CN112424626A - 从具有不同重复时间的两个mri图像导出的低频（<1mhz）ac电导率估计 - Google Patents

Abstract

解剖体积的AC电导率（在给定频率下）的3D模型可以通过获得解剖体积的两个MRI图像来创建，其中所述两个图像具有不同的重复时间。然后，对于解剖体积中的每个体素，计算两个MRI图像中对应体素的强度的比率IR。然后，这个计算的IR被映射到在给定频率下的AC电导率的3D模型的对应体素中。给定频率低于1 MHz（例如，200 kHz）。在一些实施例中，在给定频率下的AC电导率的3D模型被用于确定针对TTField（肿瘤治疗场）治疗中电极的位置。

Description

从具有不同重复时间的两个MRI图像导出的低频（<1MHZ）AC电 导率估计

相关申请的交叉引用

此申请要求美国临时申请62/655,670的权益（于2018年4月10日提交），所述申请通过引用以其整体并入到本文中。

背景技术

肿瘤治疗场或TTField是中间频率范围（100-300 kHz）内的低强度（例如，1-3V/cm）交变电场。这种非侵入性治疗以实体瘤为目标并且被描述于美国专利7,565,205中，所述专利通过引用以其整体并入到本文中。TTField被批准用于治疗多形成胶质细胞瘤（glioblastoma multiforme），并且可以例如借助于Optune^TM系统来递送，所述系统包括放置在患者的剃后头上的换能器阵列。TTField通常通过在被治疗的肿瘤内生成垂直场的两对换能器阵列而被递送。更特定地，对于Optune系统，一对电极位于肿瘤的左和右（LR），而另一对电极位于肿瘤的前和后（AP）。

体内和体外研究示出，TTField疗法的功效随着电场强度的增加而增加。因此，优化阵列在患者的头皮上的放置以增加大脑病变区域中的强度是针对Optune系统的标准实践。为了改善治疗，可以根据患者特定的头部解剖和肿瘤位置来适配换能器的位置。换能器的位置以及大脑组织的电特性（EP）可被用于确定TTField在头部内是如何分布的。可以使用多种常规方法来完成阵列放置优化，所述方法诸如使用NovoTal^TM系统或使用美国专利10,188,851中描述的方法，将阵列放置在尽可能靠近肿瘤的头皮上，美国专利10,188,851通过引用以其整体并入到本文中。

美国专利10,188,851解释了电极的位置可以被优化，这是通过基于使用扩散加权成像（DWI）或扩散张量成像（DTI）的MRI获得解剖体积中的电导率测量，并随后直接从所获得的电导率或电阻率测量中生成大脑的电导率的3D图，而无需将解剖体积分割为组织类型。尽管这个方法具有许多优点，但它相对慢，并且通常为图像提供相对较少数量的切片。

发明内容

本发明的一个方面涉及在低于1MHz的给定频率下创建解剖体积的AC电导率或电阻率的3D模型的第一方法。第一方法包括获得分别具有相关联的第一和第二重复时间的解剖体积的第一和第二MRI图像。第一和第二重复时间不同。对于解剖体积中每个体素，计算了第一MRI图像中对应体素的强度与第二MRI图像中对应体素的强度的比率IR。然后，将针对解剖体积中每个体素所计算的IR映射到在给定频率下AC电导率或电阻率的3D模型的对应体素中。

在第一方法的一些实例中，给定频率在100与300 kHz之间。在第一方法的一些实例中，给定频率在180与220 kHz之间。在第一方法的一些实例中，第一MRI图像是T1图像，并且第二MRI图像是T1图像。在第一方法的一些实例中，第一MRI图像是T1图像，并且第二MRI图像是质子密度图像。在第一方法的一些实例中，第一重复时间在400与800 ms之间，并且第二重复时间在2与5秒之间。

