Optimisation du ciblage des noyaux gris centraux en neurochirurgie stéréotaxique

Optimization of the targeting of basal ganglia in stereotactic neurosurgery

• Auteur / Autrice : Julien Engelhardt
• Direction : Emmanuel Cuny
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance le 01/10/2019
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Sciences de la vie et de la santé (Bordeaux)
• Partenaire(s) de recherche : Laboratoire : Institut des Maladies Neurodégénératives
• Jury : Président / Présidente : Yves Coudière
• Jury : Rapporteurs / Rapporteuses : Carine Karachi, Claire Haegelen

Mots clés

Mots clés contrôlés

Stéréotaxie

Stimulation cérébrale profonde

Thérapeutique

Maladie de Parkinson

Mots clés libres

Ciblage

Stimulation cérébrale profonde

Stéréotaxie

Intelligence artificielle

Maladie de Parkinson

Tremblement essentiel

Targeting

Deep brain stimulation

Stereotactic procedure

Artificial intelligence

Parkinson's disease

Essential tremor

Résumé

La stimulation cérébrale profonde (SCP) constitue un traitement chirurgical validé pour certaines formes de maladie de Parkinson, de tremblement essentiel ou de dystonies.La principale étape de cette procédure est le ciblage de la structure cérébrale dans laquelle sera délivré le courant par les électrodes implantées (cible). Les cibles de la SCP sont de l’ordre du millimètre, correspondant à des sous-parties de noyaux gris centraux (noyaux sous-thalamique – NST, globus pallidus interne – GPi, noyau ventral-intermédiaire du thalamus – VIM) ou à des régions autour de ces noyaux dans lesquelles transitent les faisceaux de fibres blanches à destination de ceux-ci. L’imagerie par résonnance magnétique (IRM) permet de visualiser certains de ces noyaux, mais avec une résolution insuffisante pour guider avec précision l’implantation des électrodes pour ce qui est du STN et du VIM, rendant pour certains auteurs l’électrophysiologie peropératoire indispensable. D’autre part, la définition anatomique des cibles est sujette à controverses et la nature même de la structure visée varie entre les différents centres. Ces éléments constituent des sources d’erreur dans le ciblage et peuvent rendre compte de l’absence d’efficacité de la procédure, ou de son efficacité partielle, chez certains patients. L’objectif de ce travail était d’optimiser le ciblage en SCP en définissant une cible non pas anatomique mais fonctionnelle : pour un patient donné, trouver la position d’une cible dont la stimulation aboutira à un excellent résultat clinique.Pour cela, nous avons résolu un problème inverse, grâce à des méthodes d’apprentissage statistique. La base d’entrainement était constituée par la position des électrodes implantées chez des patients ayant un excellent résultat clinique post-opératoire d’une part, et la position de structures anatomiques avoisinantes visibles sur une IRM à 1,5Tesla chez ces mêmes patients, d’autre part. Trois approches d’apprentissage ont été utilisées : la régression de type RKHS, puis les SVR (support vector régression) et les réseaux de neurones (apprentissage profond). 15 patients atteints d’un tremblement essentiel (29 électrodes) opérés avec un excellent résultat ont été inclus pour la définition d’une cible « VIM ». 18 points de repères par hémisphère ont été définis dans la région des noyaux gris centraux.Les modèles de prédiction ont été validés en calculant la distance euclidienne entre la cible prédite et la cible « réelle », à savoir le centre du contact actif de l’électrode implantée. Ensembles d’apprentissage et de validation étaient partitionnés de manière itérative selon la méthode de validation croisée type leave-one-out. Nous avons également normalisé la position des contacts actifs et des cibles prédites sur un cerveau moyen (MNI template) et avons calculé la distance minimale entre la cible prédite et le VIM donné par un atlas (Ewert) normalisé sur ce template, d’une part, et entre le contact actif et le VIM de cet atlas d’autre part. Nous avons ainsi pu comparer les distance cibles prédites – VIM et contact actif – VIM.En parallèle, nous avons développé un logiciel (Optim DBS), permettant de visualiser directement la cible prédite à partir des points de repères sur l’IRM de n’importe quel patient devant être opéré.Enfin, nous avons mis en place et démarré une étude prospective multicentrique permettant de valider la cible « VIM » sur le tremblement essentiel. Il est prévu d’inclure22 patients en 2 ans et de les opérer sous anesthésie générale sans électrophysiologie peropératoire en utilisant la cible développée dans ce travail pour implanter l’électrode.

Deep brain stimulation (DBS) is a surgical treatment for some forms of Parkinson's disease, essential tremor and dystonia. The main step in this procedure is the targeting of the brain structure in which the current will be delivered by the implanted electrodes (target). Targets of the SCP are of the order of a millimeter, corresponding to sub-parts of basal ganglia (subthalamic nucleus - STN, globus pallidus internal - GPi, ventral intermediate nucleus of the thalamus - VIM) or regions around these nuclei in which pass the white fibers destined for these nuclei. Magnetic resonance imaging (MRI) allows viewing some of these nuclei, but with insufficient resolution to guide accurate implantation of electrodes to the STN and the VIM, making for some authors essential intraoperative electrophysiology. On the other hand, the anatomic target definition is controversial and the nature of the target structure varies between different centers. These elements are sources of error in targeting and can account for the lack of efficiency of the surgery, or its partial effectiveness in some patients. The objective of this work was to optimize targeting in DBS by setting a functional target and non-anatomically: for a given patient, to find the position of a target whose stimulation will lead to an excellent clinical outcome. For this, we resolved a reverse problem through statistical learning methods. The training base was formed by the position of the electrodes implanted in patients with an excellent postoperative clinical result on the one hand, and the position of anatomical structures nearby visible on an MRI at 1.5 Tesla in these same patients, on the other hand. We used three machine-learning approches: RKHS (Reproducing Kernel Hilbert Space), SVR (support vector regression) as well as deep neural networks. 15 patients with an essential tremor (29 electrodes) operated with an excellent result have been included to the definition of a 'VIM' target. 18 points of reference by hemisphere have been defined in the region of the basal ganglia. The prediction model has been validated by calculating the Euclidean distance between the predicted target and the 'real' target distance, which is the center of the active contact of the implanted electrode. The validation was done according to leave-one-out cross-validation approach. We also normalized the position of active contacts and targets predicted on an average brain (MNI template) and have calculated the minimum distance between the predicted target and the VIM given by an atlas (Ewert) normalized on this template, on the one hand, and between the active contact and the VIM of this atlas on the other hand. We were able to compare the distances predicted targets - VIM and active contact - VIM. In parallel, we developed a software (OptimDBS), to visualize directly the target predicted from landmarks on the MRI of any patient to be operated on. Finally, we set up and started a multi-center prospective study to validate the "VIM" target on essential tremor. It is planned to include 22 patients in 2 years who will be operated under general anesthesia without intraoperative electrophysiology using the target developed in this work to implant the electrode.