Automatic Generation of Vascular Risk Maps for Trajectory Planning in Stereotactic Interventions

Öz

It is an important issue to reach the target point in the brain safely. It is aimed not to enter critical brain structures during the traction (entry-target). In classical planning, brain structures (AC, PC, MC), entry and target points are marked manually by the surgeon. This time-consuming and high-risk process needs to be supported by computer-aided software. When the studies conducted in this field are examined, it is seen that there is no targeting system where brain structures (brain, tumor, vascular network) are detected and the entry risk map is produced autonomously. In addition, a unique traction risk calculation model is proposed. This model converts the two-level vascular network to gray scale according to the distance to the boundary and regulates the effect of the boundary and the center point in the vascular structure on the risk. This update in the vascular network provided a more accurate risk map. HD-BET and SwinUnet models were used respectively in the detection of brain and tumor structures. Manual traction data of two different neurosurgeons were used in the verification activities of the study. It is seen that the proposed automatic traction detection approach can determine tractions with approximately 50% lower risk values compared to surgeons. In the next study, risk maps will be produced by targeting STN structures instead of tumors and the aim will be to increase the safety of epilepsy operations.

Anahtar Kelimeler

• Brain targeting
• Stereotactic surgery
• traction
• vascular structure
• risk map
• biopsy

Stereotaktik Girişimlerde Trajeksiyon Oluşturmak için Vasküler Risk Haritasının Otomatik Üretilmesi

Öz

Beyin içerisinde hedeflenen noktaya güvenli bir şekilde ulaşmak önemli bir konudur. Trajeksiyon (giriş-hedef) boyunca kritik beyin yapılarına girilmemesi hedeflenir. Klasik planlamada beyin yapıları (AC, PC, MC), giriş ve hedef noktaları cerrah tarafından manuel işaretlenir. Zaman alıcı ve yüksek risk barındıran bu sürecin bilgisayar destekli yazılımlarla desteklenmesine ihtiyaç duyulmaktadır. Bu alanda yapılan çalışmalar incelendiğinde, beyin yapılarının (beyin, tümör, vasküler ağ) tespit edilerek giriş risk haritasının otonom üretildiği bir hedefleme sisteminin bulunmadığı görülmektedir. Ayrıca özgün bir trajeksiyon risk hesabı modeli önerilmektedir. Bu model iki seviyeli vasküler ağı sınıra uzaklığa göre gri ölçeğe dönüştürerek vasküler yapıdaki sınır ile merkez noktanın riske etkisini düzenler. Vasküler ağdaki bu güncelleme daha doğru bir risk haritasının elde edilmesini sağlamıştır. Beyin ve tümör yapılarının tespitinde sırayla HD-BET ve SwinUnet modelleri kullanılmıştır. Yapılan çalışmanın doğrulama faaliyetlerinde iki farklı beyin cerrahının manuel trajeksiyon verileri kullanılmıştır. Önerilen otomatik trajeksiyon tespit yaklaşımının cerrahlarla kıyaslandığında yaklaşık %50 daha düşük risk değerli trajeksiyon belirleyebildiği görülmektedir. Bir sonraki çalışmada, tümör yerine STN yapıları hedeflenerek risk haritaları üretilecek ve epilepsi operasyon güvenliğinin arttırılması hedeflenecektir.

Anahtar Kelimeler

• Beyin hedefleme
• Stereotaktik cerrahi
• trajeksiyon
• vasküler yapı
• risk haritası
• biyopsi

Kaynakça

1. Stereotaktik Cerrahi, https://tr.wikipedia.org/wiki/Stereotaktik_cerrahi. Erişim tarihi: 09.07.2024.
2. inomed Medizintechnik GmbH (2019), Stereotactic Brachytherapy for Brain Tumors – surgical workflow – inomed. https://www.youtube.com/watch?v=1v-e47FCUwU
3. Zanello M, Carron R, Peeters S. et al. İntraoperatif kullanım için otomatikleştirilmiş beyin cerrahisi stereotaktik planlaması: literatürün ve bakış açılarının kapsamlı bir incelemesi. Neurosurg Rev 2021;44, 867-888.
4. Trope M, Shamir RR, Joskowicz L. et al. The role of automatic computer-aided surgical trajectory planning in improving the expected safety of stereotactic neurosurgery. Int J CARS 10, 2015;1127–1140.
5. Sparks R, Vakharia V, Rodionov R, et al. Anatomy-driven multiple trajectory planning (ADMTP) of intracranial electrodes for epilepsy surgery. Int J Comput Assist Radiol Surg. 2017;12(8):1245-1255.
6. Hani J. Marcus, Vejay N. Vakharia, Rachel Sparks, Roman Rodionov, Neil Kitchen, Andrew W. Anna Miserocchi, Lewis Thorne, Sebastien Ourselin, John S. Duncan, (2019). “Computer-Assisted Versus Manual Planning for Stereotactic Brain Biopsy: A Retrospective Comparative Pilot Study”, Operative Neurosurgery 0:1–6.
7. Hu Yue, Cai Pu, Zhang Huawei, Adilijiang Aihemaitiniyazi, Peng Jun, Li Yun, Che Shanli, Lan Fei, Liu Changqing, (2022), A Comparation Between Frame-Based and Robot-Assisted in Stereotactic Biopsy, Frontiers in Neurology, Vol=13, Issn=1664-2295.
8. Isensee F, Schell M, Tursunova I, Brugnara G, Bonekamp D, Neuberger U, Wick A, Schlemmer HP, Heiland S, Wick W, Bendszus M, Maier-Hein KH, Kickingereder P. Automated brain extraction of multi-sequence MRI using artificial neural networks. Hum Brain Mapp. 2019; 1–13.

9. BraTS, 2020, Veri kümesi, Erişim tarihi: 10.09.2023 https://www.kaggle.com/datasets/awsaf49/brats2020-training-data
10. Project Monai, AI Toolkit for Healthcare Imaging, Erişim tarihi: 12.04.2023 https://github.com/Project-MONAI/tutorials
11. TubeTK, Segmentation, registration, and analysis of tubular structures in images. Erişim tarihi: 07.08.2023. https://public.kitware.com/Wiki/TubeTK/Data