Deep brain stimulation (DBS) is a highly efficacious treatment option for movement disorders and a growing number of other indications are investigated in clinical trials. To ensure optimal treatment outcome, exact electrode placement is required. Moreover, to analyze the relationship between electrode location and clinical results, a precise reconstruction of electrode placement is required, posing specific challenges to the field of neuroimaging. Since 2014 the open source toolbox Lead-DBS is available, which aims at facilitating this process. The tool has since become a popular platform for DBS imaging. With support of a broad community of researchers worldwide, methods have been continuously updated and complemented by new tools for tasks such as multispectral nonlinear registration, structural/functional connectivity analyses, brain shift correction, reconstruction of microelectrode recordings and orientation detection of segmented DBS leads. The rapid development and emergence of these methods in DBS data analysis require us to revisit and revise the pipelines introduced in the original methods publication. Here we demonstrate the updated DBS and connectome pipelines of Lead-DBS using a single patient example with state-of-the-art high-field imaging as well as a retrospective cohort of patients scanned in a typical clinical setting at 1.5T. Imaging data of the 3T example patient is co-registered using five algorithms and nonlinearly warped into template space using ten approaches for comparative purposes. After reconstruction of DBS electrodes (which is possible using three methods and a specific refinement tool), the volume of tissue activated is calculated for two DBS settings using four distinct models and various parameters. Finally, four whole-brain tractography algorithms are applied to the patient's preoperative diffusion MRI data and structural as well as functional connectivity between the stimulation volume and other brain areas are estimated using a total of eight approaches and datasets. In addition, we demonstrate impact of selected preprocessing strategies on the retrospective sample of 51 PD patients. We compare the amount of variance in clinical improvement that can be explained by the computer model depending on the preprocessing method of choice. This work represents a multi-institutional collaborative effort to develop a comprehensive, open source pipeline for DBS imaging and connectomics, which has already empowered several studies, and may facilitate a variety of future studies in the field.

The benefit of deep brain stimulation (DBS) for Parkinson disease (PD) may depend on connectivity between the stimulation site and other brain regions, but which regions and whether connectivity can predict outcome in patients remain unknown. Here, we identify the structural and functional connectivity profile of effective DBS to the subthalamic nucleus (STN) and test its ability to predict outcome in an independent cohort.A training dataset of 51 PD patients with STN DBS was combined with publicly available human connectome data (diffusion tractography and resting state functional connectivity) to identify connections reliably associated with clinical improvement (motor score of the Unified Parkinson Disease Rating Scale [UPDRS]). This connectivity profile was then used to predict outcome in an independent cohort of 44 patients from a different center.In the training dataset, connectivity between the DBS electrode and a distributed network of brain regions correlated with clinical response including structural connectivity to supplementary motor area and functional anticorrelation to primary motor cortex (p < 0.001). This same connectivity profile predicted response in an independent patient cohort (p < 0.01). Structural and functional connectivity were independent predictors of clinical improvement (p < 0.001) and estimated response in individual patients with an average error of 15% UPDRS improvement. Results were similar using connectome data from normal subjects or a connectome age, sex, and disease matched to our DBS patients.Effective STN DBS for PD is associated with a specific connectivity profile that can predict clinical outcome across independent cohorts. This prediction does not require specialized imaging in PD patients themselves. Ann Neurol 2017;82:67-78.

Multiple surgical targets for treating obsessive-compulsive disorder with deep brain stimulation (DBS) have been proposed. However, different targets may modulate the same neural network responsible for clinical improvement. We analyzed data from four cohorts of patients (N = 50) that underwent DBS to the anterior limb of the internal capsule (ALIC), the nucleus accumbens or the subthalamic nucleus (STN). The same fiber bundle was associated with optimal clinical response in cohorts targeting either structure. This bundle connected frontal regions to the STN. When informing the tract target based on the first cohort, clinical improvements in the second could be significantly predicted, and vice versa. To further confirm results, clinical improvements in eight patients from a third center and six patients from a fourth center were significantly predicted based on their stimulation overlap with this tract. Our results show that connectivity-derived models may inform clinical improvements across DBS targets, surgeons and centers. The identified tract target is openly available in atlas form.

