CN113332601A - 具有基于mri基导电率测量结果的在头部上的电极位置优化的ttfield治疗 - Google Patents

Abstract

当电极用于在解剖体积内的目标组织中施加电场(例如，应用TTField以治疗肿瘤)时，电极的位置可以通过在解剖体积中获得电导率测量结果并且直接根据所获得的电导率或电阻率测量结果生成导电率的3D图来优化，而不将解剖体积分成组织类型。在解剖体积内识别目标组织的位置，并且基于电导率的3D图和目标组织的位置确定用于电极的位置。

Description

具有基于MRI基导电率测量结果的在头部上的电极位置优化 的TTFIELD治疗

本申请是以下申请的分案申请：申请日：2016年10月28日；申请号：201680062777.8；发明名称“具有基于MRI基导电率测量结果的在头部上的电极位置优化的TTFIELD治疗”。

相关申请的交叉引用

本申请要求(2015年10月28日提交的)美国临时申请62/247,314和(2016年2月12日提交的)美国临时申请62/294,372的权益，其中的每一篇的全部内容通过引用的方式并入本文。

背景技术

肿瘤治疗场或TTField是在中频范围(100kHz至300kHz)内的低强度(例如1V/cm至3V/cm)交变电场。这种非侵入性治疗靶向实体瘤并且在美国专利7,565,205中描述，其全部内容通过引用的方式并入本文。TTField在有丝分裂期间通过与关键分子的物理相互作用破坏细胞分裂。TTField疗法是针对复发性胶质母细胞瘤的经批准的单一疗法，以及针对新诊断患者的经批准的联合化疗的疗法。这些电场由被直接放置在患者头皮上的换能器阵列(即电极阵列)非侵入性地引发。TTField似乎也有益于治疗身体其他部位中的肿瘤。

TTField被建立为一种抗有丝分裂癌治疗方式，因为它们在中期期间干扰适当的微小管装配，并最终在末期和胞质分裂期间破坏细胞。随着场强度的增加，疗效增加，并且最佳频率是癌细胞系依赖性的，其中200kHz是对于由TTField引起的神经胶质瘤细胞生长的抑制是最高的频率。对于癌症治疗，使用直接放置在靠近肿瘤的皮肤区域的电容耦合换能器开发了非侵入性装置。对于患有多形性胶质母细胞瘤(GBM)(人类最常见的原发性、恶性脑肿瘤)的患者，用于递送TTField治疗的装置称为Optune^TM。

因为TTField的作用是方向性的，其中平行于场分裂的细胞比在其他方向上分裂的细胞受影响更大，并且因为细胞在所有方向上分裂，所以TTField通常通过两对换能器阵列递送，这些换能器阵列在治疗的肿瘤内生成垂直场。更具体地，对于Optune系统，一对电极位于肿瘤的左侧和右侧(LR)，并且另一对电极位于肿瘤的前侧和后侧(AP)。在这两个方向(即LR和AP)之间循环场确保最大范围的细胞取向被靶向。

体内和体外研究表明TTField治疗的疗效随着电场强度的增加而增加。因此，针对Optune系统的标准做法是优化患者头皮上的阵列放置以增加脑病变区域中的强度。迄今为止，通过经验法则(例如，尽可能靠近肿瘤将阵列放置在头皮上)或使用NovoTal^TM系统完成阵列放置优化。NovoTal^TM使用描述患者头部几何形状、肿瘤尺寸及其位置的有限测量结果组以找到最佳阵列布局。用作用于NovoTal^TM输入的测量结果由医师手动从患者MRI中导出。NovoTal^TM优化算法依赖于对电场如何根据阵列的位置在头部内分布的一般理解，并且不考虑不同患者头部内的电特性分布的变化。这些变化可能会影响头部和肿瘤内的场分布，导致NovoTal^TM推荐的布局欠佳的情况。

发明内容

本发明的一个方面涉及优化放置在对象身体上的多个电极的位置的第一方法，其中电极用于在解剖体积内的目标组织中施加电场。第一种方法包括以下步骤：获得解剖体积中的电导率或电阻率测量结果，并直接根据所获得的电导率或电阻率测量结果生成解剖体积的电导率或电阻率的3D图，而不将解剖体积分成组织类型。该方法还包括以下步骤：识别解剖体积内的目标组织的位置，并且基于在生成步骤中生成的电导率或电阻率的3D图以及在识别步骤中识别的目标组织的位置来确定用于电极的位置。

第一方法的一些实施例进一步包括以下步骤：在确定步骤中确定的位置处将电极附连到对象的身体，并且在附连步骤之后在电极之间施加电信号，以便在目标组织中施加电场。

在第一种方法的一些实施例中，在获得步骤中获得的测量结果表示分子的扩散。在第一方法的一些实施例中，获得步骤包括使用扩散加权成像采集MRI数据。在第一方法的一些实施例中，获得步骤包括使用定制的多回波梯度序列采集MRI数据。

在第一方法的一些实施例中，获得步骤包括使用扩散张量成像采集MRI数据。任选地，在这些实施例中，使用扩散张量成像采集MRI数据的步骤包括直接映射方法，该直接映射方法假定扩散和导电率张量的特征值之间的线性关系，σv＝s·dv，其中σv和dv分别是导电率和扩散的第v个特征值。任选地，在这些实施例中，使用扩散张量成像采集MRI数据的步骤包括体积归一化方法，其中解剖体积中的每个体积元素中的导电率张量特征值的几何平均值与体积元素所属的组织类型的特定各向同性导电率值局部相匹配。

在第一种方法的一些实施例中，解剖体积包括脑的白质和灰质。

在第一种方法的一些实施例中，解剖体积是脑，并且用于电极的位置的确定基于复合模型，其中脑的电导率或电阻率的3D图被具有第一恒定导电率的第一壳的模型围绕。在这些实施例中，第一壳的模型可以表示合在一起的头皮、颅骨和CSF。另选地，在这些实施例中，第一壳的模型可以表示CSF，复合模型进一步包括表示颅骨的第二壳，第二壳具有第二恒定导电率，并且复合模型进一步包括第三壳，该第三壳表示头皮，第三壳具有第三恒定导电率。在这些实施例中，确定用于电极的位置的步骤可以包括在对应于目标组织的位置处将偶极子添加到复合模型并且选择可归因于偶极子的电势为最大处的外部位置。

在第一方法的一些实施例中，确定用于电极的位置的步骤包括计算将提供目标组织中电场的最大强度的用于电极的位置。在第一方法的一些实施例中，在生成步骤中，3D图具有高于1mm×1mm×1mm的分辨率。在第一方法的一些实施例中，生成3D图的步骤包括生成表示解剖体积的简单几何物体。

