Неинвазивная локализация эпилептогенных зон по МЭГ и ЭЭГ данным пациентов с эпилепсией

Эпилепсия представляет собой охватывающее не менее 50 миллионов людей неврологическое заболевание, характеризующееся регулярными приступами. Примерно 30% пациентов, страдающих эпилепсией, не восприимчивы к фармакологическому вмешательству. В таких случаях необходима хирургическая резекция эпилептогенных зон, порождающих эпилептиформную активность. Неинвазивная локализация эпилептогенных зон возможна на основе использования такого ЭЭГ/МЭГ-маркера эпилепсии, как межсудорожные разряды (интериктальные спайки) – острых паттернов специфичной морфологии, возникающих между приступами.





Рис. 1. Kleeva, D., Soghoyan, G., Komoltsev, I., Sinkin, M., & Ossadtchi, A. (2022). Fast parametric curve matching (FPCM) for automatic spike detection. Journal of Neural Engineering, 19(3), 036003.

Весь анализ данных ЭЭГ/МЭГ, осуществляемый для поиска эпилептогенных зон, можно поделить на следующие этапы:

1. Автоматическая детекция межсудорожных разрядов;
2. Локализация детектируемых разрядов в пространстве кортикальных источников;
3. Динамический анализ активности обнаруженных эпилептогенных кластеров.

В рамках каждого из этапов мы используем специально разработанный арсенал средств. В частности, для автоматической детекции спайков мы используем метод FCPM (Kleeva et al., 2022) – миметический алгоритм, в рамках которого форма междусодорожного разряда параметризуется двумя линейными сегментами и параболой, получаемая морфологическая модель подгоняется к данным, а непосредственная детекция осуществляется на основе логических предикатов, соответствующих критериям зрительного поиска разрядов, осуществляемого клиницистами. Важной особенностью этого алгоритма является то, что, сохраняя свою чувствительность к подлинным разрядам, он устойчив к высокоамплитудным артефактам.

Рис. 2. Kleeva, D., Soghoyan, G., Komoltsev, I., Sinkin, M., & Ossadtchi, A. (2022). Fast parametric curve matching (FPCM) for automatic spike detection. Journal of Neural Engineering, 19(3), 036003.

Обнаруженные разряды в дальнейшем используются для локализации в пространстве источников с помощью подгонки диполей или дистрибутивных методов обратного моделирования, характеризующихся фокальными решениями (например, LCMV). По итогам локализации формируются кластеры, характеризующиеся различными пространственными свойствами и своеобразием активации (Ossadtchi et al., 2004). Эти данные ложатся в основу финальной стадии анализа – оценки паттернов распространения эпилептогенной активности между обнаруженными кластерами. В частности, это осуществляется средствами скрытых марковских моделей (Ossadtchi et al., 2005).
На текущих этапах работы по данному направлению нами осуществляется сопоставление характеристик данных МЭГ и ЭЭГ, регистрируемых у пациентов с эпилепсией одновременно. Комплементарный характер этих методов неинвазивной нейровизуализации потенциально расширит информативность текущего подхода к анализу.



Рис. 3. Примеры кластеров детектированных диполей и их активация в результате применения алгоритма ASPIRE Ossadtchi, A., Baillet, S., Mosher, J. C., Thyerlei, D., Sutherling, W., & Leahy, R. M. (2004). Automated interictal spike detection and source localization in magnetoencephalography using independent components analysis and spatio-temporal clustering. Clinical Neurophysiology, 115(3), 508-522.

Рис. 4. Пример кластера детектированных диполей и их активации в результате применения алгоритма FPCM

Опубликованные статьи по проекту:

1) Kleeva, D., Soghoyan, G., Komoltsev, I., Sinkin, M., & Ossadtchi, A. (2022). Fast parametric curve matching (FPCM) for automatic spike detection. Journal of Neural Engineering, 19(3), 036003.

2) Chirkov, V., Kryuchkova, A., Koptelova, A., Stroganova, T., Kuznetsova, A., Kleeva, D., ... & Fedele, T. (2022). Data-driven approach for the delineation of the irritative zone in epilepsy in MEG. Plos one, 17(10), e0275063.

3) Ossadtchi, A., Baillet, S., Mosher, J. C., Thyerlei, D., Sutherling, W., & Leahy, R. M. (2004). Automated interictal spike detection and source localization in magnetoencephalography using independent components analysis and spatio-temporal clustering. Clinical Neurophysiology, 115(3), 508-522.

4) Ossadtchi, A., Mosher, J. C., Sutherling, W. W., Greenblatt, R. E., & Leahy, R. M. (2005). Hidden Markov modelling of spike propagation from interictal MEG data. Physics in Medicine & Biology, 50(14), 3447.