CN113440249B - 电极针消融数据的确定方法、装置、电子设备和存储介质 - Google Patents

电极针消融数据的确定方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113440249B
CN113440249B CN202110901410.3A CN202110901410A CN113440249B CN 113440249 B CN113440249 B CN 113440249B CN 202110901410 A CN202110901410 A CN 202110901410A CN 113440249 B CN113440249 B CN 113440249B
Authority
CN
China
Prior art keywords
electrode needle
parameter values
ablation
target parameter
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110901410.3A
Other languages
English (en)
Other versions
CN113440249A (zh
Inventor
罗中宝
赵宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ruidao Medical Technology Co ltd
Original Assignee
Shanghai Remedicine Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Remedicine Co ltd filed Critical Shanghai Remedicine Co ltd
Priority to CN202110901410.3A priority Critical patent/CN113440249B/zh
Publication of CN113440249A publication Critical patent/CN113440249A/zh
Application granted granted Critical
Publication of CN113440249B publication Critical patent/CN113440249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B18/1402—Probes for open surgery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00547—Prostate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B2018/1405—Electrodes having a specific shape
    • A61B2018/1425—Needle

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Otolaryngology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Plasma & Fusion (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Surgical Instruments (AREA)

Abstract

一种电极针消融数据的确定方法、电极针消融数据的确定装置、电子设备和计算机可读存储介质。该电极针消融数据的确定装置包括获取模块、第一确定模块和第二确定模块，获取模块配置为获取待消融区域和目标函数，目标函数的值与待消融区域和预测消融区域的重合程度相关，预测消融区域基于M个电极针组得到且与M个电极针组的目标参数值相关，M个电极针组包括N个电极针；第一确定模块配置为基于预定的最优化算法确定使目标函数的值为最优值的一组优选目标参数值，最优值为目标函数的最大值或最小值；第二确定模块配置为基于优选目标参数值确定针对N个电极针的消融数据。该装置可以根据病灶具体情况做到定制化精细化，可以达到更好的消融效果。

Description

电极针消融数据的确定方法、装置、电子设备和存储介质
技术领域
本公开的实施例涉及一种电极针消融数据的确定方法、装置、电子设备和计算机可读存储介质。
背景技术
电极针能够消融生物组织，例如可以用于对癌细胞等有害组织实施消融。为了最大限度地确保对有害组织的消融效果以及减少对正常组织的消融与损伤，在利用电极针实时消融前需要设定电极针的布针方案和消融参数等。
发明内容
本公开至少一个实施例提供一种电极针消融数据的确定装置，包括：获取模块，配置为获取待消融区域和目标函数，所述目标函数的值与所述待消融区域和预测消融区域的重合程度相关，所述预测消融区域基于M个电极针组得到，且与所述M个电极针组的目标参数值相关，所述M个电极针组包括N个电极针；第一确定模块，配置为基于预定的最优化算法，确定使所述目标函数的值为最优值的一组优选目标参数值，所述最优值为所述目标函数的最大值或最小值；以及第二确定模块，配置为基于所述优选目标参数值，确定针对所述N个电极针的消融数据，M为大于0的整数，N为大于1的整数。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述第一确定模块包括：获取子模块，配置为获得关于所述M个电极针组的E组目标参数值；第一确定子模块，配置为基于所述E组目标参数值，执行预测消融区域的操作，以确定所述E组目标参数值各自对应的预测消融区域；第二确定子模块，配置为基于所述预测消融区域和所述待消融区域，执行计算目标函数值的操作，以确定所述E组目标参数值各自对应的目标函数值；变换子模块，配置为基于所述E组目标参数值，执行变换参数值的操作，以得到变换后的E组目标参数值，并返回所述第一确定子模块重复多次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的操作，以得到使所述目标函数的值为最优值的一组优选目标参数值，E为大于1的整数。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述预定的最优化算法包括遗传算法；所述变换子模块进一步被配置为：将所述E组目标参数值中的F组目标参数值进行分组，得到G对参数值组，并剩余未进行分组的(E-F)组目标参数值，每对参数值组包括两组目标参数值，每组目标参数值以编码形式表示；将每对所述参数值组中的两组目标参数值的部分编码片段进行交换，以得到初次变换后的F组目标参数值；针对所述初次变换后的F组目标参数值中的H组目标参数值，改变所述H组目标参数值中每组目标参数值的至少部分编码片段，以得到二次变换后的F组目标参数值；将所述二次变换后的F组目标参数值以及所述剩余的(E-F)组目标参数值作为所述变换后的E组目标参数值，F为大于1且小于等于E的偶数，G＝F/2，H为大于0且小于等于F的整数。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述目标函数的最优值为所述目标函数的最大值；所述第一确定模块还包括终止子模块，所述终止子模块配置为：若在连续T次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的过程中，所述目标函数值的变化量维持在第一阈值范围内，则将使所述目标函数具有最大值的一组目标参数值作为所述优选目标参数值，T为大于1的整数。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述目标参数值包括消融参数的值和/或所述N个电极针的位置坐标，所述消融参数包括施加在所述M个电极针组上的电压；所述消融数据包括消融参数的值和/或所述N个电极针的位置坐标。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述E组目标参数值包括第一组目标参数值，所述第一组目标参数值为所述E组目标参数值中的任意一组目标参数值；所述第一确定子模块包括：消融子区域确定单元，配置为基于所述第一组目标参数值，确定所述M个电极针组各自的子预测消融区域；消融区域确定单元，配置为对所述M个电极针组各自的子预测消融区域进行合并处理，以得到所述M个电极针组的预测消融区域，将所述M个电极针组的预测消融区域作为所述第一组目标参数值对应的预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述消融子区域确定单元进一步配置为：基于所述第一组目标参数值中的位置坐标，确定每个所述电极针组涉及的两个电极针的距离是否位于预定距离范围；将距离位于所述预定距离范围内的电极针组作为启用的电极针组，并将距离不位于所述预定距离范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述消融子区域确定单元进一步配置为：基于所述第一组目标参数值中的电压，确定每个所述电极针组的电压是否位于预定电压范围；将电压位于所述预定电压范围内的电极针组作为启用的电极针组，并将电压不位于所述预定电压范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述目标参数值还包括与所述M个电极针组分别对应的标记参数值，所述标记参数值用于表征对应的电极针组是否启用；所述消融子区域确定单元进一步配置为：基于第一组目标参数值中的标记参数值，确定每个所述电极针组是否启用；针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述目标函数包括初始适应度函数，所述初始适应度函数包括以下函数中的一种：
Figure BDA0003200020820000031
式中，A为初始适应度，P2为所述待消融区域与所述预测消融区域重合的部分，P1为所述待消融区域中未与所述预测消融区域重合的部分，P3为所述预测消融区域中未与所述待消融区域重合的部分，k1和k2为常数。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述目标函数还包括第一修正因子，所述第一修正因子用于对所述初始适应度进行修正，在P1大于0的情况下，所述第一修正因子随着P1增大而减小；在P1等于0的情况下，所述第一修正因子为1。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述目标函数还包括第二修正因子，所述第二修正因子用于对所述初始适应度进行修正，所述第二修正因子随着所述M个电极针组中启用的针组数量的增大而减小。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述第二确定模块包括：第三确定子模块，配置为确定与所述优选目标参数值对应的预测消融区域；第四确定子模块，配置为确定所述待消融区域中是否存在未与所述预测消融区域重合的部分，如存在，则将所述待消融区域中未与所述预测消融区域重合的部分作为待消融子区域，并从所述M个电极针组中确定与所述待消融子区域满足预定位置关系的一个或多个电极针组作为待调整电极针组；调整子模块，对所述待调整电极针组对应的目标参数值进行调整，以减小或清除所述待消融子区域的面积，并将调整后的所述优选目标参数值作为所述N个电极针的消融数据。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述调整子模块进一步配置为：调大施加在所述待调整电极针组上的电压，以减小或清除所述待消融子区域的面积。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述第二确定模块包括：第五确定子模块，配置为基于所述优选目标参数值，确定所述M个电极针组各自的子预测消融区域；第六确定子模块，配置为基于所述M个电极针组各自的子预测消融区域，确定所述M个电极针组中是否存在无效电极针组，若是，则从所述优选目标参数值中去除与所述无效电极针组对应的目标参数值，并将所述优选目标参数值中剩余的有效电极针组对应的目标参数值作为所述N个电极针的消融数据。
