Development of an analysis pipeline for human microelectrode recordings in Parkinson’s disease

Thesis to obtain the master degree in Biomedical EngineeringBackground: Deep brain stimulation is a common treatment for advanced Parkinson’s Disease (PD). Intraoperative microelectrode recordings (MER) along preplanned trajectories are often used for accurate identification of subthalamic nucleus (STN), a common target for deep brain stimulation (DBS) in PD. However, this identification is performed manually and can be difficult in regions of transition. Misidentification may lead to suboptimal location of the DBS lead and inadequate clinical outcomes. Methods: A tool for unsupervised analysis and spike-sorting of human MER signals with feature extraction was developed. We also trained and tested a hybrid unsupervised/supervised machine learning approach that uses extracted MER time, frequency and noise properties for high-accuracy identification of STN. Lastly, we compared neurophysiological characteristics of different STN functional segments. Results: We obtained a classification accuracy of 96:28 3:15 % (30 trajectories, 5 patients) for individual STN-DBS surgery MER using an approach of "leave one subject out" validation with support vector machine classifier, all features based on time and frequency domain and human expert labels. The unsupervised sorting approach allowed us to sort a total of 357 STN neurons in 5 subjects. Dividing the STN in a dorsal, probably motor region, and a ventral, probably non-motor portion, we’ve found a higher burst rate (median (interquartile range) of 1.8 (1.5) vs 1.15 (0.05) bursts/s, p=0.001) and firing rate (median (interquartile range) of 21.4 (16.85) vs. 15.3 (14.33), p=0.013) of dorsal STN neurons among other features. Ongoing work will refine these results using anatomical gold standard through lead trajectory reconstruction, fused with an STN functional subdivision atlas. Conclusions: We’ve developed a tool for human MER analysis and extraction of related features, that provided good preliminary results in STN classification. In line with the literature, we were able to find preliminary activity differences in functionally segregated STN segments. This tool is fast and generalizable for other brain regions. Ongoing work using patient’s anatomy can further validate its’ usefulness in optimizing electrode placement and research purposes.A Estimulação Cerebral Profunda é um técnica utilizada para o tratamento dos sintomas motores da Doença de Parkinson com recurso a estimulação eléctrica intracraniana. Um dos alvos mais frequentemente utilizados para o tratamento é o núcleo subtalâmico e uma colocação precisa dos eléctrodos na região correcta é fulcral para o sucesso terapêutico e minimização de efeitos secundários. Esta cirurgia faz-se com recurso a estereotaxia e monitorização intra-operatória. Previamente à cirurgia, as coordenadas do alvo são estabelecidas e é definido o núcleo subtalâmico utilizando imagens pré-operatórias de ressonância magnética e de tomografia computadorizada do doente. Intra-operatoriamente são utilizados registos de microeléctrodos a diferentes profundidades em trajetórias pré-definidas para verificar as coordenadas estabelecidas e identificar -pela actividade eléctrica- a localização dos eléctrodos no cérebro. No entanto, a identificação do núcleo subtalâmico com registos de microeléctrodos é frequentemente realizada por inspeção visual, e pode ser difícil em regiões de transição. Erros na identificação podem levar a um posicionamento subóptimo dos elétrodos e a um mau resultado clínico. O correcto posicionamento do eléctrodo final de estimulação na porção sensoriomotora do núcleo subtalâmico está relacionado com os melhores resultados clínicos de acordo com a literatura. No entanto não é possível identificar claramente esta subdivisão com base a inspecção visual dos registos. O objetivo do presente estudo é o desenvolvimento de ferramentas para análise de registos de microeléctrodos em diferentes áreas do cérebro e identificação do núcleo subtalâmico, e da porção sensoriomotora, em doentes com Doença de Parkinson submetidos a estimulação cerebral profunda. Métodos Foram desenvolvidas ferramentas para análise do sinal, spike sorting e extração de características por processamento não supervisionado de registos de microeléctrodos humanos. As características relativas ao domínio do tempo e frequência foram obtidas para cada sinal através de medidas estatísticas (média, mediana e desvio padrão) dos registos fracionados em segmentos sobrepostos, para minimizar os efeitos do ruído. As características relacionadas com a atividade neuronal foram também extraídas após deteção e identificação dos diferentes neurónios em cada registo de forma não supervisionada. A localização dos diferentes registos ao longo do trajecto foi realizada por um especialista através de inspeção visual aleatória de todos os sinais. As características extraídas nas regiões do núcleo subtalâmico foram comparadas com as registadas fora de esta área. Posteriormente, uma