在第一方法的一些实施例中，生成3D图的步骤包括基于分数各向异性对每个体积元素分类组织类型。在第一方法的一些实施例中，生成3D图的步骤包括基于平均导电率对每个体积元素分类组织类型。在第一方法的一些实施例中，生成3D图的步骤包括将导电率张量的特征值的几何平均值与特定的各向同性参考值相匹配。

本发明的另一方面涉及创建哺乳动物头部的模型的第二种方法。头部包括脑组织、CSF、颅骨和头皮。该方法包括以下步骤：使用3D导电率张量组对与脑组织对应的头部区域进行建模；以及使用至少一个具有恒定导电率的壳来对CSF、颅骨和头皮进行建模。

在第二种方法的一些实施例中，使用3D导电率张量组对与脑组织对应的头部区域进行建模的步骤在不识别不同类型的健康脑组织之间的边界的情况下实施。

在第二种方法的一些实施例中，使用MRI获得3D导电率张量组。在这些实施例中的一些中，3D导电率张量组从扩散张量成像数据集导出。

在第二种方法的一些实施例中，对CSF、颅骨和头皮进行建模的步骤包括以下步骤：将CSF建模为设置在脑组织外部并且与脑组织接触的第一壳，该第一壳具有第一恒定导电率；将颅骨建模为设置在CSF外部并且与CSF接触的第二壳，该第二壳具有第二恒定导电率；以及将头皮建模为设置在颅骨外部并且与颅骨接触的第三壳，该第三壳具有第三恒定导电率。

在第二种方法的一些实施例中，对CSF、颅骨和头皮进行建模的步骤包括将CSF、颅骨和头皮合在一起建模为设置在脑组织外部并且与脑组织接触的单壳的步骤，该单壳具有恒定导电率。

第二种方法的一些实施例进一步包括以下步骤：识别脑组织内的目标组织的位置；并且基于在识别步骤中识别的目标组织的位置、3D导电率张量组以及至少一个壳的导电率确定用于多个电极的位置。任选地，这些实施例进一步包括以下步骤：在确定步骤中确定的位置处将电极附连到哺乳动物的头部，在附连步骤之后在电极之间施加电信号，以便在目标组织中施加电场。任选地，在这些实施例中，确定用于电极的位置的步骤包括：在与目标组织对应的位置处对偶极子进行建模，并且选择可归因于偶极子的电势在其为最大的位置。任选地，在这些实施例中，确定用于电极的位置的步骤包括计算将在目标组织中提供最佳组合治疗规格的用于电极的位置。

在第二种方法的一些实施例中，使用3D导电率张量组对区域进行建模的步骤包括基于分数各向异性对每个体积元素分类组织类型。在第二种方法的一些实施例中，使用3D导电率张量组对区域进行建模的步骤包括基于平均导电率对每个体积元素分类组织类型。在第二种方法的一些实施例中，使用3D导电率张量组对区域进行建模的步骤包括将导电率张量的特征值的几何平均值与特定的各向同性参考值相匹配。

附图说明

图1是用于创建头部模型并使用该模型优化电场的一个示例的流程图。

图2描绘了在使用相同MRI数据集创建的三个不同模型中通过虚拟肿瘤的各种横截面中的电场分布。

图3描绘了用于通过肿瘤的一个轴向层面中的三种各向异性模型的电场分布。

图4描绘了具有附连到头皮的换能器阵列的头皮的正视图。

图5A和图5B分别描绘了用于两个不同模型的一组壳。

图6A和图6B分别描绘了白质壳内的脑室和虚拟肿瘤的侧视图和俯视图。

图7描绘了针对五个相应模型的导电率图以及轴向层面中的皮层和肿瘤组织中所产生的电场分布。

具体实施方式

克服NovoTal^TM系统局限性的一种方法是根据阵列位置基于患者头部内的电场分布的精确计算来优化阵列布局。患者可以是人类或其他类型的哺乳动物或其他动物。这可以通过构建描述患者头部内导电率分布的逼真计算模型来完成。这可以使用MRI数据来实现。但是，迄今为止，推导出此类逼真的计算头部模型是耗时的并且需要大量的人工干预。其原因在于，通过将MR图像分成各种组织类型并将代表性导电率值分配给每种组织类型来获得模型。尽管可以在没有大困难的情况下用标准软件实现头部外层的分割，如头皮、颅骨和脑脊液(CSF)，但是皮层组织具有非常复杂的几何图案并且处理起来复杂得多。

尽管用于分割皮层组织的自动和半自动算法确实存在，但它们的性能通常不足以创建详细的模型。此外，当脑中存在具有由于肿瘤组织和水肿引起的大量失真的患者MRI时，皮层组织分割算法的性能会进一步恶化，并且因此需要大量的用户干预来完成此任务。因此，通过对MR图像进行严格分割来创建逼真的患者计算头部模型是非常耗费人力和耗费时间的。

该应用程序描述了用于以最少的用户干预模拟TTField的用于创建逼真的头部模型的工作流程，以及关于如何可使用这些头部模型优化患者身上的TTField阵列布局的详细信息。在此处提出的方法中，头部模型中的导电率值直接由基于MRI的导电率测量结果确定。因此，消除了对复杂和精确分割的需求，减少了创建患者计算头部模型所需的时间和人力。一旦构建了逼真模型，就可以使用本文中也描述的一系列算法以全自动或半自动方式执行优化。

为了方便起见，本说明分为三部分：第1部分提供了用于以最少的用户干预从MRI数据创建用于TTField模拟的逼真头部模型的方法的详细描述。第2部分提供了关于如何使用第1部分中创建的模型来优化TTField阵列位置的详细描述。并且第3部分描述了使用对外层进行建模的简单凸包并使用对脑进行建模的导电率图，以最少的用户干预创建用于TTField模拟的逼真头部模型的概念证明。

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

第1部分：从MRI数据创建逼真计算体模。

创建精确的计算体模优选地涉及精确地映射计算体模内的每个点处的电特性(例如，导电率、电阻率)。一种用于创建计算体模的传统方法涉及将头部分成具有不同的各向同性电特性的不同组织类型。当使用该方法构建模型时，精确识别3D空间中每种组织类型的边界以便将用于每种组织类型的电特性精确映射到模型中是重要的。

本文所描述的实施例通过使用MRI序列，诸如扩散加权成像(DWI)、扩散张量成像(DTI)或定制的多回波梯度序列(GRE)来克服对严格分割的需要，以直接估计3D空间中每个点处的电特性。使用MRI序列直接映射电特性减少了对精确组织分割的需求，因为每个点的电特性直接从MRI定义，而不是从分割期间它们分配到的组织类型定义。因此，可以简化或甚至消除分割过程而不影响计算体模的精确度。注意，虽然本文所描述的实施例论述了映射导电率，但是替代实施例可以通过映射不同的电特性诸如电阻率来提供类似的结果。

图1中的步骤S11至步骤S14描绘了可用于基于MRI导电率测量结果来生成表示患者的计算体模的一组步骤的一个示例。

步骤S11是图像采集步骤。在该步骤中，采集结构数据和可以从其计算导电率图的数据两者。结构数据可以从例如标准的T₁和T₂ MRI序列中获得。可以使用多种MRI数据采集模式，诸如DWI、DTI或GRE获得导电率。为了创建良好的计算体模，应该获得高分辨率的图像。对于结构和导电率相关的图像，分辨率至少为1mm×1mm×1mm是优选的。较低分辨率的图像可用于这些类型的图像中的一个或两个，但较低的分辨率将产生较不精确的体模。

优选地检查数据集并且优选地去除受大伪影影响的图像。优选地应用一些扫描仪特定的预处理。例如，图像可能会从DICOM格式转换为NIFTI。预处理的不同步骤可能是将所有图像配准到标准空间(例如蒙特利尔神经学研究所，MNI，空间)。这可以使用容易获得的软件包来完成，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，这里提出的工作流程利用基于MRI的导电率测量结果以创建计算体模。然而，仍然可以使用结构图像以识别头部的边界，以及识别属于脑内特定组织的区域，其中分配不是从MRI测量结果导出的典型导电率值可能是有利的。例如，在一些情况下，识别(和分割)图像内的颅骨、头皮和CSF，并且将典型的导电率值分配给与这些组织对应的区域(但仍依赖于用于与脑对应的区域的首要的基于MRI的测量结果)可能是有利的。

可以使用可用的软件包以获得这三种组织类型以及脑室的详细分割。然而，由于这些结构中的一些的复杂性，这仍然可能需要大量的人工干预。因此，创建头部模型的简化方案可能是有益的。降低创建体模的复杂性的一种可能性是简化表示外模型层(头皮、颅骨和CSF)的几何图形。例如，外层组织的壳或凸包可以用作这些层的模型。如果对外层进行粗略分割是可行的，则对应的凸包的创建是微不足道的，并且可以使用标准算法和软件来执行。另一个选项是用户通过结构图像的检查来测量代表性区域处(可能放置换能器阵列的区域)的三个外层(头皮、颅骨和CSF)的厚度。这些测量结果可用于创建三个表示头皮、颅骨和CSF的同心壳或层。这些层可以通过使默认椭圆结构变形来获得，该默认椭圆结构可能是头皮分割的默认凸包。

步骤S13和S14都处理DTI图像的处理。步骤S13是图像预处理和张量估计的步骤。DTI测量涉及使用不同成像条件采集的多个图像的采集。每个图像都以其梯度方向和b值来表征。为了处理DTI图像，首先需要提取梯度方向和b值。这可以使用标准软件来执行。一旦梯度方向和b值已被提取，则图像优选地针对由采样运动(例如头部移动)引起的失真以及由数据采集期间生成的涡流引起的MRI的失真进行校正。另外，优选地将图像配准为与前一阶段中论述的结构图像重叠。可以使用标准软件包进行校正失真和配准。预处理完成后，可以估计模型的相关区域中的每个点处的扩散张量。

存在许多用于从DTI图像导出扩散张量的软件包。例如，J.M.Suares等人的《神经科学前沿》，第7卷，第31篇，第1页至第14页，doi：10.3389/fiiins.2013.00031,2013的“扩散张量成像的漫游指南”包括用于张量估计以及用于DTI预处理的可用软件的详细摘要。测试了从DTI图像导出扩散张量的两个选项。第一个选项使用FSL扩散工具箱用于图像的校正和配准并且计算主方向(特征向量)、主扩散率(特征值)和分数各向异性。第二个选项是使用来自Tortoise软件的DIFFPREP模块以便用B矩阵重新取向来执行运动和涡流失真校正。然后，DIFFCALC模块可用于每个体素中的扩散张量的估计以及用于张量导出量的计算。在这两个软件包中，可以用B矩阵重新取向将数据集重新取向为标准参照系，这自然就是结构图像。

步骤S14是在计算体模内映射导电率的步骤。在该步骤中，将导电率值映射到计算体模内的每个体积元素。在属于其中分割足够精确的组织类型的区域(例如颅骨或CSF)中，可以分配针对每种组织类型的代表性各向同性导电率值。在其他区域中，根据基于MRI的导电率测量结果诸如DTI分配导电率值。

从DTI数据导出导电率值遵循如下命题：导电率张量与有效扩散张量共享相同的特征向量。一旦已经对被成像的每个体积元素估计了扩散张量，就可以使用任何合适的方法形成对导电率张量的估计，其中一些方法详细描述于A.Opitz等人的《神经影像学》，第58卷，第3期，第49页至第59页，2011年10月的“脑组织如何形成由经颅磁刺激引起的电场”。例如，一种合适的方法被称为直接映射(dM)，其假定扩散和导电率张量的特征值之间的线性关系，即σ_v＝s·d_v，其中σ_v和d_v分别是导电率和扩散的第v个特征值。可以使用关于缩放系数的不同假定，而适用的缩放系数s也可以应用于以下。参见例如M.Rulmann等人的《神经影像学》第44卷，第399页至第410页(2009)“使用1mm各向异性六面体有限元头部模型的癫痫样活动的EEG源分析”。另一种合适的方法是体积归一化(vN)方法，其中脑中每个体积元素中导电率张量特征值的几何平均值与该元素所属组织类型的特定各向同性导电率值局部相匹配。参见例如D.Gullmar的《神经影像学》第51卷，第145页至第163页(2010)的“白质组织中的各向异性电导率对EEG/MEG正反求解的影响——高分辨率全头模拟研究”。

这些方法中的两者都可以用于将导电率映射到计算体模内的相关区域(主要是皮层区域)。然而，vN方法在分割中需要更高的精确度，因为使用关于该区域中的组织类型的信息将导电率值映射到每个体积元素处。因此，将体积元素分配给错误的组织类型会导致计算体模内的导电率图中的错误。另一方面，对于dM方法，无论该区域处的组织类型如何，导电率值被分配给使用相同线性关系的所有元素。因此，DTI数据的dM可能比DTI数据的vN映射更有用，用于简化用于为TTField模拟创建计算体模的流水线。但是，注意，dM中的恒定缩放系数可能只会导致健康组织中的精确值，并且可能会低于肿瘤组织的最佳值。