例如，在本公开一实施例提供的电极针消融数据的确定装置中，所述M个电极针组包括第一电极针组，所述第一电极针组为所述M个电极针组中的任意一个电极针组；所述第六确定子模块进一步配置为：忽略所述第一电极针组，确定剩余电极针组的子预测消融区域合并得到的区域；确定所述合并得到的区域是否覆盖所述待消融区域；若是，则将所述第一电极针组作为所述无效电极针组。
本公开至少一个实施例提供一种电极针消融数据的确定方法，包括：获取待消融区域和目标函数，所述目标函数的值与所述待消融区域和预测消融区域的重合程度相关，所述预测消融区域基于M个电极针组得到，且与所述M个电极针组的目标参数值相关，所述M个电极针组包括N个电极针；基于预定的最优化算法，确定使所述目标函数的值为最优值的一组优选目标参数值，所述最优值为所述目标函数的最大值或最小值；以及基于所述优选目标参数值，确定针对所述N个电极针的消融数据，M为大于0的整数，N为大于1的整数。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，基于预定的最优化算法，确定使所述目标函数的值为最优值的一组优选目标参数值，包括：获得关于所述M个电极针组的E组目标参数值；基于所述E组目标参数值，执行预测消融区域的操作，以确定所述E组目标参数值各自对应的预测消融区域；基于所述预测消融区域和所述待消融区域，执行计算目标函数值的操作，以确定所述E组目标参数值各自对应的目标函数值；基于所述E组目标参数值，执行变换参数值的操作，以得到变换后的E组目标参数值，并重复多次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的操作，以得到使所述目标函数的值为最优值的一组优选目标参数值，E为大于1的整数。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述预定的最优化算法包括遗传算法；基于所述E组目标参数值，执行变换参数值的操作，以得到变换后的E组目标参数值，包括：将所述E组目标参数值中的F组目标参数值进行分组，得到G对参数值组，并剩余未进行分组的(E-F)组目标参数值，每对参数值组包括两组目标参数值，每组目标参数值以编码形式表示；将每对所述参数值组中的两组目标参数值的部分编码片段进行交换，以得到初次变换后的F组目标参数值；针对所述初次变换后的F组目标参数值中的H组目标参数值，改变所述H组目标参数值中每组目标参数值的至少部分编码片段，以得到二次变换后的F组目标参数值；将所述二次变换后的F组目标参数值以及所述剩余的(E-F)组目标参数值作为所述变换后的E组目标参数值，F为大于1且小于等于E的偶数，G＝F/2，H为大于0且小于等于F的整数。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述目标函数的最优值为所述目标函数的最大值；重复多次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的操作，以得到使所述目标函数的值为最优值的一组优选目标参数值，包括：若在连续T次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的过程中，所述目标函数值的变化量维持在第一阈值范围内，则将使所述目标函数具有最大值的一组目标参数值作为所述优选目标参数值，T为大于1的整数。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述目标参数值包括消融参数的值和/或所述N个电极针的位置坐标，所述消融参数包括施加在所述M个电极针组上的电压；所述消融数据包括消融参数的值和/或所述N个电极针的位置坐标。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述E组目标参数值包括第一组目标参数值，所述第一组目标参数值为所述E组目标参数值中的任意一组目标参数值；基于所述E组目标参数值，执行预测消融区域的操作，以确定所述E组目标参数值各自对应的预测消融区域，包括：基于所述第一组目标参数值，确定所述M个电极针组各自的子预测消融区域；对所述M个电极针组各自的子预测消融区域进行合并处理，以得到所述M个电极针组的预测消融区域，将所述M个电极针组的预测消融区域作为所述第一组目标参数值对应的预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，基于所述第一组目标参数值，确定所述M个电极针组各自的子预测消融区域，包括：基于所述第一组目标参数值中的位置坐标，确定每个所述电极针组涉及的两个电极针的距离是否位于预定距离范围；将距离位于所述预定距离范围内的电极针组作为启用的电极针组，并将距离不位于所述预定距离范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，基于所述第一组目标参数值，确定所述M个电极针组各自的子预测消融区域，还包括：基于所述第一组目标参数值中的电压，确定每个所述电极针组的电压是否位于预定电压范围；将电压位于所述预定电压范围内的电极针组作为启用的电极针组，并将电压不位于所述预定电压范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述目标参数值还包括与所述M个电极针组分别对应的标记参数值，所述标记参数值用于表征对应的电极针组是否启用；基于所述第一组目标参数值，确定所述M个电极针组各自的子预测消融区域，还包括：基于第一组目标参数值中的标记参数值，确定每个所述电极针组是否启用；针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述目标函数包括初始适应度函数，所述初始适应度函数包括以下函数中的一种：
Figure BDA0003200020820000061
式中，A为初始适应度，P2为所述待消融区域与所述预测消融区域重合的部分，P1为所述待消融区域中未与所述预测消融区域重合的部分，P3为所述预测消融区域中未与所述待消融区域重合的部分，k1和k2为常数。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述目标函数还包括第一修正因子，所述第一修正因子用于对所述初始适应度进行修正，在P1大于0的情况下，所述第一修正因子随着P1增大而减小；在P1等于0的情况下，所述第一修正因子为1。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述目标函数还包括第二修正因子，所述第二修正因子用于对所述初始适应度进行修正，所述第二修正因子随着所述M个电极针组中启用的针组数量的增大而减小。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，基于所述优选目标参数值，确定针对所述N个电极针的消融数据，包括：确定与所述优选目标参数值对应的预测消融区域；确定所述待消融区域中是否存在未与所述预测消融区域重合的部分；如存在，则将所述待消融区域中未与所述预测消融区域重合的部分作为待消融子区域，并从所述M个电极针组中确定与所述待消融子区域满足预定位置关系的一个或多个电极针组作为待调整电极针组；对所述待调整电极针组对应的目标参数值进行调整，以减小或清除所述待消融子区域的面积，并将调整后的所述优选目标参数值作为所述N个电极针的消融数据。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，对所述待调整电极针组对应的目标参数值进行调整，以减小所述待消融子区域的面积，包括：调大施加在所述待调整电极针组上的电压，以减小或清除所述待消融子区域的面积。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，基于所述优选目标参数值，确定针对所述N个电极针的消融数据，包括：基于所述优选目标参数值，确定所述M个电极针组各自的子预测消融区域；基于所述M个电极针组各自的子预测消融区域，确定所述M个电极针组中是否存在无效电极针组；若是，则从所述优选目标参数值中去除与所述无效电极针组对应的目标参数值，并将所述优选目标参数值中剩余的有效电极针组对应的目标参数值作为所述N个电极针的消融数据。
例如，在本公开一实施例提供的电极针消融数据的确定方法中，所述M个电极针组包括第一电极针组，所述第一电极针组为所述M个电极针组中的任意一个电极针组；基于所述M个电极针组各自的子预测消融区域，确定所述M个电极针组中是否存在无效电极针组，包括：忽略所述第一电极针组，确定剩余电极针组的子预测消融区域合并得到的区域；确定所述合并得到的区域是否覆盖所述待消融区域；若是，则将所述第一电极针组作为所述无效电极针组。
本公开至少一个实施例提供一种电子设备，包括处理器；存储器，包括一个或多个计算机程序模块；其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现本公开任一实施例提供的电极针消融数据的确定方法的指令。
本公开至少一个实施例提供一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时可以实现本公开任一实施例提供的电极针消融数据的确定方法。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1示出了本公开至少一实施例提供的一种电极针消融数据的确定方法的流程图；
图2示出了本公开至少一实施例提供的待消融区域的示意图；
图3示出了本公开至少一实施例提供的电极针组的示意图；
图4示出了本公开至少一实施例提供的待消融区域和预测消融区域的重合关系的示意图；
图5示出了本公开至少一实施例提供的确定优选目标参数值的方法的流程图；
图6示出了本公开至少一实施例提供的一组目标参数的示意图；
图7示出了本公开至少一实施例提供的电极针坐标取值范围的示意图；
图8A示出了本公开至少一实施例提供的一种子消融区域的示意图；
图8B示出了本公开至少一实施例提供的另一种子消融区域的示意图；
图9A示出了本公开至少一实施例提供的多个子预测消融区域的示意图；
图9B示出了本公开至少一实施例提供的消融区域的示意图；
图10示出了本公开至少一实施例提供的另一种确定优选目标参数值的方法的流程图；
图11示出了本公开至少一实施例提供的另一种参数序列的示意图；
图12示出了本公开至少一实施例提供的第一修正因子的变化曲线的示意图；
图13示出了本公开至少一实施例提供的第二修正因子的变化曲线的示意图；
图14示出了本公开至少一实施例提供的优选目标参数值对应的预测消融区域的示意图；