在第一方法的一些实例中，解剖体积包括大脑的白质和灰质。在第一方法的一些实例中，AC电导率或电阻率的3D模型是AC电导率的3D模型。

本发明的另一方面涉及优化放置在被试者身体上的多个电极的位置的第二方法，其中所述电极被用于在低于1 MHz的给定频率下在解剖体积内的目标组织中施加电场。第二方法包括获得分别具有相关联的第一和第二重复时间的解剖体积的第一和第二MRI图像。第一和第二重复时间不同。对于解剖体积中每个体素，计算了第一MRI图像中对应体素的强度与第二MRI图像中对应体素的强度的比率IR。然后，将针对解剖体积中每个体素所计算的IR映射到在给定频率下AC电导率或电阻率的3D模型的对应体素中。第二方法还包括识别在解剖体积内目标组织的位置；以及基于电导率或电阻率的3D模型以及目标组织的位置来确定针对电极的位置。

在第二方法的一些实例中，给定频率在100与300 kHz之间。在第二方法的一些实例中，给定频率在180与220 kHz之间。在第二方法的一些实例中，第一MRI图像是T1图像，并且第二MRI图像是T1图像。在第二方法的一些实例中，第一MRI图像是T1图像，并且第二MRI图像是质子密度图像。在第二方法的一些实例中，第一重复时间在400与800 ms之间，并且第二重复时间在2与5秒之间。

第二方法的一些实例还包括在确定的位置将电极附着于被试者的身体上，并在所附着的电极之间应用电信号，以便将电场施加在目标组织中。

在第二方法的一些实例中，解剖体积包括大脑的白质和灰质。在第二方法的一些实例中，解剖体积是大脑，并且针对电极的位置的确定是基于复合模型，在所述复合模型中所述大脑的电导率或电阻率的所述3D模型被具有恒定电导率的至少一个壳的模型所包围。

在第二方法的一些实例中，解剖体积是被脑脊髓液包围的大脑，并且针对电极的位置的确定是基于复合模型，在所述复合模型中所述大脑的电导率或电阻率的所述3D模型被具有恒定电导率的至少一个壳的模型所包围。

在第二方法的一些实例中，电导率或电阻率的3D模型是电导率的3D模型。

附图说明

图1是用于创建头部的模型并使用该模型优化电场的一个示例的流程图。

图2A和2B分别是在200 kHz和1MHz的频率下体内电导率估计图。

具体实施方式

本申请描述了一种用于创建用于仿真TTField的实际头部模型的方法，所述方法比美国专利10,188,851中描述的现有技术方法具有更高的计算效率并提供更高的分辨率。更特定地，代替基于DWI或DTI确定针对解剖体积中每个体素的电导率，而是基于具有不同重复时间的两个MRI图像来确定针对每个体素的电导率。（例如，以700 ms的重复时间捕获的T1 MRI图像的第一集合和以4秒的重复时间捕获的T1 MRI图像的第二集合。）

使用两个MRI图像之间的图像比率代替DWI或DTI图像（如在‘851专利中的）提供了改善的结果，因为形成单个DTI图像切片所需的帧数远高于形成单个T1图像切片所需的帧数。结果，DTI图像将包括比T1图像少得多的切片（假设患者在MRI机器上花费相同的时间量）。

本描述被分为两个部分：部分1提供对用最少用户干预从MRI数据中为TTField仿真创建实际头部模型的方法的详细描述。部分2提供对如何使用部分1中创建的模型来优化TTField阵列位置的详细描述。

图1是用于创建模型（在步骤S11-S14中）并使用该模型来优化电场（步骤S21-S24）的一个示例的流程图。

部分1：从MRI数据中创建实际计算人体模型（phantom）。

创建精确计算人体模型涉及在计算人体模型内的每个点上精确地映射电特性（例如，电导率、电阻率）。

直接使用MRI序列来映射电特性减少了对精确组织分割（这是时间耗费且劳动密集的任务）的需求，因为每个点的电特性是直接从MRI而非从在分割期间分配给它们的组织类型中定义的。因此，可以在不损害计算人体模型精度的情况下简化或甚至消除分割过程。注意，尽管本文中描述的实施例讨论了映射电导率，但是备选实施例可以通过对诸如电阻率之类的不同电特性进行映射来提供类似结果。