Abstract Brain signal decoding promises significant advances in the development of clinical brain computer interfaces (BCI). In Parkinson’s disease (PD), first bidirectional BCI implants for adaptive deep brain stimulation (DBS) are now available. Brain signal decoding can extend the clinical utility of adaptive DBS but the impact of neural source, computational methods and PD pathophysiology on decoding performance are unknown. This represents an unmet need for the development of future neurotechnology. To address this, we developed an invasive brain-signal decoding approach based on intraoperative sensorimotor electrocorticography (ECoG) and subthalamic LFP to predict grip-force, a representative movement decoding application, in 11 PD patients undergoing DBS. We demonstrate that ECoG is superior to subthalamic LFP for accurate grip-force decoding. Gradient boosted decision trees (XGBOOST) outperformed other model architectures. ECoG based decoding performance negatively correlated with motor impairment, which could be attributed to subthalamic beta bursts in the motor preparation and movement period. This highlights the impact of PD pathophysiology on the neural capacity to encode movement kinematics. Finally, we developed a connectomic analysis that could predict grip-force decoding performance of individual ECoG channels across patients by using their connectomic fingerprints. Our study provides a neurophysiological and computational framework for invasive brain signal decoding to aid the development of an individualized precision-medicine approach to intelligent adaptive DBS. Significance Statement Neurotechnology will revolutionize the treatment of neurological and psychiatric patients, promising novel treatment avenues for previously intractable brain disorders. However, optimal surgical and computational approaches and their interactions with neurological disorders are unknown. How can recent advances in machine learning and connectomics aid the precision and performance of invasive brain signal decoding strategies? Do the brain disorders treated with such approaches have impact on decoding performance? We propose a real time compatible advanced machine learning pipeline for invasively recorded brain signals in Parkinson’s disease (PD) patients. We report optimal movement decoding strategies with respect to signal source, model architecture and connectomic fingerprint and demonstrate that PD pathophysiology significantly and negatively impacts movement decoding. Our study has broad impacts for the development of smart brain implants for the treatment of PD and other brain disorders.

Abstract Deep Brain Stimulation can improve tremor, bradykinesia, rigidity, and axial symptoms in patients with Parkinson’s disease. Potentially, improving each symptom may require stimulation of different white matter tracts. Here, we study a large cohort of patients (N = 237 from five centers) to identify tracts associated with improvements in each of the four symptom domains. Tremor improvements were associated with stimulation of tracts connected to primary motor cortex and cerebellum. In contrast, axial symptoms are associated with stimulation of tracts connected to the supplementary motor cortex and brainstem. Bradykinesia and rigidity improvements are associated with the stimulation of tracts connected to the supplementary motor and premotor cortices, respectively. We introduce an algorithm that uses these symptom-response tracts to suggest optimal stimulation parameters for DBS based on individual patient’s symptom profiles. Application of the algorithm illustrates that our symptom-tract library may bear potential in personalizing stimulation treatment based on the symptoms that are most burdensome in an individual patient.

Objective Subthalamic nucleus deep brain stimulation (STN-DBS) in Parkinson’s Disease (PD) not only stimulates focal target structures but also affects distributed brain networks. The impact this network modulation has on non-motor DBS effects is not well characterized. By focusing on the affective domain, we systematically investigate the impact of electrode placement and associated structural connectivity on changes in depressive symptoms following STN-DBS which have been reported to improve, worsen or remain unchanged.Methods Depressive symptoms before and after STN-DBS surgery were documented in 116 PD patients from three DBS centers (Berlin, Queensland, Cologne). Based on individual electrode reconstructions, the volumes of tissue activated (VTA) were estimated and combined with normative connectome data to identify structural connections passing through VTAs. Berlin and Queensland cohorts formed a training and cross-validation dataset used to identify structural connectivity explaining change in depressive symptoms. The Cologne data served as test-set for which depressive symptom change was predicted.Results Structural connectivity was linked to depressive symptom change under STN-DBS. An optimal connectivity map trained on the Berlin cohort could predict changes in depressive symptoms in Queensland patients and vice versa. Furthermore, the joint training-set map predicted changes in depressive symptoms in the independent test-set. Worsening of depressive symptoms was associated with left prefrontal connectivity.Interpretation Fibers linking the STN electrode with left prefrontal areas predicted worsening of depressive symptoms. Our results suggest that for the left STN-DBS lead, placement impacting fibers to left prefrontal areas should be avoided to maximize improvement of depressive symptoms.

Multiple surgical targets have been proposed for treating obsessive-compulsive disorder (OCD) with deep brain stimulation (DBS). However, different targets may modulate the same neural network responsible for clinical improvement. Here we analyzed data from four cohorts of OCD patients (N = 50) that underwent DBS to the anterior limb of the internal capsule (ALIC), the nucleus accumbens (NAcc) or the subthalamic nucleus (STN). Fiber tracts that were predominantly connected to electrodes in good or poor DBS responders were isolated from a normative structural connectome and assigned a predictive value. Strikingly, the same fiber bundle was related to treatment response when independently analyzing two large training cohorts that targeted either ALIC or STN. This discriminative tract is a subsection of the ALIC and connects frontal regions (such as the dorsal anterior cingulate, dACC, and ventral prefrontal, vlPFC, cortices to the STN). When informing the tract solely based on one cohort (e.g. ALIC), clinical improvements in the other (e.g. STN) could be significantly predicted, and vice versa. Finally, clinical improvements of eight patients from a third center with electrodes in the NAcc and six patients from a fourth center in which electrodes had been implanted in both STN and ALIC were significantly predicted based on this novel tract-based DBS target. Results suggest a functional role of a limbic hyperdirect pathway that projects from dACC and vlPFC to anteriomedial STN. Obsessive-compulsive symptoms seem to be tractable by modulating the specific bundle isolated here. Our results show that connectivity-derived improvement models can inform clinical improvement across DBS targets, surgeons and centers. The identified tract is now three-dimensionally defined in stereotactic standard space and will be made openly available.