图15示出了本公开至少一实施例提供的另一优选目标参数值对应的预测消融区域的示意图；
图16示出了本公开至少一实施例提供的另一优选目标参数值对应的预测消融区域的示意图；
图17示出了本公开至少一实施例提供的待消融区域与优选目标参数值对应的预测消融区域的示意图；
图18示出了本公开至少一个实施例提供的一种电极针消融数据的确定装置的示意框图；
图19为本公开一些实施例提供的一种电子设备的示意框图；
图20为本公开一些实施例提供的另一种电子设备的示意框图；以及
图21为本公开一些实施例提供的一种存储介质的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
传统的布针方案通常有两种：一种可以采用环绕中心式布针方案，主要适用于较大病灶，例如，病灶中心布一根电极针，然后围绕这根电极针布置多根电极针，例如3-4根电极针，这3-4根外围的电极针可以设置在病灶边缘附近；另一种采用填充式布针方案，主要适用于较小病灶或条形病灶，填充式布针方案可以是紧贴病灶将电极针均布在病灶区域内。在布针完成之后，消融设备基于消融参数生成消融脉冲，并对病灶组织实施消融。
然而，目前布针点的设置和消融参数的设定主要是依靠研究人员的经验，布针点的位置存在不确定性，消融参数的设定也仅从有限的几个数值中选取，因此，当前的消融不能基于病灶具体情况做到定制化、精细化，导致消融效果不理想。
本公开至少一个实施例提供一种电极针消融数据的确定方法、电极针消融数据的确定装置、电子设备和计算机可读存储介质。
根据本公开至少一个实施例，该电极针消融数据的确定方法包括：获取待消融区域和目标函数，目标函数的值与待消融区域和预测消融区域的重合程度相关，预测消融区域基于M个电极针组得到，且与M个电极针组的目标参数值相关，M个电极针组包括N个电极针；基于预定的最优化算法，确定使目标函数的值为最优值的一组优选目标参数值，最优值为目标函数的最大值或最小值；以及基于优选目标参数值，确定针对N个电极针的消融数据，M为大于0的整数，N为大于1的整数。
根据本公开至少一个实施例，该电极针消融数据的确定装置包括获取模块、第一确定模块和第二确定模块，获取模块配置为获取待消融区域和目标函数，目标函数的值与待消融区域和预测消融区域的重合程度相关，预测消融区域基于M个电极针组得到，且与M个电极针组的目标参数值相关，M个电极针组包括N个电极针；第一确定模块配置为基于预定的最优化算法，确定使目标函数的值为最优值的一组优选目标参数值，最优值为目标函数的最大值或最小值。第二确定模块配置为基于优选目标参数值，确定针对N个电极针的消融数据，M为大于0的整数，N为大于1的整数。
本公开至少一实施例提供的电极针消融数据的确定装置和方法，可以根据具体的病灶区域优选出一组目标参数值，根据该组优选目标参数值确定的消融数据能够对病灶区域实现最大限度的消融，即可以根据病灶具体情况做到定制化、精细化，能够达到更好的消融效果。
下面结合附图对本公开的实施例进行详细的介绍。
图1示出了本公开至少一实施例提供的一种电极针消融数据的确定方法的流程图。
如图1所示，该方法可以包括步骤S110～S130。
步骤S110：获取待消融区域和目标函数，目标函数的值与待消融区域和预测消融区域的重合程度相关，预测消融区域基于M个电极针组得到，且与M个电极针组的目标参数值相关，M个电极针组包括N个电极针。
步骤S120：基于预定的最优化算法，确定使目标函数的值为最优值的一组优选目标参数值，最优值为目标函数的最大值或最小值。
步骤S130：基于优选目标参数值，确定针对N个电极针的消融数据。
图2示出了本公开至少一实施例提供的待消融区域的示意图，如图2所示，待消融区域可以是指病灶区域201。可以预先对消融对象(例如人)的病灶部位(例如肿瘤所在的部位)拍摄MRI(Magnetic Resonance Imaging，磁共振成像)影像，并基于MPI影像，通过人工标记或算法标记的方式获得病灶区范围的图片。此外，还可以基于病灶区域建立坐标系，并获得病灶区的边界线的坐标，以利用边界线的坐标来表示病灶区的范围。图2所示的待消融区域的形状仅为示例，不同的病灶可能会呈现不同的形状，本公开对此不做限制。
针对步骤S110，例如，M可以为大于0的整数，N可以为大于1的整数。可以预先根据需要确定用于消融的电极针的个数N，例如可以针对病灶大小及形状来判断需要多少根电极针，可以凭经验基于病灶大小来确定施针数量，也可以基于其他现有的方案来确定施针数量，本公开实施例对判断针数量的方法不做限定。
例如，每个电极针组可以包括两个电极针，N个电极针可以最多组成N*(N-1)/2个电极针组，M小于或等于N*(N-1)/2，以下的一些实施例中以M等于N*(N-1)/2为例进行说明。
图3示出了本公开至少一实施例提供的电极针组的示意图，如图3所示，可以采用4个电极针(电极针A1、A2、A3和A4)进行病灶的消融工作，这4个电极针可以最多组成6个电极针组(电极针组A1-A2、A1-A3、A1-A4、A2-A3、A2-A4和A3-A4)。
例如，目标参数值可以包括消融参数的值和/或N个电极针的位置坐标，消融参数可以包括施加在M个电极针组上的电压(例如脉冲电压)。例如，可以对M个电极针组分别施加电压等消融能量，每个电极针组上施加的电压值可以相同或不同。每个电极针组可以形成一个子预测消融区域，子预测消融区域的形状和大小可以由施加在电极针组上的电压值等消融参数值以及电极针组中的两个电极针的位置参数确定。M个电极针组整体的消融区域可以由M个电极针组各自的子预测消融区域合并而得到。在一些实施例中，消融参数还可以包括在电极针上施加的脉冲电压的脉冲个数和脉冲宽度等参数，在实际应用过程中，可视具体情况而采用不同的消融参数，本公开实施例对此不做限制。
图4示出了本公开至少一实施例提供的待消融区域和预测消融区域的重合关系的示意图，如图4所示，圆形区域401例如表示待消融区域，圆形区域402例如表示预测消融区域。圆形区域401和圆形区域402重叠的区域P2可以表示待消融区域和预测消融区域重叠的部分，即能够被消融的病灶区。圆形401中除区域P2之外的部分P1可以表示待消融区域中未被预测消融区域覆盖的部分，即不能被消融的病灶区。圆形402中除区域P2之外的部分P3可以表示预测消融区域中超出待消融区域的部分，即被消融的正常组织。需要说明的是图4所示的待消融区域和预测消融区域的形状仅是为了便于说明而绘制的，并不代表真实的区域形状。
例如，目标函数的值与待消融区域和预测消融区域的重合程度相关，例如，在一些示例中，目标函数的值可以随着区域P2的增大而增大，即随着待消融区域和预测消融区域的重叠部分占比越大，目标函数的值也越大；在另一些示例中，目标函数的值可以随着区域P2的增大而减小，即随着待消融区域和预测消融区域的重叠部分占比越大，目标函数的值越小。在以下的一些实施例中，以目标函数的值可以随着区域P2的增大而增大为例进行说明。
针对步骤S120，例如，利用最优化算法，可以多次变换M个电极针组的目标参数值，例如可以多次变换N个电极针的坐标值以及施加在M个电极针组的电压值等参数。随着目标参数值的变化，M个电极针的预测消融区域的形状和大小也会发生变化，而待消融区域的形状和大小是固定的，因而预测消融区域与待消融区域的重叠部分P2也会随着目标参数值的变化而变化。在目标参数值不断变化过程中，利用最优化算法，可以找出一组使预测消融区域与待消融区域的重叠部分P2占比最大的目标参数值。
例如，在一些实施例中，目标函数的值随着区域P2的增大而增大，在这种情况下，可以利用最优化算法找出目标函数的最大值，使目标函数具有最大值的一组目标参数值即为优选目标参数值。在另一些实施例中，目标函数的值随着区域P2的增大而减小，在这种情况下，可以利用最优化算法找出目标函数的最小值，使目标函数具有最小值的一组目标参数值即为优选目标参数值。
例如，消融数据包括消融参数的值和/或N个电极针的位置坐标。针对步骤S130，例如，在一些示例中，可以将步骤S120优选得到的一组目标参数值直接作为电极针的消融数据，即将优选的一组目标参数值中的N个电极针的坐标值和施加在M个电极针组上的电压值等参数值作为电极针消融数据，并依据该消融数据对病灶进行消融。在另一些示例中，可以对优选目标参数值进行进一步的优化，将优化后的优选目标参数值中的坐标值和电压值等参数值作为电极针消融数据，并依据该消融数据对病灶进行消融。例如，可以依据消融数据得到包括布针方案、消融参数在内的消融策略，以对病灶进行消融。
根据本公开实施例的电极针消融数据的确定方法，可以根据具体的病灶区域优选出一组目标参数值，根据该组优选目标参数值确定的消融数据能够对病灶区域实现最大限度的消融，即可以根据病灶具体情况做到定制化、精细化，能够达到更好的消融效果。
图5示出了本公开至少一实施例提供的确定优选目标参数值的方法的流程图。也就是说，图5为图1所示的步骤S120的一个示例的流程图。如图5所示，例如，步骤S120中的基于预定的最优化算法，确定使目标函数的值为最优值的一组优选目标参数值可以包括步骤S121～S124。
步骤S121：获得关于M个电极针组的E组目标参数值。
步骤S122：基于E组目标参数值，执行预测消融区域的操作，以确定E组目标参数值各自对应的预测消融区域。
步骤S123：基于预测消融区域和待消融区域，执行计算目标函数值的操作，以确定E组目标参数值各自对应的目标函数值。
步骤S124：基于E组目标参数值，执行变换参数值的操作，以得到变换后的E组目标参数值。
重复多次执行预测消融区域的操作(步骤S122)、计算目标函数值的操作(步骤S123)以及变换参数值的操作(步骤S124)，以得到使目标函数的值为最优值的一组优选目标参数值。
例如，E为大于1的整数。在步骤S121中，可以设置多组(例如E＝100)初始的目标参数值，以目标参数值包括电极针的坐标值和电压值为例，每组初始的目标参数值包括N个电极针的坐标值和M个电极针组各自的电压值。
图6示出了本公开至少一实施例提供的一组目标参数的示意图。如图6所示，针对每组目标参数值，可以按照一定顺序将一组目标参数值排列为一个参数序列(在以下描述中，一个参数序列表示一组目标参数值)。例如，可以将N个电极针各自的x坐标(x1,x2,x3,…,xn)形成为参数序列的第一部分，将N个电极针各自的y坐标(y1,y2,y3,…,yn)形成为参数序列的第二部分，将M个电极针各自的电压(U1,U2,U3,…,Um)形成为参数序列的第三部分。
例如，在一个示例中，可以采用4个电极针(电极针A1、A2、A3和A4)组成6个电极针组(电极针组A1-A2、A1-A3、A1-A4、A2-A3、A2-A4和A3-A4)。例如，在初始的一组目标参数值中，电极针A1坐标为(2,2)，电极针A2坐标为(3,2)，电极针A3坐标为(2,1)，电极针A4坐标为(4,1)，并且6个电极针组的电压值(单位为伏特(V))分别为200、500、750、1000、1500和2000，则该组目标参数值可以表示为如下参数序列(2,3,2,4,2,2,1,1,200,500,750,1000,1500,2000)。例如，在步骤S121中，针对初始的E组目标参数值(E个参数序列)中的各个目标参数，可以按照如下方式取值。
图7示出了本公开至少一实施例提供的电极针坐标取值范围的示意图。如图7所示，可以对病灶图像进行处理，得到病灶区域201的包围框701，将包围框701所限定的范围作为N个电极针的坐标取值范围。在步骤S121中，在该包围框701内选取E组坐标，每组坐标包括分别对应N个电极针的N个坐标。在包围框701内取值时可以随机取值或者按照一定的取值方式选取，本公开的实施例对此不做限制。