图1中的步骤S11-S14描绘了可被用于基于MRI电导率测量来生成代表患者的计算人体模型的步骤的集合的一个示例。

步骤S11是图像获取步骤。在此步骤中，获取了结构数据和可从所述结构数据中计算出电导率图的数据两者。例如可以从标准的T₁和T₂ MRI序列中获得结构数据。如下所解释的，电导率图是从具有不同重复时间的两个MRI序列中生成的。因此，图像获取步骤S11必须包括以不同重复时间获取在争论中的解剖体积的第一和第二MRI图像。在一个示例中，解剖体积的第一MRI图像可以是具有700 ms的重复时间的T1图像，并且解剖体积的第二MRI图像可以是具有4秒的重复时间的T1图像。在另一示例中，解剖体积的第一MRI图像可以是具有700 ms的重复时间的T1图像，并且解剖体积的第二MRI图像可以是具有在2与3秒之间的重复时间的标准质子密度（PD）图像。

为了创建良好的计算人体模型，应当获得高分辨率图像。对于结构和电导率相关的图像两者，至少1 mm×1 mm×1 mm的分辨率是优选的。较低分辨率图像可被用于图像的这些类型中的一种或两种，但是较低分辨率将产生较不精确的人体模型。

可选地，可以检验数据集合并且可以移除受大伪影影响的图像。可以应用特定于扫描仪的预处理。例如，可以将图像从DICOM格式转换为NIFTI。预处理的不同步骤可能是将所有图像注册到标准空间（例如，Montreal神经学研究所，MNI，空间）。这可以使用容易获得的软件包来完成，所述软件包包括但不限于FSL FLIRT和SPM。

步骤S12是处理结构图像的步骤。如上所述，在此呈现的工作流利用基于MRI的电导率测量来创建计算人体模型。然而，结构图像仍可被用于识别头部的边界，以及识别属于在大脑内特定组织的区域，在所述区域中可能有利的是分配没有从MRI测量导出的典型电导率值。例如，因为头骨和头皮中的水含量是相对低的，因此本文中所述的方法对于确定那些区域内的电导率并不精确。为了避免此缺点，可能是有利的是手动或自动识别和分割图像内的头骨和头皮，并将典型的电导率值分配给与这些层相对应的区域（但仍依赖于基于MRI的测量以用于与大脑对应的区域，如下所述）。

例如，外组织的壳或凸包（convex hull）可被用作头骨和头皮的模型。如果外层的粗略分割是可行的，则创建对应凸包是平常的，并且可以使用标准算法和软件来执行所述创建。针对使用者的另一种选项是通过验证结构图像来测量处于代表区域（可能放置换能器阵列的区域）的外层的厚度。这些测量可被用于创建代表头骨和头皮的同心壳或层。这些层可以通过使默认椭圆形结构变形来获得，所述默认椭圆形结构可以是头皮分割的默认凸包。

基于水含量的EP断层扫描（wEPT）是一种方法，所述方法利用具有不同重复时间（TR）的两个T1加权图像的比率基于T₁张弛值（T1）、水含量（WC）和EP之间按经验导出的关系来映射电特性（EP）。使用文献中报道的健康组织的典型WC和EP值来导出经验模型，已经将wEPT适用于映射在128 MHz下健康大脑的EP。参见E. Michel，D.Hernandez和S.Y Lee，“Electrical conductivity and permittivity maps of brain tissues derived fromwater content based on T₁ -weighted acquisition”Magn. Reson. Med.，卷77，pp.1094-1103，2016，所述文献通过引用以其整体并入到本文。Michel解释了，随着一方移动“接近于超高频率（UHF）范围，[组织]的EP几乎完全由水含量确定”；并且在这些频率（例如，在Michel测试的128 MHz频率）下，以下方程：

（方程“ 1”），

可被用于从具有不同TR的两个T1加权的MRI图像的图像比率（IR）确定水含量；并且下面的方程

（方程“2”），

可被用于从水含量确定电导率。

令人惊讶地，发明人已实验确定的是，即使在200 kHz的频率（该频率比Michel中公开的128 MHz的频率低500倍以上）下，方程2仍提供足以用于对在大脑组织中TTField的强度的仿真的后续使用的电导率的可行近似值。下面立即描述发明人的实验中的两个。

