo de cabecera, las dimensiones de la imagen, etc. A continuación, se describen las propiedades de la plantilla que dispone MRIcron. Figura 20. Información de cabecera NIFTI, sección Dimensions 21 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 21. Información de cabecera NIFTI, sección Reorient En la sección “Dimensions” (véase la figura 20) se observa que la extensión del archivo es .nii, y se corresponde con el valor de magic del toolbox de NIFTI (n+1). También se muestran las dimensiones de la imagen (181x217x181) y el tamaño del vóxel (1 mm). En la sección “Reorient” (figura 21) se encuentra información acerca de la matriz afín, y del sistema de coordenadas utilizado para normalizar la imagen (Normalized mni152ach). Existe una opción “Overlay” que permite añadir una segunda imagen superpuesta. Esto sirve para comprobar si una imagen está normalizada En caso afirmativo, la imagen quedará representada encima de la otra imagen normalizada, haciendo coincidir las partes del cerebro. A continuación, se muestran dos figuras: en la primera (figura 22) se ha representado una imagen normalizada al espacio MNI, y se ha añadido otra imagen que ha sido segmentada. Se observa como esta imagen queda perfectamente superpuesta, es decir, está normalizada; en la figura 23 se ha representado la misma imagen normalizada y se ha añadido una imagen T1 de un sujeto. Se puede observar que esta imagen queda desplazada, por lo que no está normalizada. Al acceder la información de la cabecera NIFTI se comprueba que, efectivamente, el sistema de coordenadas de esta imagen es el de la máquina de la que se extrajo la MRI. Materiales y Métodos 28 Las opciones más importantes que presenta el “Display” son (véase la figura 32): - Crosshair indica la posición de la línea azul en la imagen en milímetros y en vóxeles. - Right, forward y up mueve en tres direcciones la imagen. - Pitch, roll y yaw rota la imagen alrededor de los ejes x y z, respectivamente. - Reorient: en este botón se guardan los cambios que se le hayan hecho a la imagen. En el lado derecho se puede observar alguna información sobre la imagen, como el tamaño del vóxel, el origen. Para segmentar las imágenes se selecciona “Segment” del menú principal (véase la figura 33), que abrirá un “Batch Editor” (figura 34) donde hay que introducir en “Volumes” las dos imágenes que serán segmentadas. Este proceso tardará pocos minutos y al finalizar, se tendrán las segmentaciones de las imágenes en la misma carpeta donde se tenga almacenada la T1. Figura 32. Opciones del Display 29 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 33. Opción Segment del menú principal Figura 34. Batch Editor para Segment SPM12 dispone de la plantilla TPM.nii para segmentar las imágenes, que contienen todos los tejidos que van a ser segmentados. Al finalizar la segmentación, se obtienen seis segmentaciones, para cada imagen, nombradas con los prefijos c1, c2, c3, c4, c5 y c6. c1 se corresponde con la materia gris, c2 es la segmentación de la materia blanca, c3 es el fluido cerebroespinal (líquido cefalorraquídeo, CSF), c4 es el cráneo, c5 se corresponde con el tejido de la piel y c6 es el aire. Los tejidos son archivos con extensión .nii y se pueden representar en SPM12 con “Check reg”. SPM12 dispone de una opción llamada “smoothing” o suavizado [54]. El suavizado espacial generalmente se realiza como parte del preprocesamiento de imágenes cerebrales [55]. En SPM el suavizado espacial se realiza Materiales y Métodos 30 con un filtro Gaussiano fijo en el espacio donde el usuario debe especificar el ancho del núcleo en mm. El suavizado reduce la resolución de la imagen resolución y aumenta la relación señal a ruido de cada vóxel. Cuanto menos se suavice, menos resultados significativos se obtienen. Por último se pueden normalizar [56] las imágenes al espacio MNI seleccionando la opción “Normalize”. De esta forma, la imagen se normaliza usando una plantilla de SPM [57]. El problema es que la plantilla no es universalmente representativa y los resultados no son muy precisos. Otra forma más precisa para pasar al espacio normalizado es crear una plantilla propia con las segmentaciones realizadas anteriormente. Esto es posible con DARTEL [58]que aplica varios avances para abordar esas limitaciones. Segmentación con ROAST También se ha realizado el estudio del toolbox de ROAST (Realistic Volumetric Approach to Simulate Transcranial) [59]. Es una herramienta desarrollada en Matlab con funciones de SPM desarrollada por el laboratorio de Lucas C. Parra para simular la estimulación eléctrica transcraneal de forma automática. ROAST realiza la segmentación con una función llamada start_seg cuyos argumentos de entrada son: T1, T2 (opcional), template (opcional), normalización (opcional). Dado que start_seg usa funciones de SPM, es necesario hacer todo el preprocesado explicado anteriormente para las imágenes T1 y T2 (corregistro y reslice, y reorientar [60]). En el caso de realizar la segmentación con SPM12 directamente, se recomendaba ese procedimiento para obtener una buena segmentación de las MRIs. Sin embargo, con ROAST la segmentación de T1 y T2 será imposible si ese procedimiento no se realiza correctamente. El primer argumento de entrada de la función start_seg, T1, debe estar en formato .nii. En el caso de no introducir ninguna imagen, es decir, el número de argumentos de entrada es cero, se abrirá un cuadro de diálogo para que el usuario seleccione la MRI que desee. El segundo argumento de entrada, T2, es opcional. Puede realizarse una segmentación únicamente con la imagen T1. La tercera entrada en el template o plantilla que, en caso de no indicar ninguna, ROAST tiene una por defecto. Por último, se pueden normalizar los tejidos segmentados si el cuarto argumento es true. En caso de no indicar nada, no se normalizará. ROAST permite la segmentación de T1 y T2 combinando ambas [61], de esta forma se obtienen mejores resultados de segmentación. Además, esta herramienta contiene un template propio llamado eTPM con el cual se obtienen resultados muy mejorados, sobre todo en el fluido cerebroespinal y en el cráneo. Por último, también es capaz de crear las máscaras de 0 y 255 de cada uno de los tejidos segmentados mediante la función mysegment. 