也可以应用替代映射方法。例如，为了克服vN方法的限制(需要存在分割以便能够将每个体积元素分配给特定的组织类型)，体积元素的组织类型也可以通过其分数各向异性、平均导电率或其他相关量度来分类。另选地，导电率张量的特征值的几何平均值可以与特定的各向同性参考值相匹配。这将是仅从DTI数据分割或分类组织类型(可能甚至创建完整的模型)的通用的方式。注意，当发现分数各向异性(或可以从导电率数据导出的任何其他量度)时，优选地检查相邻元素以避免异常值(例如，以消除在WM内部识别的GM点)。

第2部分：使用逼真头部模型优化TTField阵列位置

阵列布局的优化意味着找到优化患者脑患病区域(肿瘤)内的电场的阵列布局。该优化可以通过执行以下四个步骤来实施：(S21)识别逼真头部模型内的治疗目标的体积(目标体积)；(S22)自动放置换能器阵列并且在逼真头部模型上设定边界条件；(S23)一旦将阵列放置在逼真头部模型上并应用边界条件，就计算在逼真头部模型内产生的电场；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。下面提供了实施这四个步骤的详细示例。

步骤S21涉及在逼真头部模型内定位目标体积(即，定义感兴趣区域)。找到在患者身体内产生最佳电场分布的布局的第一步骤是正确识别其中电场应该被优化的位置和目标体积。

在一些实施例中，目标体积将是总肿瘤体积(GTV)或临床目标体积(CTV)。GTV是肿瘤的总可显示的范围和位置，而CTV包括显示的肿瘤(如果存在的话)和任何其他具有假定肿瘤的组织。在许多情况下，通过定义包含GTV并在GTV周围添加具有预定宽度的边缘的体积来找到CTV。

为了识别GTV或CTV，有必要识别MRI图像内肿瘤的体积。这可以由用户手动执行、自动执行或者其中使用用户辅助算法的半自动方法执行。当手动执行此任务时，MRI数据可呈现给用户，并且可以要求用户概述数据上的CTV的体积。呈现给用户的数据可以是结构MRI数据(例如，T₁数据、T₂数据)。不同的MRI模式可以相互配准，并且可以向用户呈现用于查看数据集中的任何的选项，并且概述CTV。可以要求用户概述在MRI的3D体积表示上的CTV，或者可以给用户观看数据的单个2D层面并在每个层面上标记CTV边界的选项。一旦在每个层面上标记出边界，就可以找到解剖体积内(并因此在逼真模型内)的CTV。在这种情况下，用户标记的体积将与GTV对应。在一些实施例中，然后可以通过将预定义宽度的边沿添加到GTV而找到CTV。类似地，在其他实施例中，可以要求用户使用类似的过程来标记CTV。

手动方法的替代方案是使用自动分割算法以找到CTV。这些算法执行自动分割算法以使用结构MRI数据或可能的DTI数据来识别CTV。注意，为此，DTI数据可用于分割，因为肿瘤(和任何水肿区域)内的扩散张量将与其周围环境不同。

然而，如上所述，当前的全自动分割算法可能不够稳定。因此，MRI数据的半自动分割方法可能是优选的。在这些方法的示例中，用户迭代地向算法提供输入(例如，图像上的肿瘤的位置、粗略地标记肿瘤的边界、划分肿瘤所位于的感兴趣区域)，然后由分割算法使用该输入。然后可以向用户提供选项以细化分割以获得头部内的CTV位置和体积的更好估计。

无论使用自动还是半自动方法，所识别的肿瘤体积都将与GTV对应，并且然后可以通过将GTV体积扩大预定量来自动找到CTV(例如，将CTV定义为包含肿瘤周围20mm宽边沿的体积)。

注意，在某些情况下，对于用户，定义他们想要优化电场的感兴趣区域可能是足够的。该感兴趣区域可以是例如箱体积、球体积或包含肿瘤的解剖体积中的任意形状的体积。当使用该方法时，可能不需要用于精确识别肿瘤的复杂算法。

步骤S22涉及在给定的迭代中自动计算逼真头部模型上的阵列的位置和取向。用于Optune^TM装置中的TTField的递送的每个换能器阵列包括一组陶瓷盘电极，其通过医用凝胶层耦合到患者头部。当将阵列放置在真实患者身上时，该盘自然平行于皮肤对准，并且阵列与皮肤之间存在良好的电接触，因为医用凝胶变形以匹配身体的轮廓。但是，虚拟模型由刚性定义的几何形状组成。因此，将阵列放置在模型上需要一种精确的方法，用于在要放置阵列的位置处找到模型表面的取向和轮廓，以及找到确保模型阵列与逼真患者模型良好接触所必需的凝胶的厚度/几何形状。为了实现场分布的全自动优化，这些计算必须自动执行。

可以使用执行该任务的各种算法。为此目的最近设计的一种此类算法的步骤在下面阐述。

a.定义换能器阵列的中心点将放置在模型头部上的位置。该位置可以由用户定义或者定义为在步骤S24中论述的场优化算法中的步骤中的一个。

b.使用来自步骤(a)的输入结合关于盘几何形状的知识以及盘如何排列在阵列中，计算模型内换能器阵列中所有盘的中心的大致位置。

c.计算逼真模型表面在要放置盘的位置处的取向。该计算是通过找到位于距指定盘中心一个盘半径的距离内的计算体模皮肤上的所有点来执行的。这些点的坐标被排列在矩阵的列中，并且在矩阵上执行奇异值分解。然后，模型皮肤的法线是与找到的最小特征值对应的特征向量。

d.对于换能器阵列中的每个盘：计算确保盘与患者身体之间良好接触所需的医用凝胶的厚度。这是通过找到其高度与皮肤表面法线平行取向的圆柱体的参数来完成的。圆柱体的半径定义为等于盘的半径，并且其高度设定为超过用于找到法线的皮肤上的点延伸预定量(这是预先确定的常数)。这引起圆柱体从体模表面至少延伸预定量。

e.在模型上，创建(d)中所描述的圆柱体。

f.通过二进制逻辑运算(例如，从圆柱体减去头部)，从模型中移除突出到患者的逼真模型中的圆柱体的区域。所得的“截头圆柱体”表示与换能器阵列相关联的医用凝胶。

g.在“截头圆柱体”的外侧上放置表示换能器阵列的陶瓷盘的盘。

步骤S23涉及计算针对给定迭代的头部模型内的电场分布。一旦构建头部体模，并且将用于施加场的换能器阵列(即，电极阵列)放置在逼真头部模型上，则可以创建适合于有限元(FE)方法分析的体积网格。下一个边界条件可以应用于模型。可使用的边界条件的示例包括换能器阵列上的狄利克雷(Dirichlet)边界(恒定电压)条件，换能器阵列上的纽曼(Neumann)边界条件(恒定电流)或设定该边界处的电势使得电流密度的法向分量的积分等于特定幅度的浮动电势边界条件。然后可以用合适的有限元求解器(例如，低频准静态电磁求解器)或另选地用有限差分(FD)算法来求解该模型。可以用现有软件包诸如Sim4Life、Comsol Multiphysics、Ansys或Matlab执行建网、施加边界条件和模型的求解。另选地，可以编写实现FE(或FD)算法的定制计算机代码。该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模拟的软件)。该模型的最终求解方案将是描述电场分布或相关量的数据集，诸如用于给定迭代的计算体模内的电势。