在一个实验中，分析了来自三个不同健康小牛大脑的32个组织样本和两只猪的脑脊髓液（CSF）样本。通过将阻抗计的Ag\AgCl电极连接到每个样本并使用平行板法测量样本的介电性能，计算了具有不同TR的两个T1加权MRI图像的图像比率，并测量了样本的EP。通过测量样本的干重和湿重之间的差来估计样本的水含量。

使用这些测量值进行曲线拟合会产生经验模型，针对200 kHz和1 MHz，所述经验模型将IR连到WC（方程“1”的系数）以及将WC连到电导率的估计（方程“2”的系数）。估计了两个T1加权图像的TR的组合的最佳选择是TRshort=700ms而TRlong=4000ms。

在另一个实验中，使用4个鼠大脑肿瘤模型来研究方程2在200 kHz下的适用性。成像是在Bruker 1T图标扫描仪中执行的。对于每只鼠，3D体内图像（包括具有短重复时间的T1 MRI序列、具有长重复时间的T1 MRI序列和用于样本分割的T2 MRI序列）与总共20个切片一起在安乐死动物之前被采集。然后，使用了曲线拟合来在200 kHz和1 MHz下映射WC和电导率。获得了在200 kHz下电导率近似值和在1 MHz下电导率近似值的可用图。

随后，通过测量样本中每个样本的电特性中的水含量，研究了总共35个切除的样本。对于每个样本，根据在T2图像上执行的分割，将测量值与从MRI生成的电导率图的对应体素中的中值WC和EP进行比较。为了比较这些基于体内MRI的电导率估计，适配了模型系数以考虑到在较低离体温度下测量的T1和EP值的差。

实验测量揭示在两个模型中对于为3.1％的基于MRI的水含量估计的平均误差。实验测量还揭示，在200 kHz（分别针对两种不同模型）下，为22.8％和24.3％的基于MRI的电导率估计的平均误差，而在1 MHz（分别针对两种不同模型）下为26.4％和23.9％。对于WC，测量误差被估计为～1％，而对于基于MRI的电导率估计，测量误差为～10％。并且，电导率估计的这种水平的精确足够于运行下面部分2中所述的TTField仿真。

在所得的电导率估计图中，解剖结构和肿瘤是清晰可见的。参见，例如，分别在图2A和图2B中描绘了体内200 kHz电导率估计图和1 MHz电导率估计图。

鉴于在指示可以从MRI数据直接生成的解剖体积的低频（例如，200 kHz）下的电导率的3D图的这些实验结果，变成可能的是，从MRI数据中生成个人头部的电导率的3D图，而无需将MRI分割成组织类型，并且随后使用电导率的该3D图来优化用于向人的头部应用200kHz TTField的电极的位置（通过使用3D图运行仿真，如以下部分2所述的）。

返回图1，步骤S13和S14从先前在步骤S11中获取的具有短和长重复时间的MRI图像中共同创建3D电导率图。更特定地，在步骤S13中，针对解剖体积中的每个体素计算了在第一MRI图像中的每个体素的强度与在第二MRI图像中的对应体素的强度的比率IR。然后，在步骤S14中，针对解剖体积中每个体素的所计算的IR被映射到在给定频率下电导率的3D图的对应体素，而无需将解剖体积分割成组织类型。

对于给定的MRI机器的设置的任何给定集合，可以确定用于在图像比率IR和水含量之间提供最佳拟合的以上方程1的系数w1和w2的集合。另外，对于TTField将最终在其下被使用的任何给定频率，可以确定用于在水含量和电导率估计之间提供最佳拟合的以上方程2的系数c1、c2和c3的集合。