2.4.1.2 SIMNIBS SIMNIBS es un paquete de software gratuito, desarrollado en linux, para la simulación de estimulación cerebral no invasiva. Permite cálculos realistas del campo eléctrico inducido por estimulación magnética transcraneal (TMS [62]) y estimulación de corriente directa transcraneal (tDCS). SIMNIBS usa FreeSurfer para segmentar el cerebro y FSL BET/BET surf [63] [64] para segmentar el resto de la cabeza. FreeSurfer [65] necesita una buena separación entre el cerebro y la señal del hueso para que haga una buena segmentación. FreeSurfer es un paquete de software de código abierto para el análisis y la visualización de datos de neuroimágenes estructurales y funcionales a partir de estudios transversales o longitudinales. FSL es un software que contiene análiis de imágenes y herramientas estadísticas para datos de imágenes cerebrales de MRI funcionales, estructurales y de difusión. FSL está disponible como código fuente para Apple y Pc (Linux) gratuito para uso no comercial. SIMNIBS crea modelos de la cabeza a partir de MRIs en formato NIFTI, mediante el comando mri2mesh. Esta es la herramienta principal para reconstruir un modelo de cabeza a partir de T1 y T2. Funciona con una sola imagen, pero dará mejores resultados de cráneo si se disponde de una T2. El comando a ejecutar es el siguiente: mri2mesh --all almi5 org/almi5_T1fs.nii.gz org/almi5_T2.nii.gz. [66] Con el comando --all se ejecutan todos los pasos de reconstrucción incluyendo el mallado de volumen. almi5 es el identificador del sujeto y se crearán las carpetas fs_almi5 (contiene los resultados de FreeSurfer), m2m_almi5 (contiene todos los ficheros que fueron necesarios para la creación del volumen, como las 31 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro segmentaciones en formato NIFTI) y el archivo almi5.msh, que es la malla creada [67]. Este proceso puede tardar varias horas dependiendo de la memoria RAM de la que disponga el equipo. Para un equipo de 8 GB de RAM y Core i7 tarda unas once horas. 2.4.2 Malla superficial Una malla triangular es un tipo de malla que comprende un conjunto de triángulos, generalmente en tres dimensiones, que están conectados por sus bordes o por sus esquinas comunes. Una malla de superficie triangular [68] es la base de cualquier representación de superficie incluyendo varios métodos numéricos en ingeniería eléctrica y biomédica, gráficos de computadora, etc. Se considera un cuadrado de tamaño axb en un plano de dos dimensiones xy. El objetivo es rellenar ese cuadrado con triángulos definiendo los nodos o vértices de cada triángulo en una matriz. Esta matriz, de dimensión nodosx3, contiene por cada fila tres coordenadas cartesianas correspondientes a cada nodo. El número de fila en la matriz es el número del vértice. Además, se necesita otra matriz en la que se definan las caras del triángulo. Esta matriz, de dimensión triángulosx3, contiene tres números enteros de los vértices de los triángulos. Para hacer las mallas superficiales se ha empleado un toolbox desarrollado en Matlab llamado iso2mesh. iso2mesh es una caja de herramientas de generación y procesamiento de malla libre basada en matlab / octave. Puede crear una malla tridimensional tetraédrica de elementos finitos (FE) a partir de superficies, imágenes volumétricas en 3D binarias y en escala de grises. Iso2mesh es un software de código abierto desarrollado por Qianqian Fang. Es profesor asistente en el Departamento de Bioingeniería de la Universidad Northeastern [69].En la figura 35 se resume el flujo que sigue iso2mesh [70] para la creación de mallas volumétricas a partir de una MRI. Figura 35. Esquema de ISO2MESH para creación de mallas volumétricas En este apartado se explicará el proceso hasta la creación de la malla superficial. Para la realización de la malla existen dos caminos representados en la figura anterior: un camino es usando binsurface, y el otro es usando vol2surf. Binsurface Para la primera opción, se usa la función binsurface para generar las mallas superficiales a partir de una imagen binaria de 0 y 1. Primero se carga la malla en formato .nii con la función load_untouch_nii del toolbox de NIFTI y se extrae la imagen .img. Luego se cierran los huecos de la imagen rellenándola con 1, Materiales y Métodos 32 usando la función fillholes3D y se eliminan los píxeles de la imagen que están aislados, con la función deisland3D. Ambas funciones pertenecen al toolbox de iso2mesh y tienen un segundo parámetro de entrada definido como el máximo tamaño del hueco para cerrar las imágenes (con un valor de 10 en este trabajo). El problema que presenta esta opción es que se queda con la superficie externa y cierra los agujeros. En algunos tejidos funciona muy bien, pero en otros como el cráneo, cierra los huecos de los ojos y no se obtienen mallas muy realistas. Ahora se puede proceder a la creación de los nodos y las caras de los triángulos (faces) con la función binsurface, a la cual se le pasan como argumentos de entradas la matriz de la imagen binaria que ha sido modificada con las funciones anteriores, y un segundo parámetro numérico, 3, que indica que las caras son triangulares. Se comprueba la malla superficial con la función meshcheckrepair y se remuestra la malla con la función meshresample utilizando el método CGAL con la utilidad de simplificación. Vol2surf La segunda opción es generar directamente la superficie de triángulos a partir de las máscaras de todos los tejidos en formato .nii, con la función vol2surf de la herramienta iso2mesh. Esta función convierte una imagen en 3 dimensiones binaria a una superficie y se le debe indicar el valor del tejido que se desea reconstruir. vol2surf dispone de algunos parámetros para la extracción del mallado de superficie, como son: simplify y cgalsurf. En el primer caso se crea una malla triangular en resolución de vóxel y luego se aplica un proceso de simplificación basada en la densidad de la malla superficial especificada por el usuario (puede incluir múltiples superficies desconectadas). Para realizar este procedimiento vol2surf llama a binsurface para generar la superficie basada en vóxel y a meshresample/meshcheckrepair para crear la malla. En el segundo caso se crea la superficie triangular directamente de la imagen volumétrica de entrada, usando una versión modificada del programa de extracción de superficie, CGAL. 2.4.3 Malla volumétrica Las mallas volumétricas son una representación poligonal del volumen interior de un objeto. Comprende un conjunto de tetraedros conectados por sus cuatro bordes o esquinas comunes. Una malla volumétrica [71] queda determinada por sus nodos, caras y elementos. Los nodos y las caras están definidos en el apartado de malla superficial. La matriz de elementos, de dimensión elemx5, contiene las filas de los vértices que forman cada tetraedro. La última columna se corresponde con la etiqueta del tejido correspondiente. La figura 35 muestra el esquema seguido con la herramienta iso2mesh para la creación de mallas volumétricas a partir de una MRI. Para la creación de mallas volumétricas es necesario tener previamente la malla superficial correspondiente. Del esquema se puede observar el método surf2mesh para formar la malla volumétrica a partir de la superficial, el cual se explicará en el siguiente subapartado. Surf2mesh surf2mesh crea una malla volumétrica desde una superficie. Se trata de una función perteneciente a la herramienta iso2mesh. Para ello, se necesitan las matrices de nodos y caras que forman los triángulos de la superficie de cada uno de los tejidos. En primer lugar se deben fusionar las mallas triangulares de los tejidos con la función mergesurf. surf2mesh llama a un generador de malla 3D llamado tetgen. Éste crea mallas tetraédricas a partir de superficies previamente cerradas, utilizando puntos interiores a esas superficies. 