步骤24是优化步骤。使用优化算法以找到优化向两个应用方向(LR和AP，如上所述)的患者脑的患病区域(肿瘤)的电场递送的阵列布局。优化算法将利用用于自动阵列放置的方法以及用于以良好定义的序列求解头部模型内的电场的方法，以便找到最佳阵列布局。考虑到施加电场的两个方向，最佳布局将是最大化或最小化脑患病区域中的电场的一些目标函数的布局。该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。还可以定义其他目标函数。

存在许多方法可以用于为患者找到最佳的阵列布局，其中三种如下所述。一种优化方法是彻底的搜索。在该方法中，优化器将包括具有有限数量的应该被测试的阵列布局的储库。优化器执行储库中所有阵列布局的模拟(例如，通过针对每个布局重复步骤S22和步骤S23)，并且拾取在肿瘤中产生最佳场强的阵列布局(最佳布局是储库中产生用于优化目标函数的最高(或最低)值的布局，例如递送给肿瘤的电场强度)。

另一种优化方法是迭代搜索。该方法涵盖了算法的使用，诸如最小下降优化方法和单纯形搜索优化。使用该方法，算法迭代地测试头部上的不同阵列布局并且针对每个布局计算用于肿瘤中的电场的目标函数。因此，该方法还涉及针对每个布局重复步骤S22和步骤S23。在每次迭代时，该算法会基于前一次迭代的结果自动拾取要测试的配置。该算法被设计为收敛以使得其最大化(或最小化)肿瘤中的用于场的定义的目标函数。

另一种优化方法基于在模型中将偶极子放置在肿瘤的中心处。该方法不同于其他两种方法，因为它不依赖于求解不同阵列布局的场强。相反，用于的阵列的最佳位置是通过在模型中的肿瘤中心处放置与期望场的方向对准的偶极子并求解电磁势来找到。电势(或可能电场)最大的头皮上的区域将是放置阵列的位置。该方法的逻辑是偶极子将生成在肿瘤中心处为最大的电场。通过相互作用，如果我们能够在计算产生的头皮上生成场/电压，则我们期望获得在肿瘤中心处(放置偶极子处)为最大的场分布。我们目前的系统可以在实践中最接近这一点，就是将阵列放置在由偶极子在头皮上引发的电势为最大的区域中。

注意，替代优化方案可用于找到优化脑病变区域内电场的阵列布局。例如，组合上述各种方法的算法。作为可如何组合这些方法的示例，考虑将上述第三种方法(即，将偶极子定位在模型中的肿瘤中心处)与第二种方法(即，迭代搜索)组合的算法。通过该组合，最初使用肿瘤方法中心处的偶极子找到阵列布局。该阵列布局用作迭代搜索的输入，以找到最佳布局。

第3部分：可以构建简化头部模型并产生精确结果的概念证明。

概念证明基于对先前开发的逼真人体头部模型的修改，其包含皮层组织的各向异性导电率值。该模型起源于健康的对象，因此肿瘤必须由虚拟病变表示。体模已经被用于计算TTField应用后的电场分布。

为了测试概念，除了脑室之外，首先创建了所有组织类型的凸包。该模型中的囊性肿瘤由两个同心球体、围绕坏死核心的活性壳表示。它放置在靠近侧脑室的右半球中。

图2示出了使用相同的MRI数据集创建的三种不同模型的通过肿瘤的各种横截面中的电场分布。更具体地，图2示出了用于TTField治疗的两种垂直配置的结果：左和右(LR)阵列(面板21至面板23)以及头部的前和后(AP)部分(面板24至面板26)中的阵列。面板21和面板24示出了经典建模方法的结果，即逼真头部模型，其中MRI被精确分割并且每个组织的代表性各向同性介电性质被分配给属于该组织的所有体积元素。面板22和面板24示出了简化建模方法的结果，其中组织类型被分割为凸包，并且代表性的各向同性介电性质被分配给每种组织类型。面板23和面板26示出了简化模型的结果，其中导电率值基于从DTI图像导出的导电率图分配给皮层组织(GM、WM和小脑)的每个体积元素。

各种建模方法之间相关性强。更具体地，逼真头部模型的脑和肿瘤内TTField引发的电场分布是不均匀的。这意味着，虽然场强度最接近主动换能器阵列，但是在头部中心中(在接近电场垂直的边界的具有较低电导率的组织中)引发了附加的热点，如面板21和面板24中所见。在各向同性简化模型中，由于光滑的组织界面，场分布仅远离换能器衰减。尽管如此，因为使用了不均匀的介电特性，所以“常见的”热点被视为靠近脑室并且也在肿瘤的活性壳内。密切观察肿瘤内部的场分布，在原始模型和简单的各向同性模型中显示出非常相似的图案，如面板22和面板25中所见。在脑组织中引入各向异性导电率张量引起脑内更加类似的电场分布，如面板23和面板26中所见。看起来脑回是可见的并且一些主要纤维束是可见的，并且流过它们的电流变得显著。

当比较使用逼真模型与简化模型计算的肿瘤中的平均电场值时，用于各向同性模型的百分比差异小于6％。当逼真各向异性模型与简化各向异性模型相比较时，肿瘤壳中平均场强之间的百分比差异小于5％。在这两种情况下，简化模型的预测值都略低。

在图3中，电场分布再次呈现在通过虚拟肿瘤的一个轴向层面中。在面板31至面板33中的每个中，用于LR和AP阵列的该轴向层面中的电场分布分别出现在面板的顶部和底部。原始模型(面板31)与用于皮层组织的具有dM各向异性的所有组织的逼真表示对应。简单模型(面板32)还使用用于皮层组织(由凸包表示)的dM各向异性导电率张量，并且其采用除了脑室外的所有表面的凸包或壳，其所有表面都具有各向同性的导电率值。样本2模型(面板33)类似于样本模型，但是忽略了脑室的详细表示，而它们的存在通过使用从DTI数据导出的针对该区域的各向异性导电率张量来解释(对于原始模型和简单1模型，该数据被忽略或由具有各向同性导电率值的脑室分割覆写)。表1汇编了脑和两种肿瘤组织中对应的平均场强值。由于该虚拟病变靠近脑室，因此正在进行的简化更多地影响了肿瘤中的场。但差异相对较小，而由LR阵列引发的肿瘤中平均场在原始逼真模型(与样本2相比)中增加到114％，并且在AP刺激中降低到95％。