例如，电压的取值范围是Umin～Umax，Umax为电压上限，Umin电压下限。Umin例如为0V或者500V，Umax例如为5000V。在步骤S121中，在该取值范围内选取E组电压值，每组电压值包括分别对应M个电极针组的M个电压值。在Umin～Umax内取值时可以随机取值或者按照一定的取值方式选取，本公开的实施例对此不做限制。
例如，除了电极针的坐标值和电压值之外，目标参数值还可以包括其他参数值，例如脉冲个数、脉冲宽度等，针对其他参数也可以预设一个取值范围，并在该范围内随机取值或者按照一定的取值方式选取。
例如，每组目标参数值可以以编码形式表示，例如可以将每个参数序列中的各个目标参数值转化为二进制编码，以二进制编码的形式来表示各个目标参数值。
例如，在步骤S122中，获得E个初始的参数序列分别对应的预测消融区域，即预测在目标参数值的E种取值下，M个电极针组(N个电极针)分别形成的消融区域。
例如，E组目标参数值包括第一组目标参数值，第一组目标参数值为E组目标参数值中的任意一组目标参数值，以下以该第一组目标参数值(以下也称为第一参数序列)为例说明步骤S122的确定预测消融区域的方法。
步骤S122可以包括：基于第一组目标参数值，确定M个电极针组各自的子预测消融区域，并对M个电极针组各自的子预测消融区域进行合并处理，以得到M个电极针组的预测消融区域，将M个电极针组的预测消融区域作为第一组目标参数值对应的预测消融区域。
图8A示出了本公开至少一实施例提供的一种子消融区域的示意图；图8B示出了本公开至少一实施例提供的另一种子消融区域的示意图。
如图3、图8A和图8B所示，以电极针A1和A2组成的电极针组A1-A2的子消融区域为例，随着电极针A1和A2之间的距离变化和/或施加在电极针组A1-A2上的电压等消融参数的变化，电极针组A1-A2的子消融区域的形状和大小也会发生变化。在一种情况下，电极针组A1-A2的子消融区域的边界曲线的形状可以类似于曲线801，曲线801为一种单闭合曲线，即由一个闭合的曲线组成，在这种情况下，电极针A1和A2之间的电场强度比较强和/或电极针A1和A2之间的距离较近，两个电极针A1和A2形成的消融区是连通的。在另一种情况下，电极针组A1-A2的子消融区域的边界曲线的形状可以类似于曲线802，曲线802为一种双闭合曲线，即由两个闭合的曲线8021和8022组成，每个电极针对应一个闭合曲线，两个闭合曲线对称且相互分离，在这种情况下，电极针A1和A2之间的电场强度比较弱和/或电极针A1和A2之间的距离较远，两个电极针A1和A2形成的消融区是不连通的。
例如，第一参数序列限定了N个电极针各自的坐标以及分别施加在M个电极针组上的电压，在这一限定条件下，确定每个电极针组形成的子预测消融区域。每个电极针组形成的子预测消融区域可以采用如下三种方式中的至少一种确定。
例如，在第一种方式中，可以将参数代入到仿真模型中仿真得到。例如，针对一个电极针组，可以将该电极针组的针间距(根据针组中两个电极针的坐标计算得到)、电压、消融场强阈值(因人而异，可以预先对患者进行测试得到)等参数输入仿真模型中，可以仿真得到预测该电极针组对应的消融区域。
例如，在第二种方式中，通过从仿真数据库中查询相应参数对应的消融区几何参数得到。例如，仿真数据库中可以存储有多种参数值分别对应的消融区域的几何参数(例如消融区域的边界线坐标)，针对一个电极针组，可以基于该电极针组的相应参数(例如针间距、电压等)从仿真数据库中查找相同或相似的一组参数，进而可以匹配得到对应的消融区域。
例如，在第三种方式中，可以通过将参数代入到拟合函数中得到对应的消融区几何参数。例如，可以预先拟合关于消融区几何参数(例如消融区域的边界线坐标)与电极针参数(例如针间距、电压等)之间的函数关系式。针对一个电极针组，可以将该电极针组的相应参数(例如针间距、电压等)代入该函数关系式中，即可得到对应的消融区域。
图9A示出了本公开至少一实施例提供的多个子预测消融区域的示意图；图9B示出了本公开至少一实施例提供的消融区域的示意图。
如图3、9A和9B所示，在第一参数序列的限定条件下，可以得到每个电极针组的子预测消融区域，例如电极针组A1-A2的子预测消融区域901、电极针组A3-A4的子预测消融区域902等。将多个电极针组的子预测消融区域进行合并处理，可以得到合并后的区域900，该合并得到的区域900可以作为该第一参数序列对应的预测消融区域。
例如，基于以上确定第一组目标参数值(第一参数序列)对应的预测消融区域的方式，可以得到E组目标参数值(E个参数序列)分别对应的E个预测消融区域。在步骤S123中，可以根据待消融区域和E个预测消融区域分别计算得到E个目标函数值，完成一次迭代。之后，可以基于步骤S124对目标参数值进行变换，得到变换后的E组目标参数值。返回步骤S122以基于变换后的E组目标参数值再次执行步骤S122和步骤S123，得到变换后的E组目标参数值分别对应的E个目标函数值，完成第二次迭代。以此类推，可以执行多次迭代，直至满足终止迭代的条件，终止迭代后，可以从多次迭代获得的多个目标函数值中选取最优(最大或最小)的目标函数值，并将该最优的目标函数值对应的一组目标参数值作为优选的目标参数值。
例如，预定的最优化算法可以为遗传算法。步骤S124中的变换目标参数值的方式可以如下所述：将E组目标参数值中的F组目标参数值进行分组，得到G对参数值组，并剩余初始未进行分组的(E-F)组目标参数值，每对参数值组包括两组目标参数值，每组目标参数值以编码形式表示；将每对参数值组中的两组目标参数值的部分编码片段进行交换，以得到初次变换后的F组目标参数值；针对初次变换后的F组目标参数值中的H组目标参数值，改变H组目标参数值中每组目标参数值的至少部分编码片段，以得到二次变换后的F组目标参数值；将二次变换后的F组目标参数值以及剩余的(E-F)组目标参数值作为变换后的E组目标参数值，F为大于1且小于等于E的偶数，G＝F/2，H为大于0且小于等于F的整数。
例如，每次迭代过程中，在基于步骤S123得到E个参数序列(即E组目标参数值)分别对应的E个目标函数值之后，可以将E个目标函数值由大到小进行排序，并从中选取最优(最大或最小)的若干个(E-F组，例如一个或两个)参数序列，例如在目标函数值随着待消融区域和预测消融区域的重叠部分的增大而增大的情况下，可以从排序中选取数值较大的若干个目标函数值。可以使该若干个最优的目标函数值分别对应的若干个参数序列不参与变换而直接进入下一次迭代，并变换剩余的F个参数序列。例如，在E为奇数的情况下，可以从中选取奇数个参数序列直接进入下一次迭代，例如E＝101，可以使最大的一个目标函数值对应的一个参数序列直接进入下一次迭代，剩余的100个参数序列进行变换得到新的100个参数序列，新的100个参数序列也进入下一次迭代。例如，在E为偶数的情况下，可以从中选取偶数个参数序列直接进入下一次迭代，例如E＝100，可以使最大的两个目标函数值对应的两个参数序列直接进入下一次迭代，剩余的98个参数序列进行变换得到新的98个参数序列，新的98个参数序列也进入下一次迭代。基于这一方式，可以使每次迭代过程中选出的最优的若干个参数序列能够进入下一次迭代，可以加快迭代速度，并且有助于快速寻找到最终的优选目标参数值。
例如，在进行变换过程中，根据遗传算法，可以执行交叉和变异操作。在交叉操作过程中，可以将参与变换的F个参数序列(即F组目标参数值)两两匹配，得到G个序列对(即G对参数值组，G＝F/2)。针对每个序列对，可以交换序列对中的两个序列的部分编码片段，得到两个初次变换后的序列对，例如，某个序列对中包含参数序列B1和B2，将参数序列B1和B2中的部分编码片段进行交换，得到两个新的参数序列B1`和B2`，参数序列B1`和B2`可以作为两个初次变换后的序列对。针对G个序列对就可以得到F个初次变换后的序列。在变异操作过程中，对该F个初次变换后的序列中的H个参数序列(即H组目标参数值)进行二次变换，改变该H个参数序列中的每个序列的部分编码片段，得到二次变换后的H个参数序列，其余的(F-H)个参数序列维持一次变换后的序列。将该二次变换后的H个参数序列和其余的(F-H)个一次变换后的序列组成上述二次变换后的F个参数序列。基于该二次变换后的F个参数序列和(E-F)个不参与变换的参数序列执行下一次迭代。
如图5所示，可以先重复多次执行步骤S122、步骤S123和步骤S124，在多次迭代之后，在之后的每次迭代过程中在执行步骤S123之后可以先判断当前是否已满足迭代终止条件，若当前尚未满足迭代终止条件，则继续执行步骤S124，并进入下一次迭代；若当前已满足迭代终止条件，则可以根据最新的多次迭代过程来确定一组优选的目标参数值，例如选取最新的多次迭代过程中出现的最大目标函数值对应的一组目标参数值作为优选目标参数值。
例如，目标函数的最优值例如为目标函数的最大值。迭代终止的条件例如为：若在连续T次执行预测消融区域的操作、计算目标函数值的操作以及变换参数值的过程中，目标函数值的变化量维持在第一阈值范围内，则可以终止迭代，并将使目标函数具有最大值的一组目标参数值作为优选目标参数值，T为大于1的整数。
图10示出了本公开至少一实施例提供的另一种确定优选目标参数值的方法的流程图。如图10所示，可以先重复多次(T次以上)执行步骤S122、步骤S123和步骤S124，完成多次迭代，并且在每次迭代过程中从E个目标函数值中选出一个当次最大的目标函数值，T例如为5～20中的数值，例如T＝10。可以在该多次迭代之后的每次迭代过程中，在步骤S123之后先判断最新执行的T次迭代过程中的当次最大目标函数值的变化量是否维持在一定范围(第一阈值范围)内，即T次迭代过程中的当次最大目标函数值的变化量较小，若是，则可以终止迭代，并将T次迭代过程中最大的目标函数值对应的一组目标参数值作为优选目标参数值。在目标函数的值随着重叠区域增大而增大的情况下，当次最大目标函数值的变化趋势通常是随着迭代进程逐渐变大，因此，最后一次迭代获得的当次最大目标函数值可以作为全部迭代过程中的最大目标函数值。第一阈值范围可以根据实际需求而定，本公开实施例对此不做限制。
例如，在一些实施例中，迭代终止条件还可以是迭代次数达到了预定迭代次数。预定迭代次数可以根据实际需求而定，本公开实施例对此不做限制。
例如，在每次迭代过程中，针对每个参数序列，可能有一个或多个电极针组不被启用，对于不启用的电极针组，可以直接将其子预测消融区域设定为0。可以基于以下方式来确定电极针组是否启用。
例如，在一个示例中，可以根据针间距来确定电极针组是否启用。例如，基于第一组目标参数值中的位置坐标，确定每个电极针组涉及的两个电极针的距离是否位于预定距离范围；将距离位于预定距离范围内的电极针组作为启用的电极针组，并将距离不位于预定距离范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定电极针组的子预测消融区域。
例如，以第一参数序列(第一组目标参数值)为例进行说明，在第一参数序列中限定了各个电极针的坐标，因此可以计算得到每个电极针组的针间距，对于针间距超过一定距离范围的电极针组可以将其设定为不启用的电极针组，例如，第一参数序列限定的各个电极针的坐标如图9A所示，电极针组A2-A3由于针间距过大而不启用，其余五个电极针组A1-A2、A1-A3、A1-A4、A2-A4和A3-A4均启用。进而在确定第一参数序列对应的预测消融区域过程中，将电极针组A2-A3的子预测消融区域设定为0，其余五个电极针组的子预测消融区域按照仿真等方式确定得到。预定距离范围可以根据实际需求而定，本公开实施例对此不做限制。基于这一方式，可以提高计算效率，针间距过大的电极针组形成的子预测消融区域可能为无效区域，因此通过不启用针间距过大的电极针组的方式可以提高确定预测消融区域的效率。