2.4.4 Colocación de electrodos Después de la malla superficial, se procede a la colocación de electrodos sobre la misma. Para ello se han estudiado dos herramientas distintas que calculan las posiciones de los electrodos en la cabeza del sujeto de acuerdo a las coordenadas de tres sistemas internacionales estándar de colocación de electrodos. Los nombres de las herramientas estudiadas son Meth (de iso2mesh) y Mesh2EEG. Y los sistemas son el 10/05 [72], 10/10, 10/20 [73], [74] . Una vez calculada la posición de los electrodos, se procedió a la reconstrucción de los mismos con una función de iso2mesh. 33 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Sistemas internacionales de colocación de electrodos. El sistema internacional original de colocación de electrodos es el sistema 10/20 [75] utilizado en electroencefalografía (EEG). Es un método reconocido internacionalmente para describir y aplicar la ubicación de los electrodos en el cuero cabelludo en el contexto de EEG [76]. Fue desarrollado para mantener métodos de prueba estandarizados que aseguren que los resultados del estudio de un sujeto puedan ser compilados, reproducidos y analizados, y comparados de manera efectiva utilizado el método científico. El sistema se basa en la relación entre la ubicación de un electrodo y la corteza cerebral. El número 10 y 20 se refiere al hecho de que las distancias entre electrodos adyacentes son 10% o 20%. Se toma una medida en la parte superior de la cabeza, desde el nasion al inion. Se realizan mediciones similares de derecha a izquierda y alrededor de la circunferencia del cráneo (medida justo arriba de los lóbulos d elas orejas. Este sistema se mide en centrímetros y disponde de 21 canales (figuras 36 y 37). Figura 36. Sistema internacional 10/20 sobre la MRI Figura 37. Sistema internacional 10/20 sobre MRI completo Cada electrodo tiene unas letras para identificar la parte de la cabeza y unos números para identificar el hemisferio. Las letras F, T, C, P y O se refieren a frontal, temporal, central, parietal y occipital. Por otro lado, los números pares se utilizan para definir la parte derecha del hemisferio y los números impares definen la parte izquierda. Con la llegada de los sistemas EEG multicanal y el desarrollo simultáneo de métodos topográficos se creó la necesidad de entender este sistema a otro con mayor número de electrodos. Así, el sistema 10/10 [77] es una extensión del sistema original 10/20 con una densidad de canal más alta, 81 canales (figura 39). Además del sistema 10/10, existe otra extensión de más de 300 canales, llamada 10/05 (figura 38). Materiales y Métodos 34 Figura 38. Sistema 10/05 Figura 39. Sistema 10/10 Herramieta Metch para colocación de electrodos Metch es una herramienta dentro de iso2mesh que sirve para ubicar, sobre la malla superficial de la piel, unas posiciones determinadas por una matriz. Esta herramienta consta de dos ejemplos, uno en forma de código y otro en forma de interfaz gráfica. En primer lugar, se cargan los datos correspondientes a los “nodos”, “faces”, y la matriz de las coordenadas corresposdientes a las posiciones que se quieren marcar sobre la malla. Se debe realizar un mapeo de estas coordenadas a las coordenadas correspondientes del espacio donde se encuentra la cabeza del sujeto mallada. Para ello, con ayuda de la interfaz gráfica se seleccionan cuatro puntos de referencia sobre la cabeza del sujeto, que son Nasion, Cz, T3 y T4. Y se transforma de un espacio de coordenadas con una transformada afín que mapea los nodos de un espacio a otro utilizando la solución de mínimos cuadrados. Con esto se consigue una nueva matriz de coordenadas en el espacio de la cabeza, pero los puntos que forman cada una de esas coordenadas no están pegados a la superficie. Por ello, se procede a una primera optimización para registrar esa nube de puntos en la superficie triangular, con lo que se consigue que los puntos estén más cerca pero aun no pegados a la superficie. Por último, se hace una segunda optimización haciendo la proyección normal desde esos puntos hacia la superficie. En este trabajo se ha probado esta herramienta para la colocación de electrodos con las coordenadas de los sistemas 10/20, 10/10 y 10/05. Para ello se crearon cuatro archivos .mat, tres para las matrices de cada uno de los sistemas y un cuarto que contenían los “nodos” y “faces” del sujeto. En la figura 40 se presenta el mallado triangular de la piel con el sistema 10/20 cargado. Se muestran tres tipos de puntos de distintos colores. Los puntos rojos se corresponden con el mapeo inicial, los asteriscos verdes son la optimización de esos puntos y los asteriscos celestes son las posiciones del sistema 10/20 en la superficie de la cabeza del sujeto. 35 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 40. Ubicación de electrodos con la herramienta Metch. Mapeo El inconveniente que presenta este programa es la alta precisión que se necesita para colocar los cuatro puntos de referencia y conseguir que los puntos finales queden en sus respectivas posiciones sobre la malla. En las figuras 41 y 42 se muestra la malla superficial de la piel del sujeto solo con los asteriscos celestes, representados esta vez con círculos celestes para su mejor visualización. Se puede observar que las posiciones calculadas, en algunos casos, no se corresponden muy bien con las posiciones del sistema 10/20. Figura 41.Ubicación de electrodos con la herramienta Metch. Parte trasera de la cabeza Figura 42. Ubicación de electrodos con la herramienta Metch. Parte lateral de la cabeza Materiales y Métodos 36 Herramienta Mesh2EEG para colocación de electrodos Mesh2EEG es una herramienta que computa las posiciones de los electrodos EEG dadas las caras (faces) y nodos de una malla, y las posiciones de Nasion, Inion, T3 y T4. Primero, con esos cuatro puntos, calcula donde está Cz basada