MER Klassifikation

Intraoperative Mikroelektrodenableitungen (MER) werden häufig bei der tiefen Hirnstimulation verwendet, um die Navigation der Elektroden zum berechneten Zielpunkt zu unterstützen und die aktuelle Position der Elektrodenspitze zu verifizieren. Dabei versucht der Arzt die durchstoßenen Hirnareale anhand charakteristischer Signaleigenschaften zu identifizieren. Das Interpretieren der während der OP akustisch oder auf dem Computermonitor präsentierten Ableitungen ist allerdings zeitaufwendig und erfordert ein hohes Maß an Erfahrung.

Wir haben einen Prototyp entwickelt, der in der Lage ist, automatisch MERs aus dem STN (welches das bevorzugte Stimulationsziel bei Parkinson darstellt) zu klassifizieren. Die Software liest 10s-Abschnitte der Ableitungen ein und gibt den Grad zu dem die Ableitungen dem STN entstammen aus.

Zur Zeit wird an der Erweiterung des Klassifikators für die Verwendung bei anderen Zielgebieten (z.B dem Globus Pallidus bei Dystonie) sowie an der Einbeziehung geometrischer Lageinformationen zur weiteren Erhöhung der Zuverlässigkeit des Klassifikators geforscht.

• Extraktion geeigneter Merkmale
• Merkmal 1: Hintergrundaktivität
• Entrauschen des Signals mittels Wavelet-Transformation - "Denoising by Soft-Thresholding"
• Multilevel-1D-wavelet Decomposition
• Merkmal 2: Spikes und Bursts, Varianz des Signals über die Zeit
• Verwendung eines Fuzzy-Systems (nach Takagi-Sugeno)
• Ausgabe ist der Grad ([0,1]), zu dem ein Signal STN (1) oder nicht-STN (0) ist

• Das Verfahren wurde mit Ableitungen von 121 Elektroden von verschiedenen Patienten und Krankenhäusern getestet
• Das Klassifikationsergebnis stimmte in mehr als 96% der Fälle mit der manuellen Klassifizierung durch den Arzt überein

• Zeitersparnis während der Operation
• Erhöhung der Sicherheit
• Standardisierung der Operation