例如，考虑到针间距较大的电极针组形成的子预测消融区域也有可能为有效区域，在一些实施例中，也可以启用针间距超过预定距离范围的电极针组。
例如，在另一些示例中，可以根据电压值来确定电极针组是否启用。例如，基于第一组目标参数值中的电压，确定每个电极针组的电压是否位于预定电压范围；将电压位于预定电压范围内的电极针组作为启用的电极针组，并将电压不位于预定电压范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定电极针组的子预测消融区域。
例如，以第一参数序列(第一组目标参数值)为例进行说明，在第一参数序列中限定了各个电极针组的电压值，若某一个电极针组对应的电压值超出了预定电压范围，例如小于预定电压范围的最小值(例如500V)，则可以将该电极针组设定为不启用的电极针组。例如，在第一参数序列中，6个电极针组(电极针组A1-A2、A1-A3、A1-A4、A2-A3、A2-A4和A3-A4)的电压值(单位为：伏特(V))分别为200、500、750、1000、1500和2000，预定电压范围例如为500～5000，则电极针组A1-A2由于电压值不位于预定电压范围中而不被启用，其余五个电极针组A1-A2、A1-A3、A1-A4、A2-A4和A3-A4均启用。在确定第一参数序列对应的预测消融区域过程中，将电极针组A2-A3的子预测消融区域设定为0，其余五个电极针组的子预测消融区域按照仿真等方式确定得到。预定电压范围可以根据实际需求而定，本公开实施例对此不做限制。
例如，在另一些示例中，可以在参数序列中增加标记参数值，并根据标记参数值来确定电极针组是否启用。例如，目标参数值还包括与M个电极针组分别对应的标记参数值，标记参数值用于表征对应的电极针组是否启用。基于第一组目标参数值中的标记参数值，确定每个电极针组是否启用；针对不启用的电极针组，将电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定电极针组的子预测消融区域。
图11示出了本公开至少一实施例提供的另一种参数序列的示意图。如图11所示，参数序列中还可以包括分别对应M个电极针组的M个标记参数值s，M个电极针各自的电压(s1,s2,s3,…,sm)可以形成参数序列的第四部分。标记参数可以有两种取值，例如可以取值为0和1，两种取值分别表示电极针组启用或不启用。例如在第一参数序列中，6个电极针组(电极针组A1-A2、A1-A3、A1-A4、A2-A3、A2-A4和A3-A4)对应的标记参数值分别为1、1、1、0、1和1，则电极针组A2-A3不被启用，其余五个电极针组均启用。在确定第一参数序列对应的预测消融区域过程中，将电极针组A2-A3的子预测消融区域设定为0，其余五个电极针组的子预测消融区域按照仿真等方式确定得到。例如，在初始的E个参数序列中，可以随机设定每个参数序列中的各个s值，随着迭代过程中的参数变换，s的值也会随之发生交换和变异。
基于以上方式，在每次迭代过程中，针对每个参数序列，确定M个电极针组中是否有不启用的电极针组，并将不被启用的电极针组的子预测消融区域设定为0，这样，一方面可以提高算法的计算效率，另一方面可以有助于使用较少的电极针组来实现较好的消融效果。
例如，目标函数包括初始适应度函数，初始适应度函数包括以下函数中的一种：
Figure BDA0003200020820000201
Figure BDA0003200020820000202
Figure BDA0003200020820000203
Figure BDA0003200020820000204
式中，A为初始适应度，其中，初始适应度A的取值范围是[0，1]，越接近于1，遗传概率越大。在一些实施例中，初始适应度值A可以作为目标函数值。P2为待消融区域与预测消融区域重合的部分，P1为待消融区域中未与预测消融区域重合的部分，P3为预测消融区域中未与待消融区域重合的部分，k1和k2为常数，k1和k2为体现对未消融及误消融的接受程度的因子。
例如，若采用式(1)，根据遗传算法，在迭代过程中可以使偏向于使得预测消融区与待消融区域(病灶区)完全一致并且使得P1+P3区域之和较小的参数序列被遗传，也就是说，既要考虑未消融病灶的大小又要考虑对健康组织消融的大小。当A为1时表示，既不遗漏病灶区，也不增加对周围组织的消融。
例如，若采用式(2)，根据遗传算法，在迭代过程中可以使偏向于使得预测消融区与病灶区完全一致并且使得P1区域较小的参数序列被遗传，而不考虑P3区域的影响，也就是说，仅考虑未消融病灶的大小，而不考虑对健康组织消融的大小。
例如，若采用式(3)，根据遗传算法，在迭代过程中可以使偏向于使得预测消融区与病灶区完全一致并且使得P3区域较小的参数序列被遗传，而不考虑P1区域的影响，也就是说，仅考虑对健康组织消融的大小，而不考虑未消融病灶的大小。该方案适用于对非癌细胞病灶的消融术式，例如用于消融前列腺增生组织以治疗前列腺增生疾病。
例如，若采用式(4)，如果需要消融区尽量覆盖病灶区，即P1＝0，则可以取k1为比较大的数，如k1＝100。如果要放宽消融区对周围组织消融的限制以更快找到覆盖病灶区的方案，可以取k2为较小的数，如k2＝0.1。
例如，目标函数还包括第一修正因子，第一修正因子用于对初始适应度进行修正。在P1大于0的情况下，第一修正因子随着P1增大而减小；在P1等于0的情况下，第一修正因子为1。
例如，对于实际的肿瘤治疗需求来说，需要尽可能地消除病灶区，即P1＝0。为了达到这样的效果，除了上面设定k1为较大的值外，也可以额外使适应度函数乘以一个因子F：
A`＝A*F
例如，在一些实施例中，利用第一修正因子F修正后的适应度值A`可以作为目标函数值。F随着P1增大而减小，并且在P1等于0的情况下第一修正因子为1，例如，第一修正因子可表示为：
Figure BDA0003200020820000211
或者
Figure BDA0003200020820000212
例如，α为常数，例如，在一些示例中，α＝50，具体的可根据实际情况设定。
图12示出了本公开至少一实施例提供的第一修正因子的变化曲线的示意图。如图12所示，当P1＝0时，P2/(P1+P2)＝1，即F＝1，A`＝A，对适应度不作修正。当P1>0的情况下，随着P1增大，P2/(P1+P2)减小，即F减小，例如F可以呈指数倍减小并趋近于0，进而使适应度A`也趋于零。在遗传迭代过程中，该第一修正因子可以使P1>0情况会逐渐被淘汰，也就是说，在迭代过程中偏向使得P1＝0的参数序列被遗传，而偏向使得P1>0的参数序列被淘汰。使最终选出来的一组优选目标参数尽可能避免出现P1>0的情况。
例如，目标函数还包括第二修正因子，第二修正因子用于对初始适应度进行修正。第二修正因子随着M个电极针组中启用的针组数量的增大而减小。
例如，为了使得启用较少针组的个体特征被遗传到下一代个体中，可以增设一个第二修正因子G，使得优化偏向于选择针组数较少的方案，从而尽量避免使用较多的针组。例如，使适应度函数乘以一个因子G：
A``＝A*G
或者，可以在第一修正因子F的基础上进一步增加第二修正因子G：
A``＝A*F*G
例如，在一些实施例中，修正后的适应度值A``可以作为目标函数值。G随着启用的针组数量的增大而减小，例如，第二修正因子G可表示为：
Figure BDA0003200020820000221
式中，Ntotal为总针组数，Nused为启用的针组数，K为常数，K的取值范围为(0，1)，例如K＝0.8。
图13示出了本公开至少一实施例提供的第二修正因子的变化曲线的示意图。如图13所示，启用的电极针组越多，Nused/Ntotal越大，第二修正因子G越小并趋近于0。在遗传迭代过程中，该第二修正因子使偏向使得使用较少电极针组的参数序列被遗传，而偏向使得使用电极针组的参数序列被淘汰，从而可以使用较少的电极针组也能够达到较好的消融效果。
例如，在基于步骤S120得到一组优选的目标参数值之后，在步骤S130中，可以直接将优选的目标参数值作为消融数据，也可以对优选目标参数值进行进一步的优化调整，将优化调整后的目标参数值作为消融数据，具体可视实际情况，本公开的实施例对此不作限制。
例如，步骤S120优选出来的一组目标参数值对应的区域P1仍然有极小的概率大于0，因此，为了实现对病灶的完全覆盖，可以使步骤S130进一步包括如下操作：确定与优选目标参数值对应的预测消融区域；确定待消融区域中是否存在未与预测消融区域重合的部分；若存在，则将待消融区域中未与预测消融区域重合的部分作为待消融子区域，并从M个电极针组中确定与待消融子区域满足预定位置关系的一个或多个电极针组作为待调整电极针组；对待调整电极针组对应的目标参数值进行调整，以减小或清除待消融子区域的面积，并将调整后的优选目标参数值作为N个电极针的消融数据。
例如，对待调整电极针组对应的目标参数值进行调整，以减小待消融子区域的面积包括：调大施加在待调整电极针组上的电压，以减小或清除待消融子区域的面积。
图14示出了本公开至少一实施例提供的优选目标参数值对应的预测消融区域的示意图。如图14所示，对于步骤S120选出的一个优选参数序列(一组优选目标参数值)，确定其对应的预测消融区域1401是否完全覆盖待消融区域201(即病灶区)，若待消融区域201中仍然存在没有被预测消融区域覆盖的部分区域P1，则可以找出离区域P1距离最近的一个电极针A4，并找到该电极针P4所属的一个电极针组P3-P4，调整该电极针组P3-P4的消融参数，例如增大该电极针组P3-P4上施加的电压值，以使电极针组P3-P4的子消融区域增大，进而使整体的消融区域增大并覆盖区域P1，实现对病灶的完全覆盖。
例如，步骤S130还可以包括：基于优选目标参数值，确定M个电极针组各自的子预测消融区域；基于M个电极针组各自的子预测消融区域，确定M个电极针组中是否存在无效电极针组；若是，则从优选目标参数值中去除与无效电极针组对应的目标参数值，并将优选目标参数值中剩余的有效电极针组对应的目标参数值作为N个电极针的消融数据。
例如，M个电极针组包括第一电极针组，第一电极针组为M个电极针组中的任意一个电极针组。基于M个电极针组各自的子预测消融区域，确定M个电极针组中是否存在无效电极针组包括：忽略第一电极针组，确定剩余电极针组的子预测消融区域合并得到的区域；确定合并得到的区域是否覆盖待消融区域；若是，则将第一电极针组作为无效电极针组。
例如，剩余电极针组可以是剩余的有效电极针组。
图15示出了本公开至少一实施例提供的另一优选目标参数值对应的预测消融区域的示意图。如图15所示，例如，在步骤S120确定的一组优选目标参数值中，限定了4个电极针的坐标如图所示，并且示出了各个电极针组的子预测消融区域，从中可以看出6个电极针组(电极针组A1-A2、A1-A3、A1-A4、A2-A3、A2-A4和A3-A4)中启用了其中的5个电极针组(电极针组A1-A2、A1-A3、A1-A4、A2-A3和A2-A4)。在该5个电极针组中可以进一步看出电极针组A2-A4形成的子预测消融区域对于整体的预测消融区域没有影响，即使不使用电极针组A2-A4，预测消融区域也不会发生变化，因此，可以认为电极针组A2-A4为无效的电极针组。或者，若电极针组A2-A4去除后，剩余的电极针组(电极针组A1-A2、A1-A3、A1-A4和A2-A3)形成的预测消融区域仍能够覆盖待消融区域，则可以认为电极针组A2-A4为无效的电极针组。在确定无效的电极针组后，可以从优选参数序列中去除该无效电极针组的相关参数，或者将该无效电极针组的相关参数设置为0，例如将电压设置为0。基于这一方式，可以去除无效的电极针组，避免产生能量浪费。