en la posición de los cuatro puntos anteriores. Luego optimiza el valor de Cz en la superficie. Una vez obtenido el punto Cz optimizado, va trazando arcos sobre la cabeza basados en los cuatro puntos de referencia y Cz. Por último, utiliza estos arcos para calcular todo el resto de puntos de las posiciones de EEG. Mesh2EEG tiene la opción de seleccionar el sistema de coordenadas que se quiera usar, el sistema 10/05, 10/10 o 10/20, además de una opción para usar el sistema de coordenadas NIRS correspondiente al 10/10. También se ha probado esta herramienta con el mismo sujeto de estudio para colocar los electrodos en las posiciones del sistema 10/20, como se observa en las figuras 43 y 44. Cabe destacar que este método es más preciso que el anterior. Figura 43. Ubicación de electrodos con la herramienta Mesh2EEG. Parte lateral de la cabeza Figura 44.Ubicación de electrodos con la herramienta Mesh2EEG. Parte trasera de la cabeza El inconveniente que tiene es que los cuatro puntos de referencia hay que introducirlos manualmente. Primero se representa la malla de superficie triangular y sobre ella se marcan los cuatro puntos que deberán igualarse a los valores Nz, Iz, T3 y T4, dentro del código. 37 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Colocación de electrodos con ROAST ROAST mapea los marcadores Nz, Iz, T3, T4, parte del cuello frontal y parte trasera del cuello en el archivo TPM.nii. Dado que esos marcadores están definidos sobre el template TPM, ya tienen unas coordenadas fijadas. Luego mapea estas coordenadas al espacio de la MRI. A continuación convierte la imagen a orientación RAS, detecta los puntos que pertenecen a la superficie de la MRI y calcula el lugar de los electrodos a partir de la MRI, de los puntos de la superficie de la MRI y de los marcadores predefinidos. ROAST [59]contiene dos archivos .mat con los sistemas de electrodos EEG 10/05, 10/10, 10/20 [78]. Se pueden elegir los electrodos que se quieren colocar, el tipo de electrodo, que puede ser en forma de cilindro, de rectángulo o incluso anular [79]. Además, si el electrodo seleccionado es el de rectángulo, se puede definir la orientación del mismo. También se puede elegir el tamaño. Es cierto que tiene muchas opciones, pero también tiene un inconveniente, y es que realiza la colocación de electrodos en la MRI del sujeto, y luego lo malla todo. Esta solución es menos eficiente que colocar los electrodos tras realizar el mallado de la piel de la cabeza. En las figuras 45 y 46 se observa que los electrodos son colocados sobre la MRI del sujeto y su posterior mallado del conjunto. Figura 45. Electrodos colocados con ROAST sobre la MRI Figura 46. Electrodos y fluido cerebroespinal mallados con ROAST Resultados 44 Figura 51. Segmentación del cráneo con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) Figura 52. Segmentación del fluido cerebroespinal con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) Figura 53. Segmentación de la materia gris con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) 45 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 54. Segmentación de la materia blanca con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) Figura 55. Segmentación de la piel con ROAST (eTPM), con SPM8 (izquierda) y SPM12 (derecha) En todas las figuras anteriores se puede observar como SPM12 realiza una segmentación más precisa que SPM8 [88]. Por ejemplo, en el cráneo (figura 51), SPM8 detecta como hueso parte de tejido que no lo es, mostrándose en la vista transversal una segmentación menos limpia. Esto ocurre con los demás tejidos, como también se observa con mayor claridad en la materia gris (figura 53). ROAST también calcula las máscaras de cada uno de los tejidos segmentados, mediante una función llamada mysegment. Sin embargo, crea las máscaras con los números 0 y 255. En este trabajo se ha hecho una breve modificación del código para que realice directamente las máscaras binarias (0-1) para poder crear las mallas de este sujeto en apartados posteriores. En la figura 56 se muestran las máscaras realizadas con ROAST tanto para SPM8 como para SPM12. Dado que las mejores segmentaciones se consiguieron utilizando el toolbox ROAST, con el template que trae por defecto, eTPM, y añadiendo SPM12 en lugar de SPM8, como era de esperar las mejores máscaras también se han obtenido con SPM12. Resultados 46 Figura 56. Máscaras binarias con ROAST, SPM8 (izquierda), SPM12 (derecha) 3.4 Resultados de la segmentación realizada con SIMNIBS En este apartado solo se presentarán los resultados de las segmentaciones con SIMNIBS, para las MRIs T1 y T2 del mismo sujeto. Al final la segmentación, se pueden representar las superficies reconstruidas superpuestas sobre la MRI usando FreeSurfer. Para ello basta con usar el siguiente comando: mri2mesh -c almi5. Esto abre la herramienta FreeSurfer y hace una comprobación de la calidad de las segmentaciones, luego fusiona los archivos stl y los pasa al formato de FreeSurfer. 47 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 57. Segmentación de FreeSurfer, para reconstrucción de malla volumétrica Figura 58. Segmentación de FreeSurfer de materia blanca y gris En las interfaces gráficas de las figuras 57 y 58 se pueden observar cuatro vistas: vista sagital, coronal, trasveral y una representación en 3 dimensiones. La línea roja indica las superficies usadas para la reconstrucción de la malla volumétrica. La línea amarilla indica las superficies de materia blanca y gris creadas por FreeSurfer. Además, en la parte inferior de la pantalla se muestran las coordenadas por las que el ratón pasa y las coordenadas en las que el cursor fijo se sitúa. También aparece la orientación de la imagen, RAS, el sistema de coordenadas usado que es Talairach [89] [90]. Resultados 48 En las figuras 59-62 se muestran las máscaras obtenidas a partir de la segmentación realizada representadas con NIFTI toolbox. Cabe destacar que SIMNIBS también segmenta el cerebelo y los ventrículos, sin embargo, no se segmenta el cuello y, además, el cráneo es muy poco realista ya que no presenta las cavidades en los ojos. Por el contrario, realiza una buena segmentación de la materia blanca y gris. Figura 59. Segmentación del cerebelo (izquierda) y líquido cerebroespinal (derecha) representada con NIFTI toolbox Figura 60. Segmentación de la materia gris (izquierda) y de la piel (derecha) representada con NIFTI toolbox Figura 61. Segmentación de la materia blanca (izquierda) y cráneo (derecha) representada con NIFTI toolbox Figura 62. Segmentación de ventrículos representada con NIFTI toolbox 49 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro 3.5 Resultados del mallado superficial 3.5.1 Resultados del mallado superficial con Binsurface En primer lugar, se muestran en las figuras 63-67 los resultados obtenidos de hacer el mallado superficial a las máscaras resultantes de las segmentaciones realizadas con ROAST, haciendo una comparativa del mallado a partir de las máscaras que se obtuvieron segmentando con ROAST pero sustituyendo SPM8 por SPM12. Cabe destacar que la plantilla usada es la que contiene ROAST, eTPM.nii, con la que se obtuvieron mejores resultados en los apartados anteriores. Figura 63. Malla superficial de la piel creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) Figura 64. Malla superficial del líquido cerebroespinal creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) Figura 65. Malla superficial del cráneo creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) Resultados 50 Figura 66. Malla superficial de la materia gris creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) Figura 67. Malla superficial de la materia blanca creada con binsurface a partir de segmentación con SPM8 (izquierda) y SPM12 (derecha) Como era de esperar, las mallas superficiales a partir de las máscaras creadas con SPM12 dan mejores resultados que las creadas a partir de SPM8. En la malla de la piel se observa que se necesitaría aumentar la resolución (parámetro fillholes3D) para conseguir cerrar ese agujero. Sin embargo, Al aumentar la resolución, influye en que los huecos de los ojos se cierren aun más y sería una solución aun menos realista. Cabe destacar, que al segmentar con ROAST haciendo uso de SPM8 se debió identificar como fluido cerebroespinal, partes de la cabeza que no lo eran, como lo ojos. Justo lo contrario ocurre con la segmentación de la materia gris, como se muestra en su correspondiente malla superficial. En segundo lugar, se muestran en las figuras 68-71 los resultados obtenidos con las máscaras que calcula SIMNIBS, usando el método de binsurface. La reconstrucción de la malla superficial con las máscaras de SIMNIBS son muy buenas. Sin embargo, debido a la segmentación no muy realista del cráneo, el mallado del mismo es bastante artificial, incluso puede llegar a confundirse con el fluido cerebroespinal. Además, el mallado de la piel no llega a reconstruir el cuello. Por otro lado, el mallado de la materia gris y blanca es bastante bueno con este método y gracias a las segmentaciones hechas con SIMNIBS. Figura 68. Malla superficial de la piel (izquierda) y del cerebelo (derecha) creada con binsurface a partir de la segmentación de SIMNIBS 51 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 69. Malla superficial del líquido cerebroespinal (izquierda) y de la materia gris (derecha) creada con binsurface a partir de la segmentación de SIMNIBS Figura 70. Malla superficial del cráneo (izquierda) y ventrículos (derecha) creada con binsurface a partir de la segmentación de SIMNIBS Figura 71. Malla superficial de la materia blanca creada con binsurface a partir de la segmentación de SIMNIBS 3.5.2 Resultados del mallado superficial con Vol2surf En este subapartado, en primer lugar, se muestran los resultados del mallado superficial usando la opción de vol2surf a los tejidos de la piel y el cráneo. Solo se mostrarán los resultados usando el método cgalsurf [91] [92], ya que el método de simplify utiliza binsurface y daría los mismos resultados que en el apartado anterior. Figura 72. Malla superficial de la piel con método cgalsurf Resultados 52 Figura 73 Malla superficial del cráneo con método cgalsurf Se ha utilizado este método con un tamaño del triángulo de 5. Se observa en la figura 73 que este método deja unos surcos en la malla y el mallado del cráneo es bastante deficiente ya que parece que no ha conseguido reconstruirlo por completo. Por ello, se ha decrementado el tamaño de los triángulos a 2, para comprobar si existe alguna mejora. Figura 74. Malla superficial del cráneo con método cgalsurf. Menor tamaño de triángulos En la figura 74 se observa que al decrementar el tamaño de los triángulos se mejora la malla superficial, pero aun así los resultados no son tan buenos como con la opción de binsurface. Por otro lado, decir que ROAST crea la malla superficial con el método cgal pero no se obtienen mallas de muy buena calidad, como se puede observar en la figura 75. 53 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 75. Mallado del líquido cerebroespinal mediante ROAST. 3.6 Resultados del mallado volumétrico con Surf2mesh Una vez obtenidas las mallas superciales se puede proceder a crear las mallas volumétricas. En este subapartado se mostrarán los resultados de mallas volumétricas a partir de las mallas superficiales de SIMNIBS. En primer lugar, se muestra en la figura 76 la fusión de todos los tejidos mediante mergesurf. Para ello se han cargado todos los archivos stl que se corresponden con las segmentaciones de la piel, el cráneo, la materia blanca y gris, los ventrículos, el fluído cerebroespinal y el cerebelo. Cabe destacar que mergesurf funciona solo con matrices binarias y se obtienen dos matrices nuevas que contienen los nodos y las caras de todos los tejidos juntos. Figura 76. Fusión de los tejidos segmentados con SIMNIBS En segundo lugar, se muestra en la figura 77 la malla volumétrica reconstruida con surf2mesh utilizando el método tetgen. Para ello se necesita un punto interior correspondiente a cada tejido y las matrices de nodos y caras obtenidas con mergesurf. surf2mesh da como resultado las matrices de nodos, caras y elementos, y es en esta última donde se definen los vértices de los tetraedros. Para poder visualizar los tetraedros es preciso representar las matrices de nodos frente a los tetraedros, diviendo la cabeza del sujeto por la mitad. Resultados 60 Figura 90. Electrodos sobre la malla superficial de triángulos 3.9 Aplicación al software Brainsight Brainsight se creó en el año 2000 para desarrollar nuevas herramientas que ayudaran a la investigación de la neurociencia y, actualmente, existen cientos de laboratorios en todo el mundo que utilizan este software. Es importante tener en cuenta que Brainsight está dedicado a la investigación científica y no a aplicaciones médicas. La aplicación de Brainsight a TMS fue el primer navegador basado en imágenes disponible comercialmente dedicado a la colocación de TMS, que se ha convertido con el paso de los años en el neuronavegador más popular para TMS. Se utiliza en más de 500 laboratorios en todo el mundo. Con más de 15 años de comentarios de cientos de investigadores, el sistema de navegación Brainsight TMS ha evolucionado continuamente como el centro neurológico universal a