表1

这示出了使用本文所描述的方法引起头部中足够精确的电场分布和正确的场强度值，同时在时间和计算上更有效。值得注意，简化模型应该足够精确，以用于电极布局的优化。

现在将论述第3部分的建模的附加细节，包括其中使用简单凸包或壳以对外层进行建模并且使用导电率图以对脑进行建模的模型。这些模型能够通过使用从扩散张量成像估计的张量表示来解释皮层组织中的各向异性导电率。在简化头部模型和逼真头部模型中比较了感应电场分布。在逼真头部模型中，脑和肿瘤组织中的平均场强值通常略高，其中用于标准简化模型(当确保合理厚度的层时)的最大比率为114％。因此，它提供了一种快速有效的方式，即个性化头部模型的组织界面之间的复杂程度降低，从而能够精确预测增加的电场分布。

这项研究提出了个性化头部模型的第一种方法，其不需要对不同头部组织进行基础分割。该方法相反使用简单的凸包以及从扩散张量成像(DTI)数据集导出的皮层组织的导电率表示以对外层进行建模。

先前开发的逼真人体头部模型被用作基线模型。健康年轻的女性的MRI数据集被分割成头皮、颅骨、脑脊液(CSF)、包括小脑的灰质(GM)、白质(WM)和脑室。位于中央的虚拟肿瘤被建模为两个同心球体、由活性肿瘤壳包围的内部坏死核心。对于所有计算都使用具有中心对称布局的Optune^TM系统。图4是头皮40的正视图，其中附连到头皮的Optune^TM换能器阵列42、阵列44描绘了该布局。注意，四个贴片中只有三个在图中可见，并且在凸包上没有表示眼睛和耳朵。最终体积网格与Mimics(www.materialise.com)组装在一起。

假定异构组织的各向同性导电率和介电常数值与先前的研究一样，并且从扩散张量成像(DTI)数据估计皮层组织的各向异性导电率张量。对扩散张量的缩放假定不同的方法。在该示例中，仅使用了针对每个体素具有相同缩放系数的直接映射(dM)方法。进一步的细节呈现在C.Wenger等人的“TTField疗法期间脑中的电场分布及其对组织介电特性和解剖学的依赖：计算研究”，《医学博士》，第60卷，第18期，第7339页至第7357页，2015，其通过引用的方式并入本文。

一种简化模型的方法是使用表面网格的凸包而不是复杂和不规则的几何体。在这项研究中，凸包是用MeshLab(http://meshlab.sourceforge.net/)创建的。GM和小脑近似为单个包封，WM、头皮、颅骨和CSF各自均由一个凸包表示。图5A和图5B描绘了分别称为SHM1(51)和SHM2(52)的两种相似简化模型的凸包(即，壳)的布置。在两种模型中，凸包包括颅骨54、脑脊液55、灰质(GM)56和白质(WM)58。注意，与SHM2 52中的CSF 55相比，SHM1 51中的CSF 55非常薄。图6A和图6B分别描绘了WM凸包62内部的脑室64和肿瘤66的侧视图和俯视图。脑室和肿瘤组织(活性壳和坏死核心)保持不变。

开发了四种不同的简单头部模型(SHM1至SHM4)。第一个SHM1由上述凸包组成，其与RHM相比，引起非常不同的组织体积。WM是改变的组织的最内层，其受到应用具有超过一倍组织体积的凸包封的高度影响。这会影响周围的组织。GM在SHM1中的体积较小。GM脑回和整个小脑的包封减小了SHM1中CSF的体积。与RHM相比，SHM1中体积略大的仅有组织是颅骨，这继而引起头皮体积减小。仍应该注意，在SHM1和RHM中，换能器下面的头皮和颅骨层的厚度非常相似，平均(所有36个换能器中)RHM与SHM1的层厚度之间的比率在头皮中为102％，并且在颅骨中为110％。尽管如此，用于CSF的该比率是270％。用相交圆柱体的体积来估计厚度，即，创建了延伸换能器的圆柱体，并且然后计算与下一个组织表面相交的体积。因此，RHM的CSF圆柱体的更高体积归因于在SHM1中由脑沟而不是平面GM而产生的附加体积。

第二个简单模型SHM2是为了减少这些差异而创建的，即，SHM1中改变的组织体积和最小的CSF厚度(如图5A所见)。SHM2是由Mimics中的缩放网格产生的：WM和GM同时以0.97的系数进行缩放，然后以0.995的系数缩放CSF。相比于用于RHM的102％、用于颅骨的100％以及用于CSF的128％的RHM，这引起用于SHM2的层厚度的差异减小。这两个模型首先被求解为各向同性和各向异性模型，并且与RHM结果进行比较。用DTI数据估计导电率张量保持不变。注意，在RHM中，GM边界外的所有DTI数据都被忽略。添加了是SHM1和SHM2中GM凸包的一部分的所有附加体素的扩散信息。

SHM3是较简单的模型，其仅使用一个凸包用于皮层组织，而忽略了WM和GM之间的边界。作为最后一个简化步骤，SHM4进一步切割脑室并且仅与从DTI导出的导电率数据而不是在所有其他模型中的各向同性CSF填充室一起使用。

为了计算电场分布，使用有限元(FE)软件Comsol Multiphysics(http:// www.comsol.com)以200kHz的频率求解麦克斯韦方程在频域中的准静态近似。已经论述了各向同性和各向异性材料的特性。边界条件假定在内边界处的法向分量的连续性、在外边界处的电绝缘。TTField激活模拟了具有用于每个有源换能器的100mA的浮动电势条件。

研究结果如下。对于阵列场方向LR和AP两者，都求解了每个模型设定(模型的类型、脑导电率的各向同性或dM表示)。

用SHM1模型进行第一次模拟，并将各向同性和各向异性求解方案与RHM模型进行比较。该最初的简化模型SHM1以其薄的CSF产生了脑和肿瘤组织中的高电场强度值(表2)。当调整由SHM2引入的CSF厚度时，与RHM相比，获得的平均场强值非常相似并且在肿瘤中略微降低。如表2所示，在LR激活和各向同性导电率下，报道的肿瘤壳中的平均场强的最高增幅为107％。