例如，在确定M个电极针组中是否存在无效电极针组的过程中，可以针对每个电极针组，确定若该电极针组去除后是否会对整体的预测消融区域产生影响，或者剩余的电极针组形成的预测消融区域仍能够覆盖待消融区域，若是，则可以认为该电极针组为无效的电极针组。
例如，在一些实施例中，上述遗传算法可以简述为包括以下操作：
(1)编码：确定编码方式，将优化参数以该方式组织成多条序列；
(2)初始化种群：根据该编码方式产生预定数量的初始个体，即产生初始的多组序列。(即进行E次编码、产生E条序列，例如E＝100)；
(3)计算适应度：根据适应度函数计算每个个体(每个参数序列)的适应度，以决定遗传到下一代的概率大小；
(4)选择：确定如何从父代群体中按某种方法选取个体，以便遗传到下一代群体。具体的，基于上述概率，随机选择E/2组序列(例如50组)作为下一代种群，每组序列中包括两条序列。
(5)交叉：对于每组序列，使得两个相互配对的染色体按某种方式相互交换其部分基因，从而形成两个新的个体。
(6)变异：对于新的个体，其中有特定比例个体的部分数据发生变异，从而形成新的个体。例如变异个体比例可以为1％，个体中变异长度为2％，即该2％的数据取反。
(7)判断：产生新的m条序列后重复实施计算适应度、选择、交叉和变异的操作，当多次遗传后最大适应度值的变化量在一定范围内，则认为迭代结束。
需要注意的是，该遗传算法还可以包括其他操作，本公开的实施例对此不作限制。
图16示出了本公开至少一实施例提供的另一优选目标参数值对应的预测消融区域的示意图。图17示出了本公开至少一实施例提供的待消融区域与优选目标参数值对应的预测消融区域的示意图。
如图16和图17所示，针对图2所示的待消融区域201，基于本公开实施例的步骤S110～S130，确定得到一个参数序列，根据该参数序列，可以确定用于病灶201的布针方式，可以确定使用的电极针组(例如使用电极针组A1-A2和A1-A4)，以及可以确定每个使用的电极针组(例如电极针组A1-A2和A1-A4)上施加的电压值等消融参数。如图17所示，该参数序列对应的预测消融区域(如图17中的灰色部分所限定的区域)能够完全覆盖待消融区域(如图17中的较灰色区域更浅的灰白色部分所限定的区域)，采用较少的电极针组实现了较好的消融效果。
图18示出了本公开至少一个实施例提供的一种电极针消融数据的确定装置1800的示意框图。
例如，如图18所示，该电极针消融数据的确定装置1800包括获取模块1810、第一确定模块1820和第二确定模块1830。
获取模块1810配置为获取待消融区域和目标函数，例如，目标函数的值与待消融区域和预测消融区域的重合程度相关，预测消融区域基于M个电极针组得到，且与M个电极针组的目标参数值相关，M个电极针组包括N个电极针。获取模块1810例如可以执行图1描述的步骤S110。
第一确定模块1820配置为基于预定的最优化算法，确定使目标函数的值为最优值的一组优选目标参数值，其中，最优值为目标函数的最大值或最小值。第一确定模块1820例如可以执行图1描述的步骤S120。
第二确定模块1830配置为基于优选目标参数值，确定针对N个电极针的消融数据。第二确定模块1830例如可以执行图1描述的步骤S130。
例如，M为大于0的整数，N为大于1的整数。
根据本公开实施例的电极针消融数据的确定装置，可以根据具体的病灶区域优选出一组目标参数值，根据该组优选目标参数值形成的消融数据能够对病灶区域的实现最大限度的消融，即可以根据病灶具体情况做到定制化、精细化，相对于现有技术能够达到更好的消融效果。
例如，获取模块1810、第一确定模块1820和第二确定模块1830可以为硬件、软件、固件以及它们的任意可行的组合。例如，获取模块1810、第一确定模块1820和第二确定模块1830可以为专用或通用的电路、芯片或装置等，也可以为处理器和存储器的结合。关于本公开实施例中的各个模块或单元的具体实现形式，本公开的实施例对此不作限制。
需要说明的是，本公开的实施例中，电极针消融数据的确定装置1800的各个单元与前述的电极针消融数据的确定方法的各个步骤对应，关于电极针消融数据的确定装置1800的具体功能可以参考关于电极针消融数据的确定方法的相关描述，此处不再赘述。图18所示的电极针消融数据的确定装置1800的组件和结构只是示例性的，而非限制性的，根据需要，该电极针消融数据的确定装置1800还可以包括其他组件和结构。
例如，第一确定模块可以包括获取子模块、第一确定子模块、第二确定子模块和变换子模块。获取子模块配置为获得关于M个电极针组的E组目标参数值。第一确定子模块配置为基于E组目标参数值，执行预测消融区域的操作，以确定E组目标参数值各自对应的预测消融区域。第二确定子模块配置为基于预测消融区域和待消融区域，执行计算目标函数值的操作，以确定E组目标参数值各自对应的目标函数值。变换子模块配置为基于E组目标参数值，执行变换参数值的操作，以得到变换后的E组目标参数值，并返回第一确定子模块重复多次执行预测消融区域的操作、计算目标函数值的操作以及变换参数值的操作，以得到使目标函数的值为最优值的一组优选目标参数值。例如，E为大于1的整数。
例如，预定的最优化算法包括遗传算法。变换子模块进一步被配置为：将E组目标参数值中的F组目标参数值进行分组，得到G对参数值组，并剩余初始未进行分组的(E-F)组目标参数值，其中，每对参数值组包括两组目标参数值，每组目标参数值以编码形式表示；将每对参数值组中的两组目标参数值的部分编码片段进行交换，以得到初次变换后的F组目标参数值；针对初次变换后的F组目标参数值中的H组目标参数值，改变H组目标参数值中每组目标参数值的至少部分编码片段，以得到二次变换后的F组目标参数值；将二次变换后的F组目标参数值以及剩余的(E-F)组目标参数值作为变换后的E组目标参数值，其中，F为大于1且小于等于E的偶数，G＝F/2，H为大于0且小于等于F的整数。
例如，目标函数的最优值为目标函数的最大值。第一确定模块还包括终止子模块，终止子模块配置为：若在连续T次执行预测消融区域的操作、计算目标函数值的操作以及变换参数值的过程中，目标函数值的变化量维持在第一阈值范围内，则将使目标函数具有最大值的一组目标参数值作为优选目标参数值，其中，T为大于1的整数。
例如，目标参数值包括消融参数的值和/或N个电极针的位置坐标，其中，消融参数包括施加在M个电极针组上的电压；消融数据包括消融参数的值和/或N个电极针的位置坐标。
例如，E组目标参数值包括第一组目标参数值，第一组目标参数值为E组目标参数值中的任意一组目标参数值。第一确定子模块包括：消融子区域确定单元，配置为基于第一组目标参数值，确定M个电极针组各自的子预测消融区域；消融区域确定单元，配置为对M个电极针组各自的子预测消融区域进行合并处理，以得到M个电极针组的预测消融区域，将M个电极针组的预测消融区域作为第一组目标参数值对应的预测消融区域。
例如，消融子区域确定单元进一步配置为：基于第一组目标参数值中的位置坐标，确定每个电极针组涉及的两个电极针的距离是否位于预定距离范围；将距离位于预定距离范围内的电极针组作为启用的电极针组，并将距离不位于预定距离范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定电极针组的子预测消融区域。
例如，消融子区域确定单元进一步配置为：基于第一组目标参数值中的电压，确定每个电极针组的电压是否位于预定电压范围；将电压位于预定电压范围内的电极针组作为启用的电极针组，并将电压不位于预定电压范围的电极针组作为不启用的电极针组；针对不启用的电极针组，将电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定电极针组的子预测消融区域。
例如，目标参数值还包括与M个电极针组分别对应的标记参数值，标记参数值用于表征对应的电极针组是否启用。消融子区域确定单元进一步配置为：基于第一组目标参数值中的标记参数值，确定每个电极针组是否启用；针对不启用的电极针组，将电极针组的子预测消融区域确定为0；针对启用的电极针组，基于预定方式确定电极针组的子预测消融区域。
例如，目标函数包括初始适应度函数，初始适应度函数包括以下函数中的一种：
Figure BDA0003200020820000271
例如，A为初始适应度，P2为待消融区域与预测消融区域重合的部分，P1为待消融区域中未与预测消融区域重合的部分，P3为预测消融区域中未与待消融区域重合的部分，k1和k2为常数。
例如，目标函数还包括第一修正因子，第一修正因子用于对初始适应度进行修正，其中，在P1大于0的情况下，第一修正因子随着P1增大而减小；在P1等于0的情况下，第一修正因子为1。
例如，目标函数还包括第二修正因子，第二修正因子用于对初始适应度进行修正，其中，第二修正因子随着M个电极针组中启用的针组数量的增大而减小。
例如，第二确定模块包括：第三确定子模块，配置为确定与优选目标参数值对应的预测消融区域；第四确定子模块，配置为确定待消融区域中是否存在未与预测消融区域重合的部分，如存在，则将待消融区域中未与预测消融区域重合的部分作为待消融子区域，并从M个电极针组中确定与待消融子区域满足预定位置关系的一个或多个电极针组作为待调整电极针组；调整子模块，对待调整电极针组对应的目标参数值进行调整，以减小或清除待消融子区域的面积，并将调整后的所述优选目标参数值作为所述N个电极针的消融数据。
例如，调整子模块进一步配置为：调大施加在待调整电极针组上的电压，以减小或清除待消融子区域的面积。
例如，第二确定模块包括：第五确定子模块，配置为基于优选目标参数值，确定M个电极针组各自的子预测消融区域；第六确定子模块，配置为基于M个电极针组各自的子预测消融区域，确定M个电极针组中是否存在无效电极针组，若是，则从优选目标参数值中去除与无效电极针组对应的目标参数值，并将优选目标参数值中剩余的有效电极针组对应的目标参数值作为N个电极针的消融数据。
例如，M个电极针组包括第一电极针组，第一电极针组为M个电极针组中的任意一个电极针组。第六确定子模块进一步配置为：忽略第一电极针组，确定剩余电极针组的子预测消融区域合并得到的区域；确定合并得到的区域是否覆盖待消融区域；若是，则将第一电极针组作为无效电极针组。
例如，上述模块或单元可以为硬件、软件、固件以及它们的任意可行的组合，例如，可以为专用或通用的电路、芯片或装置等，也可以为处理器和存储器的结合。关于本公开实施例中的各个模块或单元的具体实现形式，本公开的实施例对此不作限制。
关于该电极针消融数据的确定装置的描述和技术效果具体可以参考电极针消融数据的确定方法的对应描述和效果，在此不再赘述。
本公开的至少一个实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器包括一个或多个计算机程序模块。一个或多个计算机程序模块被存储在存储器中并被配置为由处理器执行，一个或多个计算机程序模块包括用于实现上述的电极针消融数据的确定方法的指令。该电子设备可以根据具体的病灶区域优选出一组目标参数值，根据该组优选目标参数值形成的消融数据能够对病灶区域的实现最大限度的消融，即可以根据病灶具体情况做到定制化、精细化，相对于现有技术能够达到更好的消融效果。
图19为本公开一些实施例提供的一种电子设备的示意框图。如图19所示，该电子设备1900包括处理器1910和存储器1920。存储器1920用于存储非暂时性计算机可读指令(例如一个或多个计算机程序模块)。处理器1910用于运行非暂时性计算机可读指令，非暂时性计算机可读指令被处理器1910运行时可以执行上文所述的电极针消融数据的确定方法中的一个或多个步骤。存储器1920和处理器1910可以通过总线系统和/或其它形式的连接机构(未示出)互连。