abordagem híbrida de classificação utilizando métodos de aprendizagem automática -machine learning- foi treinada e testada para identificação dos registos localizados no núcleo subtalâmico utilizando as características extraídas baseadas no domínio do tempo e frequência. Para comparar as sub-regiões funcionais do núcleo subtalâmico, utilizaram-se os sinais identificados em esta região e dividiram-se estas profundidades etiquetadas pelo especialista como núcleo subtalâmico na porção mais dorsal (que terá maior probabilidade de ser motora) e outra ventral (que terá maior probabilidade de ser não motora). Utilizando esta subdivisão, compararamse as características neurofisiológicas relativas às diferentes sub-regiões funcionais com testes estatísticos. Conhecendo as limitações da classificação por inspecção visual, desenvolveu-se uma metodologia para refinamento das localizações dos diferentes registos baseada na reconstrução da trajetória dos eléctrodos implantados, utilizando imagens pre- e pos- operatórias. Esta reconstrução foi sobreposta a um atlas contendo as subdivisões funcionais do núcleo subtalâmico. Os resultados preliminares desta aplicação num sujeito, permitiram mostrar uma classificação mais realista destas sub-regiões na identificação da área motora vs. não motora (límbica e associativa). Resultados Foram identificadas várias características significativamente diferentes no domínio do tempo e frequência, entre os sinais classificados como pertencentes ao Núcleo Subtalámico e os sinais não-pertencentes. Estas diferenças permitiram o desenvolvimento de classificadores do tipo de máquinas de vectores de suporte, utilizando as localizações dos diferentes registos tendo como base a classificação baseada em inspecção visual por um especialista. Utilizando os sinais de maior certeza de classificação, obteve-se uma precisão de classificação do núcleo subtalâmico de 96,18 3,15 % (para 30 trajetórias, 5 pacientes) usando uma abordagem de validação cruzada de “deixar um sujeito fora"com máquina de vectores de suporte linear. Este modelo de validação garante que os dados relativos aos doentes utilizados para treinar o modelo não foram usados posteriormente para testar o mesmo. Utilizando todos os sinais considerados como núcleo subtalâmico independentemente do nível de certeza, obteve-se uma classificação de 84,32 5,75 %. A ferramenta não supervisionada para spike sorting permitiu a identificação de um total de 357 neurónios do núcleo subtalâmico identificado com a máxima certeza em 5 doentes (155 registos de microeléctrodos de 10 segundos de duração) e 521 neurónios foram extraídos de 420 sinais localizados fora do núcleo subtalâmico. Utilizando segmentos de 10 segundos livres de artefactos, identificamos 258 neurónios em 116 sinais do núcleo subtalâmico e 329 neurónios em 228 registos de não-Subtalámico. Foram encontradas diferenças significativas em em 13 das 15 características analisadas comparando STN com não-STN. As subregiões funcionais do núcleo subtalâmico (dorsal vs. ventral) foram comparadas quanto às caracteristicas de tempo, frequência e actividade neuronal. Encontraram-se diferenças significativas em 6 características extraídas dos sinais sem artefactos, consistentes com a literatura e também em uma característica de frequência. Em linha com o descrito previamente, encontramos um burts rate mais elevado na subdivisão dorsal em relação à ventral (mediana (amplitude interquartil) of 1.8(1.5) vs 1.15(0.05) bursts/s, p=0.001) e um firing rate mais alto (mediana (amplitude interquartil) of 21.4(16.85) vs. 15.3(14.33), p=0.013) entre outras características. Os resultados preliminares da análise de sinal refinado por imagem num sujeito, mostraram uma alta accuracy do expert na classificação de sinais STN/não-STN comparados com imagem (>85%). Apesar de neste sujeito não se obterem diferenças significativas entre regiões nas características extraídas, esta analise mostrou que divisão heurística dorsal/ventral era insuficiente para proceder à analise apropriada. Conclusões Foi desenvolvida uma ferramenta para análise de registo de microeléctrodos em humanos e para extração de características no domínio do tempo e frequência, que forneceu bons resultados na classificação do núcleo subtalâmico utilizando a identificação da localização de cada registo por um especialista. A análise e extração de características relativas à atividade neuronal foi realizada por uma ferramenta não supervisionada, que foi desenvolvida combinando algoritmos existentes e que pode ser generalizável a registos em outras regiões ou outro tipo de registos. Esta ferramenta permitiu a identificação de características que permitem diferenciar os sinais colhidos no núcleo subtalâmico dos identificados fora de esta região. De acordo com a literatura, fomos capazes de identificar diferenças em segmentos funcionalmente segregados do núcleo subtalâmico. O trabalho em curso, com refinação anatómica, vai-nos permitir avaliar a sua utilidade em optimizar o posicionamento dos elétrodos, podendo também ser utilizado para fins de investigação.N/