través de la integración con sistemas de neuroimodulación y neuroimagen [96]. Los beneficios clave incluyen: - Compatibilidad universal, trabajando con cualquier sistema TMS de cualquier fabricante. - Flujo de trabajo de software intuitivo, desde la configuración hasta la realización de TMS en solo unos minutos. - Selección flexible de obteivos, basada en: anatomía, coordenadas estandarizadas (MNI [97], Talairach [98]), superposiciones múltiples (CT, EEG, fMRI, MEP, NIRS, PET, etc.), ubicaciones de bobina grabads de sesiones anteriore. - Grabaciones detalladas almacenadas para cada pulso TMS. - Múltiples formatos de archivos de imagen compatible con: DICOM, MINC, Analyze, PAR/REC, NIFTI, Siemens .ima, BrainVoyager, VMR, VMP. - Datos totalmente exportables para análisis fuera de línea. - Herramienta de pintura de región de interés (ROI) para la reconstrucción en 3D o para resaltar una estructura, que se puede exportar a otro software como un archivo NIFTI. - Reconstrucción cerebral 3D curvilínea automática - Diseños, vistas y reconstrucciones personalizadas para adaptarse a todos los usuarios y requisitos. - Creación de objetivos utilizando marcadores o trayectorias. El objetivo en esta parte del trabajo ha sido localizar cualquier punto en la cabeza de un sujeto real a partir de las coordenadas de un modelo computacional personalizado, en función de la MRI de un individuo, partiendo del flujo de trabajo desarrollado en la sección anterior. Brainsight dispone de dos formatos distintos para la localización de la bobina sobre el sujeto que son, el formato 61 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Brainsight propio del software y el formato NIFTI, el cual ha sido clave para resolver el problema planteado. En primer lugar, se extrajo la MRI del software Brainsight que estaba siendo utilizada para los estudios de TMS, en formato NIFTI. Se procedió a la segmentación y creación de las máscaras de esta imagen con la herramienta ROAST empleando SPM12. Dado que solo se disponde de una MRI, no es necesario realizar el corregistro ni la alineación de imágenes [99]. Además, es muy importante no reorientar la imagen, ya que esto define un nuevo origen de coordenadas, y provocaría que las coordenadas de la MRI original del software Brainsight no coincidan con las coordenadas de la imagen segmentada. En segundo lugar, se realiza la reconstrucción de la máscara de la piel, creando los nodos y triángulos de la malla superficial mediante la función binsurface de iso2mesh. Las coordenadas en las que se encuentra la superficie triangular de la cabeza del sujeto coinciden con las coordenadas de la MRI segmentada y, por tanto, de la original, con la salvedad de que en la malla superficial estas coordenadas se encuentran definidas en unidades de vóxel. Por lo que si se selecciona un punto cualquiera sobre la superficie mallada del sujeto debe corresponder tanto en el tejido segmentado de la piel, como en la MRI original. La ventaja que tiene representar la MRI con la herramienta NIFTI es que realiza la conversión de vóxel a milímetros. Entonces, a partir de las coordenadas en vóxel de la cabeza mallada se pueden obtener las coordenadas en milímetros de un punto determinado. Dado que el programa Brainsight es compatible con el formato NIFTI, ese punto debería coincidir dentro de este software. Por otro lado, Brainsight disponde de un sistema de neuronavegación similar al sistema GPS, donde el satélite sería reemplazado por un sensor de posición, normalmente una cámara óptica. La antena del GPS que recibe sus señales es reemplazada por un “tracker”, que consiste em un objeto triangular pequeño con tres o más esferas reflectoras. Este objeto se encuentra en la cabeza del sujeto y en la bobina. El mapa del GPS sería la MRI del sujeto. El software de navegación comunica con el sensor de posición con los trakers. Para mapear el espacio de la MRI con el espacio real donde se encuentra el sujeto, se deben obtener algunos puntos de referencia en la MRI como el Nasion, la nariz y los tragus. Luego se deben buscar estos mismos puntos en la cabeza real del sujeto para que con ayuda de una matriz de registro se realice la correspondencia del espacio MRI con el mundo real, para así mapear la posición de la bobina de TMS. Una vez hecho esto, se puede localizar el punto que fue definido sobre el modelo computacional realizado gracias a la segmentación de la MRI original [100], en la cabeza del sujeto real. Cabe destacar, que este flujo de trabajo se puede realizar a la inversa. Se puede ubicar una zona de estimulación sobre la cabeza del sujeto en el mundo real y conseguir localizar esa zona en el modelo computacional. A continuación, se muestran varias imágenes que explican el proceso de conversión de coordenadas de un espacio a otro. La figura 91 muestra la cabeza mallada de la piel del sujeto con un punto selecciona a unos pocos centímetros de la oreja izquierda. Figura 91. Coordenada en vóxel de un punto sobre la malla superficial En las figuras 92 y 93 se muestra la imagen original MRI con esas coordenadas de vóxel localizadas y su Resultados 62 conversión a milímetros. Figura 92. Coordenada en vóxel de un punto sobre la MRI del Brainsight Figura 93. Coordenada en milímetros de un punto sobre la MRI del Brainsight Por último, se puede observar que ese mismo punto ha sido localizado dentro del programa Brainsight y en la cabeza de un sujeto en el mundo real. En la interfaz que muestra Brainsight se observan varias imágenes: la MRI visualizada en diferentes vistas, una reconstrucción del sujeto en 3 dimensiones y una especie de diana con un punto rojo en el centro. En la imagen en 3 dimensiones de la cabeza (figura 94) se puede observar un puntero verde a pocos centímetros de la oreja izquierda. Este punto es el mismo que se marcó anteriormente en la superficie mallada, el cual se marcó también en la MRI. Ese puntero verde se representa como una diana de color verde en la imagen del Brainsight. Además, se observa un punto rojo, tanto en la imagen en 3 dimensiones como en el centro de la diana. Ese punto se corresponde con la zona donde está apuntando la bobina o, en este caso, el puntero que señala a la cabeza en el mundo real. Se observa también como el punto rojo está en el centro de la diana cuando el puntero señala la parte izquierda de la cabeza, por encima de la oreja (ver figura 95). 