Tractografia baseada em deep learning para planejamento cirúrgico no tratamento de epilepsia

Resumo

A epilepsia é um distúrbio neurológico que afeta mais de 50 milhões de pessoas em todo o mundo. Dentre estes pacientes, em torno de 20 a 40% com epilepsia focal são refratários aos medicamentos antiepilépticos e são potencialmente curáveis com ressecção cerebral. As cirurgias de epilepsia cerebral geralmente envolvem muitos riscos, como o déficit de campo visual causado ao se danificar o loop de Meyer do nervo óptico na ressecção do lobo temporal anterior. Assim, reduzir o risco de déficit neurológico é fundamental para o planejamento cirúrgico. A tractografia é uma visualização das fibras da substância branca e seu objetivo no planejamento pré-cirúrgico é simplesmente identificar a posição de caminhos eloqüentes, como os trilhos motores, sensoriais e linguísticos para reduzir o risco de danos em estruturas críticas. Embora muitos métodos de tractografia tenham sido apresentados na literatura, ainda há desafios pendentes. Esses desafios incluem o cruzamento de configurações de fibras, a parada prematura de fibras e restrições ad hoc de modelagem de sinal, por exemplo o limiar baseado em anisotropia fracionada, o qual modelo de difusão local e quais ajustes de parâmetros são comumente ajustados manualmente. Como também, os métodos mais robustos ainda usam muitas etapas manuais para validar os feixes de fibras anatomicamente plausíveis. Os métodos de deep learning (DL) aproveitam as informações da vizinhança para aprender padrões de fibra assimétrica e não há restrições ad hoc para modelagem do sinal a serem superadas devido à capacidade dos métodos DL aprenderem características importantes por meio de dados não tratados. Além disso, a predição de DL é geralmente rápida, o que é adequado para abordagens em tempo real no planejamento cirúrgico. O objetivo deste projeto de pesquisa é desenvolver e validar um algoritmo de tractografia baseado em deep learning para planejamento cirúrgico no tratamento da epilepsia.