因为以上方程1被用于从IR计算WC，并且以上方程2被用于从WC计算电导率估计，并且因为可以基于MRI机器的已知设置和将在其下应用TTField的已知频率而预先确定所有系数w1、w2、c1、c2和c3，变得可能的是，生成查找表，所述查找表将在任何给定像素处的IR映射到针对该像素的电导率估计。当使用这种查找表时，可以仅通过获取在S13中计算的图像比率，将所述图像比率插入到查找表中并从查找表中获得电导率估计来实现步骤S14。备选地，可以通过使用以上方程1和2的曲线拟合来在数学上实现步骤S14中的映射。备选地，可以使用曲线拟合方程（例如，拟合多项式函数而不是方程1中出现的指数函数）的不同集合来在数学上实现步骤S14中的映射。

在解剖体积的电导率图在步骤S14中被生成后，所得的电导率图可以与围绕解剖体积的壳的电导率合并（如上所述，与步骤S12相连）。例如，在大脑的上下文中，灰质、白质以及其中包含的任何肿瘤的初始电导率图将在步骤S14中被生成。并且为了最后定下头部的模型，代表CSF、头骨和头皮的恒定电导率壳被添加到初始电导率图。备选地，因为CSF的水含量足够高，所以在步骤S14中生成的初始电导率图可以覆盖灰质、白质、其中包含的任何肿瘤以及CSF。在这种情况下，为了最后定下头部的模型，代表头骨和头皮的恒定电导率壳被添加到大脑和CSF的初始电导率图。

可选地，当发现分数各向异性（或可以从电导率数据导出的任何其他测量）时，则优选检查相邻元素以避免离群值（例如，以消除在WM内识别出的GM点）。

部分2：使用实际头部模型优化TTField阵列位置

阵列布局的优化是指找到使患者的大脑的患病区域（肿瘤）内电场优化的阵列布局。这种优化可以通过执行以下四个步骤来实现：（S21）识别实际头部模型内以治疗为目标的体积（目标体积）；（S22）在实际头部模型上自动放置换能器阵列并设置边界条件；（S23）一旦将阵列放置在实际头部模型上并应用边界条件，则计算在实际头部模型内发展的电场；以及（S24）运行优化算法以找到在目标体积内产生最佳电场分布的布局。以下提供了实现这四个步骤的详细示例。

步骤S21涉及在实际头部模型内定位目标体积（即，定义感兴趣的区域）。寻找在患者的身体内产生最佳电场分布的布局的第一步骤是正确识别应在其中优化电场的位置和目标体积。

在一些实施例中，目标体积将是大体肿瘤体积（GTV）或临床目标体积（CTV）。GTV是肿瘤的大体可证实程度和位置，而CTV包括已证实的肿瘤（如果存在的话）以及带有推测肿瘤的任何其他组织。在许多情况下，通过定义包围GTV的体积并在GTV周围添加具有预定义宽度的边距来找到CTV。

为了识别GTV或CTV，有必要在MRI图像内识别肿瘤的体积。这可以由用户手动执行，自动执行或使用半自动方法执行，在所述半自动方法中使用用户辅助的算法。当手动执行此任务时，MRI数据可以被呈现给用户，并且可能会要求用户凭借数据草拟CTV的体积。被呈现给用户的数据可以是结构MRI数据（例如，T₁、T₂数据）。可以将不同MRI模态与彼此注册，并且用户可以被呈现有查看任何数据集并草拟CTV的选项。可以要求用户在MRI的3D测体积表示上草拟CTV，或者用户可以被给出查看数据的各个2D切片并在每个切片上标记CTV边界的选项。一旦在每个切片上标出了边界，就可以在解剖体积内（并因此在实际模型内）找到CTV。在这种情况下，由用户标记的体积将对应于GTV。在一些实施例中，然后可以通过向GTV添加预定义宽度的边距来找到CTV。类似地，在其他实施例中，可以要求用户使用类似过程来标记CTV。

对手动方法的备选是使用自动分割算法来找到CTV。这些算法执行自动分割算法，以使用结构MRI数据识别CTV。

可选地，可以实现MRI数据的半自动分割方法。在这些方法的示例中，用户迭代地向算法提供输入（例如，肿瘤在图像上的位置，粗略地标记肿瘤的边界，划定肿瘤所位于的感兴趣的区域）。然后由分割算法使用。然后，用户可以被给出改进分割以得到在头部内CTV的位置和体积的更好估计的选项。