63 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro Figura 94. Interfaz del Brainsight Figura 95. Localización de un punto en el espacio real con el software Brainsight 65 4 CONCLUSIONES os modelos de flujo de corrientes en el cerebro son muy importantes para la investigación relacionada con la estimulación eléctrica transcraneal. Para ello son necesarios los modelos computacionales del cerebro para poder realizar simulaciones. Esto requiere un procesamiento de las imágenes biomédicas [101], el cual es distinto para cada herramienta. Debido a la multitud de herramientas existentes y sus resultados en la literatura, es preciso estudiar algunas de ellas para realizar un flujo de trabajo que permita obtener un modelo computacional del cerebro lo más parecido a la realidad. Para empezar, ha ido muy importante el estudio del formato NIFTI, junto con las demás herramientas de visualización, para comprender mejor la imagen representada, tener controlada sus coordenadas, conocer su orientación e incluso su normalización. El estudio de diferentes programas para la segmentación de las MRIs ha sido necesario para analizar las ventajas e inconvenientes de cada uno de ellos y su posterior elección. De esta forma, se ha comprobado la ventaja que ROAST tiene sobre SPM12 al combinar las segmentaciones de T1 y T2, ofreciendo una notable mejora en la segmentación del hueso. Además, se ha descubierto la importancia de disponer una adecuada plantilla para la segmentación de las imágenes, resultando la plantilla de ROAST mucho mejor que la de SPM8. También, se ha visto que si se implementa SPM12 en ROAST, en lugar de usar SPM8, la segmentación es de más calidad, ya que ROAST con SPM8 muestra en las segmentaciones algunos vóxeles aislados de los tejidos, mientras que ROAST con SPM12 segmenta mucho mejor al no presentar esas imperfecciones en ninguno de los tejidos. En cuanto a la calidad de las segmentaciones, tras la comparativa de ROAST frente a SIMNIBS [102] decir que, SPM12 segmenta el fluido cerebroespinal y el cráneo mejor que SIMNIBS. La segmentación de SPM12 del cráneo es mucho más realista que la de SIMNIBS, ya que representa los agujeros de los ojos. Mientras que la segmentación de la materia blanca y gris realizada por SIMNIBS es de más calidad que las que realiza SPM12 [103]. Cabe destacar que SPM12 segmenta hasta el cuello mientras que SIMNIBS lo hace hasta la altura de la nariz. Sin embargo otra ventaja que presenta SIMNIBS frente a SPM12 es que segmenta también los ventrículos y cerebelo. La importancia de la calidad de la segmentación se hace notar en la reconstrucción del mallado triangular. Tras la comparación de los métodos binsurface y Vol2surf para crear la superficie de triángulos de los tejidos, cabe destacar que, el primero de ellos realiza un proceso más lento pero más exhaustivo que el segundo. En cuanto a los algoritmos estudiados para calcular las ubicaciones de los electrodos según un sistema internacional, se ha llegado a la conclusión de que el método utilizado por la herramienta Mesh2EEG es mucho más preciso que el método que usa Metch, por lo que se eligió para la reconstrucción de los electrodos. L Conclusiones 66 66 67 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro REFERENCIAS [1] Y. Huang, L. C. Parra y S. Haufe, «The NewYork Head—A precise standardized volume conductormodel for EEG source localization and tES targeting,» NeuroImage, vol. 140, p. 150–162, 2016. [2] J. Yanamadala, V.K. Rathi, S. Maliye et al., «Segmentation of the Visible Human Project® (VHP) Female Cryosection Images within MATLAB® Environment,» 23rd International Meshing Roundtable (IMR23), Oct. 1-5, 2014. [3] E. Dougherty y J. C. Turner, «An Object-Oriented Framework for Versatile Finite Element Based Simulations of Neurostimulation,» Journal of Computational Medicine, vol. 2016, 2015. [4] EASYCAP GmbH, Easycap Electrode Layouts based on 10%-System, Germany. [5] G. B. Saturnino, SimNIBS 2.0.1 Tutorials. tDCS Simulation, 2016. [6] Z. Akalin Acar y S. Makeig, «Neuroelectromagnetic forward head modeling toolbox,» Journal of Neuroscience Methods, vol. 190, pp. 258-270, 2010. [7] M. Windhoff, A. Opitz y A. Thielscher, «Electric field calculations in brain stimulation based on finite elements: An optimized processing pipeline for the generation and usage of accurate individual head models,» Human Brain Mapping, vol. 34, pp. 923-935, 2013. [8] H. Behjat, Statistical Parametric Mapping of Functional MRI data Using Spectral Graph Wavelets, MSc Thesis, Linköping University, 2012. [9] Q. Fang y D. Boas, «iso2mesh: an image-based mesh generation toolbox,» 2009. [En línea]. Available: http://iso2mesh.sourceforge.net [Último acceso: 3 Julio 2018]. [10] Q. Fang, a «iso2mesh: a “one-liner” 3D mesh generator, » 2010. [En línea]. Available: Available: http://iso2mesh.sourceforge.net [Último acceso: 3 Julio 2018]. [11] T. Wagner, M. Zahn, A. Grodzinsky y A. Pascual-Leone, «Three-dimensional head model simulation of transcranial magnetic,» IEEE Trans Bio-Med Eng, vol. 51, p. 1586–1598, 2004. [12] C. C. Mcintyre y . T. J. Foutz, «Computational modeling of deep brain stimulation,» Handbook of Clinical Neurology, vol. 116, pp. 55-61, 2013. [13] E. Rusconi y S. Bestmann, «On tickling brains to investigate,» Cortex, vol. 45, p. 1021–1024, 2009. [14] L. A. Shepp y Y. Vardi, «Maximum likelihood reconstruction in positron emission tomography,» IEEE Trans Med Imaging, vol. 1, p. 113–122, 1982. [15] E. Ziegler, S. L. Chellappa, G. Gaggioni, J. Q. M. Ly, G. Vandewalle, E. André, C. Geuzaine y C. Phillips, «A finite-element reciprocity solution for EEG forward modeling with realistic individual head models,» NeuroImage, vol. 103, p. 542–551, 2014. [16] P. M. Bayonas, Preprocesado y Registro de Imágenes Médicas Portal con Radiografías Reconstruidas Digitalmente, Proyecto Fin de Carrera, Universidad Politécnica de Cartagena, 2010. [17] P. Cavaleiro Miranda, M. Lomarev y M. Hallett, «Modeling the current distribution during transcranial direct current stimulation,» Clin Neurophysiol, vol. 117, p. 1623–1629, 2006. [18] J. T. Nelson, R. A. McKinley, E. J. Golo, J. S. Warm y R. Parasuraman, «Enhancing vigilance in operators with prefrontal cortex transcranial direct current stimulation (tDCS),» Neuroimage, vol. 85, p. 909–917, 2014. Referencias 68 68 [19] J. de Munck, P. van Houdt, R. M. Verdaasdonk y P. Ossenblok, «A semi-automatic method to determine electrode positions and labels from gel artifacts in EEG/fMRI-studies,» NeuroImage, vol. 59, p. 399–403, 2012. [20] S. B. Eickhoff, K. E. Stephan, H. Mohlberg, C. Grefkes, G. R. Fink, K. Amunts y K. Zilles, «A new SPM toolbox for combining probabilistic cytoarchitectonic maps and functional imaging data,» NeuroImage, vol. 25, p. 1325–1335, 2005. [21] K. de Macedo Rodrigues, E. Ben-Avi, M.