Patients with coexisting spastic cerebral palsy (CP) and dystonia have limited treatment options. In this study, the authors aimed to evaluate the efficacy of deep brain stimulation (DBS) targeting the superior cerebellar peduncles (SCPs) in adults with CP.

Neuroimaging has seen a paradigm shift from a formal description of local activity patterns toward studying distributed brain networks. The recently defined framework of the ‘human connectome’ allows to globally analyse parts of the brain and their interconnections. Deep brain stimulation (DBS) is an invasive therapy for patients with severe movement disorders aiming to retune abnormal brain network activity by local high frequency stimulation of the basal ganglia. Beyond clinical utility, DBS represents a powerful research platform to study functional connectomics and the modulation of distributed brain networks in the human brain. We acquired resting-state functional MRI in twenty Parkinson’s disease (PD) patients with subthalamic DBS switched ON and OFF. An age-matched control cohort of fifteen subjects was acquired from an open data repository. DBS lead placement in the subthalamic nucleus (STN) was localized using a state-of-the art pipeline that involved brain shift correction, multispectral image registration and use of a precise subcortical atlas. Based on a realistic 3D model of the electrode and surrounding anatomy, the amount of local impact of DBS was estimated using a finite element method approach. On a global level, average connectivity increases and decreases throughout the brain were estimated by contrasting ON and OFF DBS scans on a voxel-wise graph comprising eight thousand nodes. Local impact of DBS on the motor STN explained half the variance in global connectivity increases within the motor network (R = 0.711, p < 0.001). Moreover, local impact of DBS on the motor STN could explain the degree of how much voxel-wise average brain connectivity normalized toward healthy controls (R = 0.713, p < 0.001). Finally, a network based statistics analysis revealed that DBS attenuated specific couplings that are known to be pathological in PD. Namely, coupling between motor thalamus and motor cortex was increased and striatal coupling with cerebellum, external pallidum and STN was decreased by DBS.Our results show that rs-fMRI may be acquired in DBS ON and OFF conditions on clinical MRI hardware and that data is useful to gain additional insight into how DBS modulates the functional connectome of the human brain. We demonstrate that effective DBS increases overall connectivity in the motor network, normalizes the network profile toward healthy controls and specifically strengthens thalamo-cortical connectivity while reducing striatal control over basal ganglia and cerebellar structures.* List of abbreviations : B1+RMS : The root-mean-square value of the MRI Effective Component of the radio frequency (RF) magnetic (B1) field. A measure to control the amount of RF power utilized to assure patient safety (besides B1+RMS, this is often measured by the specific absorption rate; SAR). BOLD : Blood oxygen level dependent (signal commonly investigated in functional magnetic resonance imaging). DBS : Deep Brain Stimulation DCM : Dynamic Causal Modeling dlPFC : Dorsolateral prefrontal cortex EC : Eigenvector centrality GP/GPi/GPe : Globus pallidus / internal part of globus pallidus / external part of globus pallidus NBM : Nucleus Basalis of Meynert PD : Parkinson‘s Disease PDRP : Parkinson‘s Disease related pattern PET : Positron Emission Tomography PPN : Pedunculopontine nucleus UPDRS : Unified Parkinson’s Disease Rating Scale (rs-)fMRI : (resting-state) functional magnetic resonance imaging PH : Posterior hypothalamic nucleus ROI : Region of interest SMA : Supplementary motor area STN : Subthalamic nucleus, primary DBS target in PD VIM : Ventral intermediate nucleus of the thalamus VP : Ventral posterior nucleus of the thalamus VPM : Ventral posteromedial nucleus of the thalamus

Deep brain stimulation (DBS) is a brain circuit intervention that can modulate distinct neural pathways for the alleviation of neurological symptoms in patients with brain disorders. In Parkinson's disease, subthalamic DBS clinically mimics the effect of dopaminergic drug treatment, but the shared pathway mechanisms on cortex-basal ganglia networks are unknown. To address this critical knowledge gap, we combined fully-invasive neural multisite recordings in patients undergoing DBS surgery with MRI-based whole-brain connectomics. Our findings demonstrate that dopamine and DBS exert distinct mesoscale effects through modulation of local neural population synchrony. In contrast, at the macroscale, DBS mimics dopamine in its suppression of excessive interregional network synchrony associated with indirect and hyperdirect cortex-basal ganglia pathways. Our results provide a better understanding of the circuit mechanisms of dopamine and DBS, laying the foundation for advanced closed-loop neurostimulation therapies.