不论使用自动还是半自动方法，所识别的肿瘤体积将与GTV对应，并且然后可以通过将GTV体积扩大预定量（例如，将CTV定义为围绕肿瘤周围20 mm宽的边缘的体积）来自动找到CTV。

注意，在一些情况下，用户定义他们想要在其中优化电场的感兴趣的区域可能就足够了。这个感兴趣的区域可以是例如盒形体积、球形体积或包围肿瘤的解剖体积中的任意形状的体积。使用这种方法时，可能不需要用于精确识别肿瘤的复杂算法。

步骤S22涉及针对给定迭代自动计算实际头部模型上的阵列的位置和方位。在Optune^TM设备中被用于递送TTField的每个换能器阵列包括瓷盘电极的集合，其通过医用凝胶的层耦合到患者的头部。当将阵列放置在实际患者身上时，盘平行于皮肤自然对齐，并且阵列和皮肤之间会发生良好的电接触，因为医用凝胶会变形以匹配身体的轮廓。但是，虚拟模型是由严格定义的几何形状构成的。因此，将阵列放置在模型上要求一种精确的方法来找到要在其中放置阵列的位置处的模型表面的方位和轮廓，以及找到为确保与实际患者模型良好接触的模型阵列所需的凝胶的厚度/几何形状。为了实现场分布的全自动优化，必须自动执行这些计算。

可以使用多种算法来执行此任务，并且在美国专利10,188,851中描述了一种这样的算法，所述专利通过引用以其整体并入到本文中。

步骤S23涉及针对给定迭代计算头部模型内的电场分布。一旦构造了头部人体模型并将用于应用场的换能器阵列（即，电极阵列）放置在实际头部模型上，则适用于有限元（FE）方法分析的体积网格可以被创建。下一个边界条件可以被应用于模型。可能使用的边界条件的示例包括换能器阵列上的Dirichlet边界（恒定电压）条件、换能器阵列上的Neumann边界条件（恒定电流）或浮动电势边界条件，所述浮动电势边界条件设置了在该边界处的电势，使得电流密度的法向分量的积分等于指定幅度。然后可以使用合适的有限元求解器（例如，低频准静态电磁求解器）或备选用有限差分（FD）算法来求解模型。可以使用诸如Sim4Life、Comsol Multiphysics、Ansys或Matlab等现有软件包来执行网格化、施加边界条件和求解模型。备选地，可以编写实现FE（或FD）算法的自定义计算机代码。此代码可以利用现有的开源软件资源，诸如C-Gal（用于创建网格）或FREEFEM++（用C ++编写的用于快速测试和有限元仿真的软件）。模型的最终解决方案将是数据集，所述数据集描述电场分布或相关量，诸如针对给定迭代的计算人体模型内的电势。

步骤S24是优化步骤。使用优化算法来找到针对两个应用方向（LR和AP，如上所述）优化向患者的大脑的患病区域（肿瘤）递送的电场的阵列布局。优化算法将利用用于自动阵列放置的方法以及用于以明确定义的序列求解头部模型内的电场的方法，以便找到最佳的阵列布局。考虑到在其中应用电场的两个方向，最佳布局将是最大化或最小化大脑的患病区域中电场的某个目标函数的布局。此目标函数可以是例如患病区域内的最大强度或患病区域内的平均强度。也可能的是，定义其他目标函数。

存在可被用于为患者找到最佳阵列布局的多种方法，下面描述所述方法中的三种。一种优化方法是穷举搜索。在这种方法中，优化器将包括具有应被测试的有限数量的阵列布局的库。所述优化器执行对库中的所有阵列布局的仿真（例如，通过针对每个布局重复步骤S22和S23），并挑选在肿瘤中产生最佳场强度的阵列布局（最佳布局是，产生针对优化目标函数（例如，递送到肿瘤的电场强度）的最高（或最低）值的库中的布局）。