-s. Choe, M. Drottar, D. D. Sliva, R. Wang, B. Fischl, P. E. Grant y L. Zöllei, «A FreeSurfer-compliant consistent manual segmentation of infant brains spanning the 0–2 year age range,» Front Hum Neurosci, 2015 p. 9-21, 2015. [22] C. Lee, Y.-J. Jung, S. J. Lee y C.-H. Im, «COMETS2: An advanced MATLAB toolbox for the numerical analysis of electric fields generated by transcranial direct current stimulation,» Journal of Neuroscience Methods, vol. 277, p. 56–62, 2017. [23] Y. Zhang, M. Brady y S. Smith, «Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm,» IEEE Trans Med Imaging, vol. 20, p. 45–57, 2001. [24] J. Schöberl, «NETGEN An advancing front 2D/3D-mesh generator,» Comput Visual Sci, vol. 1, p. 41–52, 1997. [25] C. Rorden, «MRIcron Installation,» [En línea]. Available: http://people.cas.sc.edu/rorden/mricron/install.html. [Último acceso: 3 Julio 2018]. [26] E. Crespo, Y. Alemán, J. Pascau, S. Reig, J. Janssen y M. Desco, «Plataforma de recepción, gestión y almacenamiento de imagen médica en formato digital DICOM,» Congreso Anual de la Sociedad Española de Ingeniería Biomédica (CASEIB2014), 2014. [27] «MicroDicom - free DICOM viewer for Windows,» [En línea]. Available: http://www.microdicom.com. [Último acceso: 3 Julio 2018]. [28] Mayo Foundation Biomedical Imaging Resource, «Analyze 7.5 specification document,» Bio-Formats Documentation, 2006. [En línea]. Available: https://docs.openmicroscopy.org/bioformats/5.9.0/formats/analyze-75.html. [Último acceso: 3 Julio 2018]. [Último acceso: 3 Julio 2018]. [29] F. S. Collins, W. J. Koroshetz y . N. D. Volkow, «Helping to End Addiction Over the Long-term. The Research Plan for the NIH HEAL Initiative,» JAMA, vol. 320, p. 129-130, 2018. [30] «NIfTI-1 Data Format,» [En línea]. Available: https://nifti.nimh.nih.gov/nifti-1/ [Último acceso: 3 Julio 2018]. [31] A. Manna, «Introducción al Procesamiento de Imágenes con Matlab, 1ª Parte,» 2016. [En línea]. Available: https://www.dc.uba.ar/materias/t1/2016/c1/archivos/2016/introimagenes [Último acceso: 3 Julio 2018]. [32] B. Cox, «NIFTI toolbox,» 2007. [En línea]. Available: https://nifti.nimh.nih.gov/pub/dist/src/niftilib/nifti1.h [Último acceso: 3 Julio 2018]. [33] J. Shen, «Tools for NIfTI and ANALYZE image,» [En línea]. Available: https://www.mathworks.com/matlabcentral/fileexchange/8797-tools-for-nifti-and-analyze-image [Último acceso: 3 Julio 2018]. [34] C. Gaser, «Structural Brain Mapping Group,» [En línea]. Available: http://www.neuro.unijena.de/vbm/segmentation/ [Último acceso: 3 Julio 2018]. [35] C. Rorden, «MRIcron home page and introduction,» 2014. [En línea]. Available: http://people.cas.sc.edu/rorden/mricron/main.html [Último acceso: 3 Julio 2018]. [36] E. Cuenca, «MATLAB: Introducción al procesamiento de imágenes,» 2006. [En línea]. Available: http://informatica.uv.es/iiguia/2000/VC/tutorial.pdf [Último acceso: 3 Julio 2018]. [37] F. Guindos Rojas, «Tratamiento digital de imágenes con IMtdi,» 2001. [En línea]. Available: https://w3.ual.es/~fguindos/IMtdi/Tratamiento%20Digital%20de%20Im%E1genes%20con%20IMtdi.pdf [Último acceso: 3 Julio 2018]. 69 Definición de un Flujo de Trabajo para el Desarrollo de Modelos Computacionales del Cerebro [38] Rjpatruno, «Anatomical-Processing,» [En línea]. Available: http://web.stanford.edu/group/vista/cgibin/wiki/index.php/Anatomical-Processing. [Último acceso: 3 Julio 2018]. [39] M. Aziz, Is it left or is it right?, 2009. [40] A. Gripshoefer y S. Westerheide, «Matlab toolbox for pet / ct image segmentation with the Chan-Vese model,» 2008. [En línea]. Available: https://www.unimuenster.de/AMM/num/Vorlesungen/MedizinUndMathematik/PETCT/documentation.pdf. [Último acceso: 3 Julio 2018]. [41] «About the MNI space(s),» [En línea]. Available: http://www.lead-dbs.org/?p=1241 [Último acceso: 3 Julio 2018]. [42] «Parkinson's Progression Markers Initiative,» [En línea]. Available: https://www.ppmi-info.org/aboutppmi/who-we-are/. [Último acceso: 3 Julio 2018]. [43] H. Hoppe, T. DeRose, T. Duchamp, J. McDonald y W. Stuetzle, «Mesh Optimization,» Proc 20th Ann Conf Computer Graphics Interactive Techniques, p. 19-26, 1993. [44] «Segmentación (procesamiento de imágenes),» [En línea]. Available: https://es.wikipedia.org/wiki/Segmentaci%C3%B3n_(procesamiento_de_im%C3%A1genes). [Último acceso: 5 Junio 2018]. [45] T. C. Pataky, J. Vanrenterghem y M. Robinson, «Statistical parametric mapping (SPM): theory, software and future directions,» [En línea]. Available: http://www.spm1d.org/_downloads/Slides-ISB2017.pdf [Último acceso: 3 Julio 2018]. [46] D. Güllmar, J. Haueisen y J. R. Reichenbacha, «Influence of anisotropic electrical conductivity in white matter tissue on the EEG/MEG forward and inverse solution. A high-resolution whole head simulation study,» Neuroimage, vol. 51, p. 145–163, 2010. [47] M. G. Gutiérrez Romero, «Diseño e implementación de una herramienta computacional dinámica para mejorar las habilidades de memoria de adultos mayores, y comprobar su eficacia por medio de la detección de actividad cerebral utilizando imágenes de resonancia magnética,» Proyecto Fin de Carrera, Universidad Católica de Loja (Ecuador), 2017. [48] A. C. Evans, A. L. Janke, D. L. Collins y S. Baillet, «Brain templates and atlases,» NeuroImage, vol. 62, p. 911–922, 2012. [49] J. D. Nielsen, K. H. Madsen, O. Puonti, H. R. Siebner, C. Bauer, C. Gøbel Madsen, G. B. Saturnino y A. Thielscher, «Automatic skull segmentation from MR images for realistic volume conductor models of the head: Assessment of the state-of-the-art,» NeuroImage, 2017. [50] J. Muschelli, «Wrapper Functions for 'SPM' (Statistical Parametric Mapping),» 2018. [En línea]. Available: http://johnmuschelli.com/spm12r/ [Último acceso: 3 Julio 2018]. [51] O. Chancay, T. Haro, M. Yapur, R. Alvarado, M. Pastor y F. Loayza, «Nuevo Biomarcador en la Enfermedad de Parkinson Mediante el Análisis y Cuantificación de Lesiones Cerebrales en Secuencias Flair Obtenidas por Resonancia Magnética (ACL-Tool),» Revista Tecnológica ESPOL, vol. 28, pp. 548- 557, 2015. [52] B. Dogdas, D. W. Shattuck y R. M. Leahy, «Segmentation of Skull and Scalp in 3-D Human MRI Using Mathematical Morphology,» Human Brain Mapping, vol. 26, p. 273–285, 2005. [53] «SPM12 Release Notes,» London WC1N 3BG, UK. [En línea]. Available: https://www.fil.ion.ucl.ac.uk/spm/software/spm12/SPM12_Release_Notes.pdf. [Último acceso: 3 Julio 2018]. [54] Y. Huang y L. C. Parra, «Fully Automated Whole-Head Segmentation with Improved Smoothness and Continuity, with Theory Reviewed,» PLoS One, vol. 10, 2015. [55] Z. Akalin Acar y S. Makeig, «Neuroelectromagnetic Forward Head Modeling Toolbox,» J Neurosci Methods, vol. 190, p. 258–270, 2010. [56] R. Nordenskjöld, F. Malmberg, E.-M. Larsson, A. Simmons, H. Ahlström, L. Johansson y J. Kullberg,