图7包含五个面板71至面板75，其中每个面板描绘了导电率图以及在各个模型的轴向层面中皮层和肿瘤组织中的所得电场分布。在每个面板71至面板75中，导电率张量的迹线出现在顶部上，其中张量迹线的图例是固定的，范围为从0.1S/m至0.6S/m。该图中的肿瘤组织的颜色是任意的。在每个面板中，用于LR和AP电极的电场分布分别出现在中部和底部中，并且强度图例范围为从0V/cm至4V/cm。

面板71和面板72示出了具有其各向同性脑和肿瘤导电率的各向同性RHM和SHM2模型。虽然SHM2中脑中的电场分布仅有微小的细节，但是LR和AP设定的肿瘤中场分布相似，并且所引发的平均场强相似(表2)。当为脑组织引入各向异性时，RHM模型的脑中的场分布仅略微改变(比较面板71和面板73)；并且SHM2各向异性模型(面板74)示出更多的细节，并且所计算的平均场强值与各向异性RHM模型(面板73)的那些更加一致。

将SHM2模型(面板74)作为用于上述SHM3和SHM4的进一步简化的基线模型。考虑到GM和WM仅由两个凸包表示，因为dM方法用于导电率张量的缩放，所以不会期望去除内壳。事实上，平均场强值中几乎没有发现变化(表2)。

脑室是充满CSF的脑中心的复杂结构，并且因此被认为是各向同性的。因此，通常从DTI数据估计的信息对于具有逼真头部模型的电场计算而言是省略的，并且使用具有各向同性导电率的详细分割。SHM4是为了研究忽略脑室分割并通过使用从DTI数据集评估的张量考虑其存在的影响而创建的。导电率张量的最终迹线显示在面板75的顶部中。RHM中脑中的平均场强仅稍高于SHM4中(LR中为102％并且AP中为101％)。在肿瘤壳中，与SHM4模型相比，RHM中的最高场强增加为LR的114％(表2)。这表明，尽管SHM4模型中引入了附加简化，但结果仍然可以接受。

表2描绘了在LR和AP两个方向上的各种模型之间的场强的变化。注意，表2中的SHM3和SHM4分别对应于上表1中的样本l和样本2模型。

表2-不同模型中脑和肿瘤组织的平均场强(V/cm)

所提出的方法可以用于快速创建GBM患者的头部模型以用于TTField的个性化治疗计划。头皮轮廓可以通过在最少量的时间用已知软件分割结构图像来获得。另选地，头部测量结果可用于预测整体头部形状。可以通过来自结构图像的厚度测量结果来创建以下层(颅骨、脑脊液、脑)。总之，所提出的技术应该容易应用于未来的建模，因为脑外部的凸包可以通过头部的测量结果作为仅有输入来生成。至于肿瘤和脑本身，使用用于患者的DTI数据集以确定介电特性(例如导电率)。

DTI的采集不是标准的，但是，具有较少方向的扩散加权成像(DWI)是相当普遍采集的，并且导电率张量的迹线可以仅通过三个方向估计。在替代实施例中，感应场分布可以仅使用每个体素中的迹线值而不是全张量来确定。这将提供模型的附加简化，但可能会牺牲精确度。

DTI仍然是一种相对较新的技术并且图像分辨率很低(即>1mm³各向同性)。因此，图像校正和张量估计方法的仔细选择是重要的，并且建议适当的插值方法。为了将扩散张量缩放到导电率张量，引入了两种方法。除了dM方法之外，在体积归一化(vN)方法中，特征值的几何平均值与用于每个体素的各向同性参考值相匹配。为了实现这点，组织类型的基础分割可以被实施。在一些实施例中，可以使用每个体素中的张量的估计迹线以分类组织类型并且用作分割的代理。

如已经指出的那样，已经存在用于详细的GBM分割的自动分割算法。公开可用的算法的示例是最近的脑肿瘤图像分析(BraTum1A)软件，其在需要四种不同的成像模式(T1、T1-对比、T2-对比和FLAIR)的同时区分坏死核心、水肿、非增强肿瘤和增强肿瘤。仅需要T1作为输入的技术也存在。尽管如此，GBM和周围水肿的异质环境甚至可以用体素方面的张量表示更详细地描绘。因此，虽然简化模型的复杂性降低，但它仍可用于更详细地描述TTField的电场分布。

该节(即，第3部分)提出了创建简单头部模型的第一次尝试，该简单头部模型提供了用于计算TTField应用的电场分布的精确结果。当使用与从结构图像导出的逼真人体头部模型相比的简单模型时，一个中心肿瘤中的电场强度没有明显变化。本文所描述的方法可以被扩展以创建个性化模型，而不需要耗时的组织分割。将来，该方法可用于快速开发个别患者头部模型，并详细表示病变，尽管需要提供可用的DTI数据集。

一旦已经确定了优化患者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)，电极被定位在确定的位置。然后将AC电压施加到电极(例如，如美国专利7,565,205中所述，其通过引用的方式并入本文)以治疗疾病。

注意，本文所描述的概念不限于使用DTI以导出脑的电特性。相反，它扩展到可用于相同目的的其他方法，包括但不限于DWI、电导率成像、电阻抗层析成像(EIT)和多回波GRE。

注意，本文所描述的概念不限于作为凸包的外层(头皮、颅骨、CSF)的表示，并且可以使用其他方法粗略地近似MRI数据。示例包括简单的几何形式，诸如椭球体、球体、椭圆形结构或其他方法以用于创建组织的包封。另外，本文所描述的概念不限于外层的近似，即头皮、颅骨和CSF层也可以通过MRI的常规分割来获得。

任选地，可以实施导电率图的后处理以改善结果(例如：平滑或离群值去除/替换、适应性内插技术等)。此外，可以使用从扩散到导电率方法的其他映射方法，以及两种所提及的方法的组合(例如，dM和vN方法)。因此，使用用于皮层组织的dM以及用于脑室和包括水肿区域的肿瘤组织的vN都是有利的，所述水肿区域可能都已经被临床医生或放射科医生识别为感兴趣区域(ROI)。

上述的实施例中的一些使用混合方法，其中一些体积元素被分配其属于的组织类型的代表性电特性，而其他体积元素基于特定MRI序列数据(在这种情况下为DTI)被分配电特性。例如，颅骨、头皮和CSF被分配代表性的各向同性介电特性，而白色和灰质物质(和一些实施例中的脑室)的导电率是从DTI数据导出的。注意，在所提出的情况下，肿瘤组织在虚拟位置处也被分配各向同性的介电特性，因为图像源自健康的对象。然而，在替代实施例中，整个头部内的体积元素的总量可以被分配各向同性或各向异性介电特性，其仅从特定的成像技术导出。

注意，在一些实施例中，例如通过头皮表面的常规分割来识别头部的边界表面，并且使用从MRI导电率测量结果导出的导电率测量结果将导电率和/或介电常数分配给体模内的所有点。