另一种优化方法是迭代搜索。此方法涵盖诸如最小下降优化方法和单纯形搜索法优化的算法的使用。使用这种方法，算法可以迭代测试头部上的不同阵列布局，并针对每种布局计算针对肿瘤中电场的目标函数。因此，此方法还涉及针对每个布局重复步骤S22和S23。在每次迭代时，算法都基于先前迭代的结果自动挑选要测试的配置。算法被设计成收敛，使得针对肿瘤中的场最大化（或最小化）定义的目标函数。

然而，仍有另一种优化方法是基于在模型中的肿瘤的中心放置偶极子。此方法不同于其他两种方法，因为它不依赖于求解针对不同阵列布局的场强度。而是，通过在模型中的肿瘤的中心放置与预期场的方向对齐的偶极子并求解电磁势来找到针对阵列的最佳位置。头皮上电势（或可能的电场）在其中是最大的区域将是阵列被放置的位置。这种方法的逻辑是偶极子将在肿瘤中心生成最大的电场。通过互易性，如果我们能够在头皮上生成计算产生的场/电压，那么我们期望在肿瘤中心（放置偶极子的位置）获得最大的场分布。用我们当前的系统，我们实际上可做到的最接近这一点的是将阵列放置在由头皮上的偶极子感应的势是最大的区域。

注意，可以使用备选优化方案来找到优化大脑的患病区域内的电场的阵列布局。例如，结合了上述各种方法的算法。作为如何组合这些方法的示例，考虑了将上述第三方法（即，将偶极子放置在模型中肿瘤的中心）与第二方法（即，迭代搜索）相组合的算法。通过这种组合，使用在肿瘤中心的偶极子的方法，初始找到阵列布局。此阵列布局被用作找到最佳布局的迭代搜索的输入。

一旦已确定了优化患者大脑的患病区域内的电场的布局（例如，使用本文解释的方法中的任一种），就将电极放置在确定的位置。然后将AC电压应用到电极上（例如，如美国专利7,565,205中所述的，其通过引用并入到本文）以治疗疾病。

还注意，本文描述的概念不限于将外层（头皮、头骨、CSF）表示为凸包，并且可以使用其他方法来粗略估计MRI数据。示例包括简单的几何形式，诸如椭圆体、球体、椭圆形结构或用于创建组织包膜的其他方法。另外，本文描述的概念不限于外层的近似值，即，头皮、头骨和CSF层也可以通过MRI的常规分割来获得。

还注意，代替使用头皮、头骨和CSF的分割，可以使用这些外层的近似值。例如，可以要求用户来测量代表区域中的头皮、头骨和CSF的厚度。然后，将这些组织近似为具有围绕大脑的用户测量的厚度的同心几何实体（类似于头皮、球体、椭圆体等的默认凸包）。这种近似值将头部仿真为（几乎）椭圆形结构，这忽略了诸如耳朵、鼻子、嘴巴和下巴的特征。然而，由于阵列和治疗仅被递送到头部的幕上（supratentorial）区域，因此这种近似值看来是正当的。在一些实施例中，也可能的是，将三种组织类型中的两种或更多种组合到一层中并为该层分配单个电导率值。例如，头皮和头骨可以作为具有单个电导率的一层（并且可选地具有均匀的厚度）而被引入。

以这种方式构建的计算人体模型还可被用于其他应用，在其中计算头部内的电场和/或电流分布可能是有用的。这些应用包括但不限于：直流和交流经颅刺激；植入刺激电极场图的仿真：计划植入刺激电极的放置；以及EEG中的源定位。

最后，尽管本申请描述了一种用于优化头部上的阵列布局的方法，但是可以潜在地扩展该方法以用于优化用于治疗其他身体区域（诸如胸部或腹部）的阵列布局。

尽管已经参考一些实施例公开了本发明，但是在不脱离所附权利要求书所限定的本发明的范围和范畴的情况下，对所描述的实施例做出许多修改，变更和改变是可能的。因此，意图的是，本发明不限于所描述的实施例，而是具有由所附权利要求及其等同物的语言所限定的全部范畴。

Claims (19)