例如，处理器1910可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器1910可以为通用处理器或专用处理器，可以控制电子设备1900中的其它组件以执行期望的功能。
例如，存储器1920可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块，处理器1910可以运行一个或多个计算机程序模块，以实现电子设备1900的各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据以及应用程序使用和/或产生的各种数据等。
需要说明的是，本公开的实施例中，电子设备1900的具体功能和技术效果可以参考上文中关于电极针消融数据的确定方法的描述，此处不再赘述。
图20为本公开一些实施例提供的另一种电子设备的示意框图。该电子设备2000例如适于用来实施本公开实施例提供的电极针消融数据的确定方法。电子设备2000可以是终端设备等。需要注意的是，图20示出的电子设备2000仅仅是一个示例，其不会对本公开实施例的功能和使用范围带来任何限制。
如图20所示，电子设备2000可以包括处理装置(例如中央处理器、图形处理器等)2010，其可以根据存储在只读存储器(ROM)2020中的程序或者从存储装置2080加载到随机访问存储器(RAM)2030中的程序而执行各种适当的动作和处理。在RAM 2030中，还存储有电子设备2000操作所需的各种程序和数据。处理装置2010、ROM 2020以及RAM2030通过总线2040彼此相连。输入/输出(I/O)接口2050也连接至总线2040。
通常，以下装置可以连接至I/O接口2050：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置2060；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置2070；包括例如磁带、硬盘等的存储装置2080；以及通信装置2090。通信装置2090可以允许电子设备2000与其他电子设备进行无线或有线通信以交换数据。虽然图8B示出了具有各种装置的电子设备2000，但应理解的是，并不要求实施或具备所有示出的装置，电子设备2000可以替代地实施或具备更多或更少的装置。
例如，根据本公开的实施例，上述电极针消融数据的确定方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包括用于执行上述电极针消融数据的确定方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置2090从网络上被下载和安装，或者从存储装置2080安装，或者从ROM 2020安装。在该计算机程序被处理装置2010执行时，可以实现本公开实施例提供的电极针消融数据的确定方法中限定的功能。
本公开的至少一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时可以实现上述的电极针消融数据的确定方法。利用该计算机可读存储介质，可以根据具体的病灶区域优选出一组目标参数值，根据该组优选目标参数值形成的消融数据能够对病灶区域的实现最大限度的消融，即可以根据病灶具体情况做到定制化、精细化，相对于现有技术能够达到更好的消融效果。
图21为本公开一些实施例提供的一种计算机可读存储介质的示意图。如图21所示，计算机可读存储介质2100用于存储非暂时性计算机可读指令2110。例如，当非暂时性计算机可读指令2110由计算机执行时可以执行根据上文所述的电极针消融数据的确定方法中的一个或多个步骤。
例如，该计算机可读存储介质2100可以应用于上述电子设备1900中。例如，计算机可读存储介质2100可以为图19所示的电子设备1900中的存储器1920。例如，关于计算机可读存储介质2100的相关说明可以参考图19所示的电子设备1900中的存储器1920的相应描述，此处不再赘述。
有以下几点需要说明：
(1)本公开实施例附图只涉及到本公开实施例涉及到的结构，其他结构可参考通常设计。
(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (20)

1.一种电极针消融数据的确定装置，包括：
获取模块，配置为获取待消融区域和目标函数，其中，所述目标函数的值与所述待消融区域和预测消融区域的重合程度相关，所述预测消融区域基于M个电极针组得到，且与所述M个电极针组的目标参数值相关，所述M个电极针组包括N个电极针；
第一确定模块，配置为基于预定的最优化算法，确定使所述目标函数的值为最优值的一组优选目标参数值，其中，所述最优值为所述目标函数的最大值或最小值；以及
第二确定模块，配置为基于所述优选目标参数值，确定针对所述N个电极针的消融数据，
其中，M为大于0的整数，N为大于1的整数。
2.根据权利要求1所述的装置，其中，所述第一确定模块包括：
获取子模块，配置为获得关于所述M个电极针组的E组目标参数值；
第一确定子模块，配置为基于所述E组目标参数值，执行预测消融区域的操作，以确定所述E组目标参数值各自对应的预测消融区域；
第二确定子模块，配置为基于所述预测消融区域和所述待消融区域，执行计算目标函数值的操作，以确定所述E组目标参数值各自对应的目标函数值；
变换子模块，配置为基于所述E组目标参数值，执行变换参数值的操作，以得到变换后的E组目标参数值，并返回所述第一确定子模块重复多次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的操作，以得到使所述目标函数的值为最优值的一组优选目标参数值，
其中，E为大于1的整数。
3.根据权利要求2所述的装置，其中，所述预定的最优化算法包括遗传算法；
所述变换子模块进一步被配置为：
将所述E组目标参数值中的F组目标参数值进行分组，得到G对参数值组，并剩余未进行分组的(E-F)组目标参数值，其中，每对参数值组包括两组目标参数值，每组目标参数值以编码形式表示；
将每对所述参数值组中的两组目标参数值的部分编码片段进行交换，以得到初次变换后的F组目标参数值；
针对所述初次变换后的F组目标参数值中的H组目标参数值，改变所述H组目标参数值中每组目标参数值的至少部分编码片段，以得到二次变换后的F组目标参数值；
将所述二次变换后的F组目标参数值以及所述剩余的(E-F)组目标参数值作为所述变换后的E组目标参数值，
其中，F为大于1且小于等于E的偶数，G＝F/2，H为大于0且小于等于F的整数。
4.根据权利要求2所述的装置，其中，所述目标函数的最优值为所述目标函数的最大值；
所述第一确定模块还包括终止子模块，所述终止子模块配置为：
若在连续T次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的过程中，所述目标函数值的变化量维持在第一阈值范围内，则将使所述目标函数具有最大值的一组目标参数值作为所述优选目标参数值，
其中，T为大于1的整数。
5.根据权利要求2至4任一项所述的装置，其中，所述目标参数值包括消融参数的值和/或所述N个电极针的位置坐标，其中，所述消融参数包括施加在所述M个电极针组上的电压；
所述消融数据包括消融参数的值和/或所述N个电极针的位置坐标。
6.根据权利要求5所述的装置，其中，所述E组目标参数值包括第一组目标参数值，所述第一组目标参数值为所述E组目标参数值中的任意一组目标参数值；
所述第一确定子模块包括：
消融子区域确定单元，配置为基于所述第一组目标参数值，确定所述M个电极针组各自的子预测消融区域；
消融区域确定单元，配置为对所述M个电极针组各自的子预测消融区域进行合并处理，以得到所述M个电极针组的预测消融区域，将所述M个电极针组的预测消融区域作为所述第一组目标参数值对应的预测消融区域。
7.根据权利要求6所述的装置，其中，所述消融子区域确定单元进一步配置为：
基于所述第一组目标参数值中的位置坐标，确定每个所述电极针组涉及的两个电极针的距离是否位于预定距离范围；
将距离位于所述预定距离范围内的电极针组作为启用的电极针组，并将距离不位于所述预定距离范围的电极针组作为不启用的电极针组；
针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；
针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
8.根据权利要求6或7所述的装置，其中，所述消融子区域确定单元进一步配置为：
基于所述第一组目标参数值中的电压，确定每个所述电极针组的电压是否位于预定电压范围；
将电压位于所述预定电压范围内的电极针组作为启用的电极针组，并将电压不位于所述预定电压范围的电极针组作为不启用的电极针组；
针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；
针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
9.根据权利要求6或7所述的装置，其中，所述目标参数值还包括与所述M个电极针组分别对应的标记参数值，所述标记参数值用于表征对应的电极针组是否启用；
所述消融子区域确定单元进一步配置为：
基于第一组目标参数值中的标记参数值，确定每个所述电极针组是否启用；
针对不启用的电极针组，将所述电极针组的子预测消融区域确定为0；
针对启用的电极针组，基于预定方式确定所述电极针组的子预测消融区域。
10.根据权利要求1至4任一项所述的装置，其中，所述目标函数包括初始适应度函数，所述初始适应度函数包括以下函数中的一种：
Figure FDA0003200020810000041
Figure FDA0003200020810000042
Figure FDA0003200020810000043
Figure FDA0003200020810000044
其中，A为初始适应度，P2为所述待消融区域与所述预测消融区域重合的部分，P1为所述待消融区域中未与所述预测消融区域重合的部分，P3为所述预测消融区域中未与所述待消融区域重合的部分，k1和k2为常数。
11.根据权利要求10所述的装置，其中，所述目标函数还包括第一修正因子，所述第一修正因子用于对所述初始适应度进行修正，
其中，在P1大于0的情况下，所述第一修正因子随着P1增大而减小；在P1等于0的情况下，所述第一修正因子为1。
12.根据权利要求10所述的装置，其中，所述目标函数还包括第二修正因子，所述第二修正因子用于对所述初始适应度进行修正，
其中，所述第二修正因子随着所述M个电极针组中启用的针组数量的增大而减小。
13.根据权利要求1至4任一项所述的装置，其中，所述第二确定模块包括：
第三确定子模块，配置为确定与所述优选目标参数值对应的预测消融区域；
第四确定子模块，配置为确定所述待消融区域中是否存在未与所述预测消融区域重合的部分，如存在，则将所述待消融区域中未与所述预测消融区域重合的部分作为待消融子区域，并从所述M个电极针组中确定与所述待消融子区域满足预定位置关系的一个或多个电极针组作为待调整电极针组；
调整子模块，对所述待调整电极针组对应的目标参数值进行调整，以减小或清除所述待消融子区域的面积，并将调整后的所述优选目标参数值作为所述N个电极针的消融数据。
14.根据权利要求13所述的装置，其中，所述调整子模块进一步配置为：