在一些实施例中，使用现有的全脑提取算法来识别脑。接下来，使用自动程序分割头皮、颅骨和CSF。使用MRI导电率测量结果将导电率值分配给脑、肿瘤组织(包括活性壳和坏死核心)、可能的水肿区域以及脑室。体导电率值分配给头皮、颅骨和CSF。

在一些实施例中，使用现有的全脑提取算法来识别脑。接下来，使用自动程序分割头皮、颅骨、CSF和脑室。使用MRI导电率测量结果将导电率值分配给脑、肿瘤组织(包括活性壳和坏死核心)以及可能的水肿区域。体导电率值分配给头皮、颅骨、CSF和脑室。

在一些实施例中，使用现有的全脑提取算法来识别脑。临床医生或放射科医生将肿瘤标记为ROI。接下来，使用自动程序分割头皮、颅骨和CSF。使用MRI导电率测量结果将导电率值分配给脑和脑室。将体导电率值分配给头皮、颅骨、CSF和肿瘤组织(例如，通过给这些区域中的每个分配恒定的导电率值)。

还注意，代替使用头皮、颅骨和CSF的分割，可以使用这些外层的近似值。例如，可以要求用户测量代表性区域中的头皮、颅骨和CSF的厚度。然后将这些组织近似为同心几何实体(类似于头皮、球体、椭圆体等的默认凸包)，其中用户测量的厚度围绕脑。这种近似将头部模拟为(几乎)椭圆形的结构，忽略特征诸如耳朵、鼻子、嘴巴和下巴等。然而，由于阵列和治疗仅递送到头部的幕上区域，因此该近似似乎是合理的。在一些实施例中，也可以将三种组织类型中的两种或更多种组合成一个层并且将单个导电率值分配给该层。例如，头皮和颅骨可以作为具有单一导电率(并且任选地具有均匀厚度)的一个层引入。

发明人期望开发针对个体患者的逼真头部模型的能力将不仅允许优化肿瘤内的电场，而且还可以实现缓解场外再现的治疗计划。这可以通过开发优化方法来实现，该方法不仅考虑肿瘤内的电场强度，还尝试优化脑的其他区域中的场强。

任选地，患者特定的计算头部模型可以用于回顾性患者分析，这可以阐明患者体内场强分布与疾病进展之间的关系，最终使得更好地理解如何在患者体内递送TTField。

以这种方式构建的计算体模还可以用于计算头部内的电场和/或电流分布可能有用的其他应用。这些应用包括但不限于：直流和交流电经颅刺激；植入的刺激电极场图的模拟；规划植入刺激电极的放置；以及在EEG中的源定位。

最后，虽然本申请描述了用于优化头部上的阵列布局的方法，但是其可潜在地被扩展以优化用于治疗其他身体区域诸如胸部或腹部的阵列布局。

尽管已经参照某些实施例公开了本发明，但是在不脱离如所附权利要求所限定的本发明的范畴和范围的情况下，可以对所描述的实施例进行多种修改、变更和改变。因此，本发明旨在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形式的语言限定的全部范围。

Claims (20)

1.一种优化用于放置在对象身体上的多个电极的位置的方法，所述方法包括以下步骤：

直接从电导率或电阻率测量结果生成解剖体积的电导率或电阻率的3D图，而不将所述解剖体积分成组织类型；

识别所述生成的电导率或电阻率的3D图内的目标组织的位置；以及

基于所述生成的电导率或电阻率的3D图与所述识别的所述目标组织的位置来确定用于所述电极的位置。

2.根据权利要求1所述的方法，其中所述电导率或电阻率测量结果包括扩散加权MRI数据集。

3.根据权利要求1所述的方法，其中所述电导率或电阻率测量结果包括定制的多回波梯度序列MRI数据集。

4.根据权利要求1所述的方法，其中所述电导率或电阻率测量结果包括扩散张量MRI数据集。

5.根据权利要求4所述的方法，其中所述扩散张量MRI数据集包括直接映射，所述直接映射具有扩散和导电率张量的特征值之间的线性关系，σ_v＝s·d_v，其中σ_v和d_v分别是所述导电率和扩散的第v个特征值。

6.根据权利要求4所述的方法，其中所述扩散张量MRI数据集是体积归一化的，以及所述解剖体积中的每个体积元素中的导电率张量的特征值的几何平均值与所述体积元素所属的组织类型的特定各向同性导电率值局部相匹配。

7.根据权利要求1所述的方法，其中所述解剖体积包括脑的白质和灰质。

8.根据权利要求1所述的方法，其中所述解剖体积是脑，以及所述用于放置所述电极的位置基于复合模型来确定，其中所述生成的电导率或电阻率的3D图由具有第一恒定导电率的第一壳的模型围绕。

9.根据权利要求8所述的方法，其中所述第一壳的所述模型表示合在一起的头皮、颅骨和CSF。

10.根据权利要求8所述的方法，其中所述第一壳的所述模型表示CSF，以及所述复合模型进一步包括表示颅骨的第二壳和表示头皮的第三壳，所述第二壳具有第二恒定导电率，所述第三壳具有第三恒定导电率。

11.根据权利要求8所述的方法，其中所述用于放置所述电极的位置由在与所述目标组织对应的位置处将偶极子添加到所述复合模型并且选择可归因于所述偶极子的电势在其为最大的外部位置来确定。

12.根据权利要求1所述的方法，其中所述用于放置所述电极的位置由计算用于放置将提供所述目标组织中的所述电场的最大强度的所述电极的位置来确定。

13.根据权利要求1所述的方法，其中所述生成的电导率或电阻率的3D图具有高于1mm×1mm×1mm的分辨率。

14.根据权利要求1所述的方法，其中所述生成的电导率或电阻率的3D图包括表示所述解剖体积的几何物体。

15.根据权利要求1所述的方法，其中所述生成的电导率或电阻率的3D图包括基于分数各向异性对每个体积元素进行组织类型分类。

16.根据权利要求1所述的方法，其中所述生成的电导率或电阻率的3D图包括基于平均导电率对每个体积元素进行组织类型分类。

17.根据权利要求1所述的方法，其中所述生成的电导率或电阻率的3D图包括与特定的各向同性参考值相匹配的导电率张量的特征值的几何平均值。

18.根据权利要求1所述的方法，其中所述用于放置所述电极的位置由在与所述目标组织对应的位置处添加偶极子并且选择可归因于所述偶极子的电势在其为最大的外部位置来确定。

19.根据权利要求1所述的方法，其中所述解剖体积包括所述对象的胸部。

20.根据权利要求1所述的方法，其中所述解剖体积包括所述对象的腹部。

Images