1.一种在给定频率下创建解剖体积的AC电导率或电阻率的3D模型的方法，所述方法包括以下步骤：

获得所述解剖体积的第一MRI图像，所述第一MRI图像具有相关联的第一重复时间；

获得所述解剖体积的第二MRI图像，所述第二MRI图像具有与所述第一重复时间不同的相关联的第二重复时间；

针对所述解剖体积中的每个体素，计算所述第一MRI图像中对应体素的强度与所述第二MRI图像中对应体素的强度的比率IR；以及

将针对所述解剖体积中每个体素所计算的IR映射到在所述给定频率下AC电导率或电阻率的3D模型的对应体素中，其中所述给定频率低于1 MHz。

2. 根据权利要求1所述的方法，其中所述给定频率在100与300 kHz之间。

3. 根据权利要求1所述的方法，其中所述给定频率在180与220 kHz之间。

4.根据权利要求1所述的方法，其中所述第一MRI图像是T1图像，并且所述第二MRI图像是T1图像。

5.根据权利要求1所述的方法，其中所述第一MRI图像是T1图像，并且所述第二MRI图像是质子密度图像。

6. 根据权利要求1所述的方法，其中所述第一重复时间在400与800 ms之间，并且所述第二重复时间在2与5秒之间。

7.根据权利要求1所述的方法，其中所述解剖体积包括大脑的白质和灰质。

8.根据权利要求1所述的方法，其中AC电导率或电阻率的所述3D模型是AC电导率的3D模型。

9.一种优化放置在被试者身体上的多个电极的位置的方法，其中所述电极被用于在给定频率下在解剖体积内的目标组织中施加电场，所述方法包括以下步骤：

获得所述解剖体积的第一MRI图像，所述第一MRI图像具有相关联的第一重复时间；

获得所述解剖体积的第二MRI图像，所述第二MRI图像具有与所述第一重复时间不同的相关联的第二重复时间；

针对所述解剖体积中每个体素，计算所述第一MRI图像中对应体素的强度与所述第二MRI图像中对应体素的强度的比率IR；

将针对所述解剖体积中每个体素所计算的IR映射到在所述给定频率下电导率或电阻率的3D模型的对应体素中，其中所述给定频率低于1 MHz；

识别在所述解剖体积内的所述目标组织的位置；以及

基于在所述映射步骤中生成的在所述给定频率下的电导率或电阻率的所述3D模型以及在所述识别步骤中识别的所述目标组织的所述位置，确定针对所述电极的位置。

10. 根据权利要求9所述的方法，其中所述给定频率在100与300 kHz之间。

11. 根据权利要求9所述的方法，其中所述给定频率在180与220 kHz之间。

12.根据权利要求9所述的方法，其中所述第一MRI图像是T1图像，并且所述第二MRI图像是T1图像。

13.根据权利要求9所述的方法，其中所述第一MRI图像是T1图像，并且所述第二MRI图像是质子密度图像。

14. 根据权利要求9所述的方法，其中所述第一重复时间在400与800 ms之间，并且所述第二重复时间在2与5秒之间。

15. 根据权利要求9所述的方法，还包括以下步骤：

在所述确定步骤中确定的所述位置将所述电极附着于所述被试者的身体上；以及

在所述附着步骤之后，在所述电极之间应用电信号，以便在所述目标组织中施加所述电场。

16. 根据权利要求9所述的方法，其中所述解剖体积包括大脑的白质和灰质。

17.根据权利要求9所述的方法，其中所述解剖体积是大脑，并且

其中针对所述电极的位置的所述确定是基于复合模型，在所述复合模型中所述大脑的电导率或电阻率的所述3D模型被具有恒定电导率的至少一个壳的模型所包围。

18.根据权利要求9所述的方法，其中所述解剖体积是由脑脊髓液包围的大脑，并且

其中针对所述电极的位置的所述确定是基于复合模型，在所述复合模型中所述大脑的电导率或电阻率的所述3D模型被具有恒定电导率的至少一个壳的模型所包围。

19.根据权利要求9所述的方法，其中电导率或电阻率的所述3D模型是电导率的3D模型。

Images