调大施加在所述待调整电极针组上的电压，以减小或清除所述待消融子区域的面积。
15.根据权利要求1至4任一项所述的装置，其中，所述第二确定模块包括：
第五确定子模块，配置为基于所述优选目标参数值，确定所述M个电极针组各自的子预测消融区域；
第六确定子模块，配置为基于所述M个电极针组各自的子预测消融区域，确定所述M个电极针组中是否存在无效电极针组，若是，则从所述优选目标参数值中去除与所述无效电极针组对应的目标参数值，并将所述优选目标参数值中剩余的有效电极针组对应的目标参数值作为所述N个电极针的消融数据。
16.根据权利要求15所述的装置，其中，所述M个电极针组包括第一电极针组，所述第一电极针组为所述M个电极针组中的任意一个电极针组；
所述第六确定子模块进一步配置为：
忽略所述第一电极针组，确定剩余电极针组的子预测消融区域合并得到的区域；
确定所述合并得到的区域是否覆盖所述待消融区域；
若是，则将所述第一电极针组作为所述无效电极针组。
17.一种电极针消融数据的确定方法，包括：
获取待消融区域和目标函数，其中，所述目标函数的值与所述待消融区域和预测消融区域的重合程度相关，所述预测消融区域基于M个电极针组得到，且与所述M个电极针组的目标参数值相关，所述M个电极针组包括N个电极针；
基于预定的最优化算法，确定使所述目标函数的值为最优值的一组优选目标参数值，其中，所述最优值为所述目标函数的最大值或最小值；以及
基于所述优选目标参数值，确定针对所述N个电极针的消融数据，
其中，M为大于0的整数，N为大于1的整数。
18.根据权利要求17所述的方法，其中，基于预定的最优化算法，确定使所述目标函数的值为最优值的一组优选目标参数值，包括：
获得关于所述M个电极针组的E组目标参数值；
基于所述E组目标参数值，执行预测消融区域的操作，以确定所述E组目标参数值各自对应的预测消融区域；
基于所述预测消融区域和所述待消融区域，执行计算目标函数值的操作，以确定所述E组目标参数值各自对应的目标函数值；
基于所述E组目标参数值，执行变换参数值的操作，以得到变换后的E组目标参数值；
重复多次执行所述预测消融区域的操作、所述计算目标函数值的操作以及所述变换参数值的操作，以得到使所述目标函数的值为最优值的一组优选目标参数值，
其中，E为大于1的整数。
19.一种电子设备，包括：
处理器；
存储器，包括一个或多个计算机程序模块；
其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现权利要求17或18所述的电极针消融数据的确定方法的指令。
20.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时可以实现权利要求17或18任一项所述的电极针消融数据的确定方法。
CN202110901410.3A 2021-08-06 2021-08-06 电极针消融数据的确定方法、装置、电子设备和存储介质 Active CN113440249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110901410.3A CN113440249B (zh) 2021-08-06 2021-08-06 电极针消融数据的确定方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110901410.3A CN113440249B (zh) 2021-08-06 2021-08-06 电极针消融数据的确定方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113440249A CN113440249A (zh) 2021-09-28
CN113440249B true CN113440249B (zh) 2022-05-13

Family

ID=77818251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110901410.3A Active CN113440249B (zh) 2021-08-06 2021-08-06 电极针消融数据的确定方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113440249B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114469309B (zh) * 2022-02-16 2022-10-21 上海睿刀医疗科技有限公司 一种消融装置、电极针布设策略获得方法、电子设备和存储介质
CN118356247B (zh) * 2024-06-19 2024-09-13 杭州睿笛生物科技有限公司 一种基于单针多极型电极针的脉冲电场肿瘤消融治疗系统和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104856755A (zh) * 2014-02-26 2015-08-26 西门子公司 用于基于医学图像的组织消融的个体化计算的系统和方法
CN106308927A (zh) * 2016-08-22 2017-01-11 北京市肿瘤防治研究所 多针尖扩展射频消融电极针
CN112315579A (zh) * 2020-11-25 2021-02-05 上海睿刀医疗科技有限公司 一种基于病灶区域的电极针布针装置及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8267927B2 (en) * 2007-01-24 2012-09-18 Koninklijke Philips Electronics N.V. Advanced ablation planning
US10117707B2 (en) * 2008-04-29 2018-11-06 Virginia Tech Intellectual Properties, Inc. System and method for estimating tissue heating of a target ablation zone for electrical-energy based therapies
US9414881B2 (en) * 2012-02-08 2016-08-16 Angiodynamics, Inc. System and method for increasing a target zone for electrical ablation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104856755A (zh) * 2014-02-26 2015-08-26 西门子公司 用于基于医学图像的组织消融的个体化计算的系统和方法
CN106308927A (zh) * 2016-08-22 2017-01-11 北京市肿瘤防治研究所 多针尖扩展射频消融电极针
CN112315579A (zh) * 2020-11-25 2021-02-05 上海睿刀医疗科技有限公司 一种基于病灶区域的电极针布针装置及方法

Also Published As

Publication number Publication date
CN113440249A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN113440249B (zh) 电极针消融数据的确定方法、装置、电子设备和存储介质
CN108721792B (zh) 用于放射疗法治疗计划的方法、程序存储器和系统
CN105793854A (zh) 有效处置计划权衡分析
CA2796159A1 (en) Multi-objective radiation therapy optimization method
CN103209653A (zh) 用于概率消融规划的系统和方法
RU2011109556A (ru) Формирование модели усовершенствованного изображения
CN110931107B (zh) 放疗计划生成系统、装置及存储介质
CN110021399A (zh) 一种放射治疗计划的自动设计方法
CN111898324A (zh) 基于分割任务辅助的鼻咽癌三维剂量分布预测方法
JP7128369B2 (ja) 放射線治療計画作成のためのシステム、コンピュータプログラム製品、及び方法
CN115760874A (zh) 一种基于联合空间域的多尺度U-Net医学图像分割方法
CN112101438B (zh) 一种左右眼分类方法、装置、服务器和存储介质
CN115203631A (zh) 一种基于改进遗传算法的多模态数据分析方法、系统
CN110706780A (zh) 放疗计划生成系统及存储介质
CN114707742A (zh) 自适应放疗策略的人工智能预测方法和系统
CN117298471A (zh) 空间分割放疗中晶格参数的优化方法及系统
Camps et al. One-class Gaussian process regressor for quality assessment of transperineal ultrasound images
CN116019557A (zh) 电极针的进针规划方法、装置、存储介质
US20230012437A1 (en) Electrode model simulation method, server, and computer program
CN115222049A (zh) 一种多模态数据模型的问题求解层选择方法、系统、装置
CN115568941A (zh) 一种肿瘤消融路径评价方法
Cheng et al. MCSTransWnet: A new deep learning process for postoperative corneal topography prediction based on raw multimodal data from the Pentacam HR system
KR20230008937A (ko) 인공지능 모델을 활용한 최적의 자극 위치 산출 방법, 서버 및 컴퓨터프로그램
Jianli et al. The segmentation of skin cancer image based on genetic neural network
Wang et al. Progressive abdominal segmentation with adaptively hard region prediction and feature enhancement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 201318, 3 floor, 3 lane, 166 lane, Tian Xiong Road, Pudong New Area, Shanghai.

Patentee after: Shanghai RuiDao Medical Technology Co.,Ltd.

Address before: 201318, 3 floor, 3 lane, 166 lane, Tian Xiong Road, Pudong New Area, Shanghai.

Patentee before: SHANGHAI REMEDICINE Co.,Ltd.