Viviana Gómez, Iván de la Pava Panche, Andrés Marino Álvarez Meza, Mauricio A. Álvarez López, Álvaro A. Orozco-Gutierrez
Ajustar los parámetros de estimulación es un desafío en la estimulación cerebral profunda (DBS), debido a la gran cantidad de configuraciones disponibles. Como resultado, se han desarrollado sistemas basados en la visualización del volumen de tejido activado (VTA) producido por una configuración de estimulación particular. Sin embargo, el especialista todavía tiene que buscar, mediante ensayo y error, una configuración DBS que genere el VTA deseado. Por lo tanto, nuestro objetivo es desarrollar una estrategia de ajuste de los parámetros de DBS para los dispositivos clínicos actuales que permita definir un VTA objetivo bajo restricciones biofísicamente viables. Proponemos un enfoque de aprendizaje de máquina que permite estimar los valores de los parámetros de DBS para un VTA dado, que consta de dos etapas principales: i) Una deformación basada en K-vecinos más cercanos para definir un VTA objetivo sujeto a restricciones biofísicas. ii) Una etapa de estimación de parámetros que consiste en una proyección de datos para resaltar las propiedades relevantes del VTA, y un algoritmo de regresión/clasificación para estimar los parámetros DBS necesarios para generar el VTA objetivo. Nuestra metodología permite establecer un VTA objetivo compatible biofísicamente y predice con precisión la configuración requerida de los parámetros de estimulación. Además, el rendimiento de nuestro enfoque es estable tanto para conductividades del tejido isotrópicas como anisotrópicas. Además, el tiempo de cómputo del sistema entrenado es aceptable para implementaciones en el mundo real.
Adjusting the stimulation parameters is a challenge in deep brain stimulation (DBS) therapy due to the vast number of different configurations available. As a result, systems based on the visualization of the volume of tissue activated (VTA) produced by a particular stimulation setting have been developed. However, the medical specialist still has to search, by trial and error, for a DBS set-up that generates the desired VTA. Therefore, our goal is developing a DBS parameter tuning strategy for current clinical devices that allows defining a target VTA under biophysically viable constraints. We propose a machine learning approach that allows estimating the DBS parameter values for a given VTA, which comprises two main stages: i) A K-nearest neighbors-based deformation to define a target VTA preserving biophysically viable constraints. ii) A parameter estimation stage that consists of a data projection using metric learning to highlight relevant VTA properties, and a regression/classification algorithm to estimate the DBS parameters that generate the target VTA. Our methodology allows setting a biophysically compliant target VTA and accurately predicts the required configuration of stimulation parameters. Also, the performance of our approach is stable for both isotropic and anisotropic tissue conductivities. Furthermore, the computational time of the trained system is acceptable for real-world implementations.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados