CN115619808B - 一种电极片贴附方法与系统 - Google Patents
一种电极片贴附方法与系统 Download PDFInfo
- Publication number
- CN115619808B CN115619808B CN202211365696.9A CN202211365696A CN115619808B CN 115619808 B CN115619808 B CN 115619808B CN 202211365696 A CN202211365696 A CN 202211365696A CN 115619808 B CN115619808 B CN 115619808B
- Authority
- CN
- China
- Prior art keywords
- particle
- particles
- fitness
- module
- electrode
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 354
- 230000005684 electric field Effects 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 41
- 206010028980 Neoplasm Diseases 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000013016 learning Effects 0.000 claims description 6
- 230000009326 social learning Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000001225 therapeutic effect Effects 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 26
- 210000003128 head Anatomy 0.000 description 9
- 210000004761 scalp Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 201000007983 brain glioma Diseases 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 208000032612 Glial tumor Diseases 0.000 description 2
- 206010018338 Glioma Diseases 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010027406 Mesothelioma Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000011731 head segmentation Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 208000008443 pancreatic carcinoma Diseases 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电极片贴附方法与系统，具体包括(1)获取对象的MRI数据；(2)对获取的MRI数据进行数据分割，分割为异质物区域与正常组织区域；对于分割的异质物区域与正常组织区域进行网格化处理；(3)将贴附在对象上的电极片整体作为混合粒子群，采用混合粒子群优化算法对贴附在对象上的电极片的数量与位置进行寻优使得异质物区域的电场强度达到预设强度；所述贴附在对象上的电极片用于在贴附位置向对象释放电流，对象感应生成对应电场。本发明能够保证异物质区域的电场强度达到预设强度情况下，获取最优的电极片贴附位置与数量。
Description
技术领域
本发明涉及医疗设备技术领域，具体是涉及一种电极片贴附方法与系统。
背景技术
目前在电场治疗中，一般是先通过电子计算机断层扫描(CT)或核磁共振(MRI)的冠状面和横断面测量人体组织的大小及异物质(例如：肿瘤)相对人体组织的位置，然后利用软件仿真异物质电场电极的布置方式使到达异物质的电场强度尽可能更大，再将电极片按照最优布置方式进行贴片治疗。现有技术中，一般选择在人体组织上(例如：头部)放置n对m×m电极片阵列，利用便携式电池为其供电，电源按照持续时间1s的方形开关脉冲顺序激活。一般需要保证在异物质区域的电场强度大于1V/cm且每天至少工作18小时，从而有效抑制异物质的增殖。
由于贴片治疗需要在人体组织上长期贴附电极片，这会造成人体组织的损伤和过敏，并且电极片工作时会产生大量热量，如果电极片过多，则产生的热量也容易造成人体组织的损伤。因此，有必要提出一种电场治疗电极片贴附最优方法，尽量减少使用电极片数量并优化其贴附位置，在满足电场治疗需求的同时缓解对患者造成的人体组织损伤和过敏等不良反应。
发明内容
发明目的：针对以上缺点，本发明提供一种电极片贴附方法，通过采用混合粒子群优化算法优化设计贴附电极片数量和位置，使得在满足电场强度下使用电极片数量最少且位置最优。同时，本申请提供一种电极片贴附系统，能够实现上述方法。
技术方案：为解决上述问题，本发明公开一种电极片贴附方法，具体包括步骤：
(1)获取对象的MRI数据；
(2)对获取的MRI数据进行数据分割，分割为异质物区域与正常组织区域；对于分割的异质物区域与正常组织区域进行网格化处理；
(3)将贴附在对象上的电极片整体作为混合粒子群，采用混合粒子群优化算法对贴附在对象上的电极片的数量与位置进行寻优使得异质物区域的电场强度达到预设强度；所述贴附在对象上的电极片用于在贴附位置向对象释放电流，对象感应生成对应电场。
进一步的，步骤(3)具体包括以下步骤：
(3.1)设在一个D维的搜索空间中，针对具有N个粒子的种群X＝[X1，X2，......，XN]，建立混合粒子群优化算法模型，具体模型为：
式中，Vid(t+1)表示下一时刻第i个粒子的速度；Vid(t)表示当前时刻第i个粒子的速度；w为惯性因子；Pid(t)表示当前时刻第i个粒子个体最优位置；Pgd(t)表示当前时刻全局最优位置；c1为每个粒子个体学习因子；c2表示每个粒子社会学习因子；r1、r2均为[0,1]之间的随机数；Xid(t)表示当前时刻第i个粒子的位置；Xgd(t)表示当前时刻全局位置；
(3.2)初始化粒子群参数，并随机生成初始粒子的速度和位置；具体包括设置算法迭代次数Gmax、粒子个数N、粒子初始速度vi、c1、c2、r1、r2、w；初始粒子为一对电极片，设置电极片中心位置坐标分别为(xi，yi，zi)、(xi′，yi′,zi′)且限定中心坐标位置范围处于划分网格范围内；其中，(xi，yi，zi)位置上电极片施加电流为I，(xi′，yi′,zi′)位置电极片施加电流为-I；
(3.3)针对N个初始粒子分别计算其粒子适应度函数F，计算公式为：
F＝Etumor (15)
式中，Etumor为异质物区域最小电场强度值；
(3.4)自适应调整粒子的惯性权重w，并更新粒子的速度和位置，重新计算粒子适应度；惯性权重w调整的公式为：
式中，wi为惯性权重的初始值，wf为惯性权重的终值；G为当前迭代次数；
(3.5)根据重新计算粒子适应度对粒子群进行粒子选择，并对于选择的粒子随机进行电极片中心位置的交换操作；针对交换操作后的粒子群分别计算粒子适应度；
(3.6)根据步骤(3.5)计算的粒子适应度判断当前全局最优粒子是否满足适应度要求，即F＝Etumor＞Z，Z为预设电场强度，单位为V/cm；若满足，则结束操作输出满足适应度要求的粒子位置；否则，判断当前是否达到最大迭代次数，若未达到则返回步骤(3.4)重复迭代操作；若达到最大迭代次数仍不满足适应度要求则增加新的粒子即增加一对新的电极片形成新的粒子群，该新的粒子群内粒子作为初始粒子返回步骤(3.3)重复操作直至满足适应度要求。
进一步的，步骤(3.3)通过对空间电场分布方程求解得出Etumor，具体包括：
联立上述(17)-(20)方程,获得：
式中，D表示电位移、ρ表示电荷密度、E表示电场强度、B表示磁感应强度、J表示电流密度、H表示磁场强度；ε表示电介质的介电常数、σ表示电导率、μ表示磁导率；E表示场域内的电场强度，ω表示在场域内注入电流的角频率；
根据公式(21)计算出整个网格场景内的电场强度E，再根据网格化的划分结果获取异质物区域的网格节点上电场强度最小值的Etumor。
进一步的，步骤(3.5)具体包括：重新计算粒子适应度，根据粒子选择概率对N个粒子进行选择，随机对选择的N/5个粒子进行电极片中心位置交换操作；针对交换操作后的粒子群分别计算粒子适应度；其中选择每个粒子的概率计算公式为：
式中，Fi是种群中第i个粒子的适应度；Pci是选择该粒子的概率。
进一步的，步骤(2)中具体采用深度神经网络3D-Unet模型对获取的MRI数据进行数据分割，分割为异质物区域与正常组织区域；采用Delaunay三角剖分法对于分割的异质物区域与正常组织区域进行网格化。
进一步的，该电极片贴附方法用于确认电极片在对象上的贴附数量与位置，不作为诊断标准，为非诊断、非治疗目的。
此外，本发明还提供一种电极片贴附系统，包括：MRI数据获取模块、MRI数据处理模块、电极片贴附数量与位置寻优模块；
所述MRI数据获取模块用于获取对象的MRI数据；
所述MRI数据处理模块用于对获取的MRI数据中异质物区域与正常组织区域进行分割，并对分割的异质物区域与正常组织区域进行网格化处理；
所述电极片贴附数量与位置寻优模块用于将贴附在对象上的电极片整体作为混合粒子群，采用混合粒子群优化算法对贴附在对象上的电极片的数量与位置进行寻优使得异质物区域的电场强度达到预设强度；所述贴附在对象上的电极片用于在贴附位置向对象释放电流，对象内生成对应电场。
进一步的，所述电极片贴附数量与位置寻优模块具体包括：
混合粒子群优化算法模型建立模块，用于在D维的搜索空间中，针对具有N个粒子X＝[X1，X2，......，XN]的种群建立混合粒子群优化算法模型，具体模型为：
式中，Vid(t+1)表示下一时刻第i个粒子的速度；Vid(t)表示当前时刻第i个粒子的速度；w为惯性因子；Pid(t)表示当前时刻第i个粒子个体最优位置；Pgd(t)表示当前时刻全局最优位置；c1为每个粒子个体学习因子；c2表示每个粒子社会学习因子；r1、r2均为[0,1]之间的随机数；Xid(t)表示当前时刻第i个粒子的位置；Xgd(t)表示当前时刻全局位置；
初始化混合粒子群优化算法模型，用于对混合粒子群优化算法模型建立模块建立的混合粒子群优化算法模型进行初始化得到粒子群初始参数，并随机生成初始粒子的速度和位置；具体初始参数包括算法迭代次数Gmax、粒子个数N、初始速度vi、c1、c2、r1、r2、w；初始粒子为一对电极片，电极片中心位置坐标分别为(xi，yi，zi)、(xi′，yi′,zi′)且限定中心坐标位置范围处于划分网格范围内；其中，(xi，yi，zi)位置上电极片施加电流为U，(xi′，yi′,zi′)位置电极片施加电流为-U；
粒子适应度计算模块，包括第一粒子适应度计算模块、第二粒子适应度计算模块、第三粒子适应度计算模块；第一粒子适应度计算模块用于对初始化混合粒子群优化算法模型生成的N个初始粒子分别计算其粒子适应度；第二粒子适应度计算模块用于对粒子惯性权重、位置更新模块中的更新后的粒子计算粒子适应度；第三粒子适应度计算模块用于对粒子选择与交换模块中交换操作后的粒子计算粒子适应度；第一粒子适应度计算模块、第二粒子适应度计算模块、第三粒子适应度计算模块中适应度函数的计算公式均为：
F＝Etumor (24)
式中，Etumor为异质物区域最小电场强度值；
粒子惯性权重、位置更新模块，用于对初始化混合粒子群优化算法模型中初始粒子进行自适应调整粒子的惯性权重w，并更新粒子的速度和位置；惯性权重w调整的公式为：
式中，wi为惯性权重的初始值，wf为惯性权重的终值；G为当前迭代次数；
粒子选择与交换模块，用于根据第二粒子适应度计算模块中输出粒子适应度对粒子群进行粒子选择，并对于选择的粒子随机进行电极片中心位置的交换操作；
粒子适应度判断模块，用于根据第三粒子适应度计算模块输出的粒子适应度判断当前全局最优粒子是否满足适应度要求，即F＝Etumor＞Z，Z为预设电场强度，单位为V/cm；若满足，输出满足适应度要求的粒子位置；若不满足，继续判断当前是否达到最大迭代次数，若未达到则返回粒子惯性权重、位置更新模块；若达到最大迭代次数仍不满足适应度要求，则增加新的粒子即增加一对新的电极片形成新的粒子群，该新的粒子群内粒子作为初始粒子返回初始化混合粒子群优化算法模型。
进一步的，所述MRI数据处理模块具体采用深度神经网络3D-Unet模型对获取的人体组织MRI数据中异质物区域与正常组织区域进行分割；MRI数据处理模块采用Delaunay三角剖分法对分割的异质物区域与正常组织区域进行网格化。
进一步的，粒子惯性权重、位置更新模块用于重新计算粒子适应度，根据粒子选择概率对N个粒子进行选择，随机对选择的N/5个粒子进行电极片中心位置交换操作；针对交换操作后的粒子群分别计算粒子适应度；其中选择每个粒子的概率计算公式为：
式中，Fi是种群中第i个粒子的适应度；Pci是选择该粒子的概率。
有益效果：本发明所述一种电极片贴附方法相对于现有技术，其显著优点是：根据MRI数据分割对象中的异物质区域与正常区域，将贴附于对象上的电极片整体作为一个混合粒子群，在保证异物质区域在电极片电流刺激生成电场强度达到强度需求的情况下，利用混合粒子群优化算法对电极片的数量和位置进行寻优，获取最优的电极片的贴附位置与数量。本发明所述一种电极片贴附系统，基于该系统能够获得最优的电极片的贴附位置与数量并保证异物质区域电场强度达到强度需求。
附图说明
图1所示为本发明所述方法的流程图；
图2所示为本发明具体实施例的头部分割结果示意图；
图3所示为本发明具体实施例的分割结果网格化示意图；
图4所示为本发明具体实施例的网格坐标系示意图；
图5所示为本发明具体实施例的电场分布图例。
具体实施方式
下面结合附图对本发明的技术方案进一步说明。
如图1所示，本发明提供的一种电极片贴附方法，具体包括以下步骤：
步骤一、选取人体头部作为对象，针对该对象获取头部MRI数据。
步骤二、针对获得的头部MRI数据，利用深度神经网络3D-Unet模型对头部的异物质区域以及正常组织区域进行分割，并利用Delaunay三角剖分对分割结果进行网格离散化。具体为：
深度神经网络3D-Unet模型呈U型对称式，是经典的编码器—解码器结构。在编码阶段，每次卷积后经过Batch-Normalization层规范化，再经由Relu函数激活，持续进行下采样提取图像的特征；在解码阶段，融合高低层特征，并持续上采样，如图2所示，最终获得头皮、颅骨、灰质、白质、脑脊液等具有不同电学参数的正常人体组织区域与脑胶质肿瘤(异物质)区域的分割结果。
Delaunay三角剖分是对平面中点集P进行剖分后使得P中没有点严格处于任意一个三角形外接圆的内部。具体为首先对Delaunay边进行定义：假设边集{E∈R2(vi，vj)}中的一条边e的两端点为vi、vj，圆C为vi和vj相连线段为直径的圆，而圆内不包含点集中其它点，则边e为Delaunay边。再由Delaunay边到Delaunay三角剖分的定义：当平面上点集V存在一个三角剖分T，并且三角剖分T包含的边集E满足只包含Delaunay边时，则该三角剖分T为点集V的Delaunay三角剖分。与一般三角剖分相比，Delaunay三角剖分可以保证对离散数据剖分的结果具有唯一性。对于最终分割结果分别进行网格离散化结果如图3所示，剖分结果建立笛卡尔坐标系，其中场景右下角为坐标原点，左右方向为X轴，前后方向为Y轴，垂直为XY平面方向为Z轴，如图4所示。
步骤三、将贴附在头部上的电极片整体作为混合粒子群，采用混合粒子群优化算法对贴附在对象上的电极片的数量与位置进行寻优使得肿瘤区域的电场强度达到预设强度。具体包括：
(1)建立混合粒子群优化算法模型。混合粒子群优化算法是根据粒子在搜索空间运动，从而获得全局最优解；设在一个D维的搜索空间中，种群由N个粒子X＝[X1，X2，......，XN]组成，第i个粒子在每次迭代进化过程中依据历史最优解和全局最优解进行种群之间的信息交流，实现该粒子位置和速度的更新，其数学模型为：
式中，Vid(t+1)表示下一时刻第i个粒子的速度；Fid(t)表示当前时刻第i个粒子的速度；w为惯性因子，当w较大时，粒子群全局寻优能力强，反之，粒子群局部寻优能力强；Pid(t)表示当前时刻第i个粒子个体最优位置；Pgd(t)表示当前时刻全局最优位置；c1为每个粒子个体学习因子；c2表示每个粒子社会学习因子；r1、r2均为[0,1]之间的随机数；Xid(t)表示当前时刻第i个粒子的位置；Xgd(t)表示当前时刻全局位置。
(2)初始化粒子群参数，并随机生成N个初始粒子的速度和位置。粒子群参数具体包括：设置算法迭代次数Gmax为30次；粒子个数N设置为20；速度下界和上界设置在[0.01,0.2]之间，初始速度vi在上下界中产生随机数初始速度；c1和c2选取2；r1和r2选取[0,1]之间的随机数；惯性权重w的初始值和终值分别选取0.9和0.4；一个初始粒子为一对电极片，针对一个初始粒子设置电极片中心位置坐标分别为(x1，y1，z1)和(x1′，y1′,z1′)且限定中心坐标位置范围处于在场景表面网格上；其中，(x1，y1，z1)位置上电极片施加电流为900mA，(x1′，y1′,z1′)位置电极片施加电流为-900mA。
(3)针对20个初始粒子分别计算其粒子适应度函数F，并得到粒子个体最优位置和全局最优位置。适应度函数具体计算公式为：
F＝Etumor (28)
式中，Etumor为异质物区域最小电场强度值；
利用有限元仿真方法对空间电场分布方程求解可以得出Etumor。具体包括：头部电场强度分布方程建立在麦克斯韦微分方程组描述的准静态场基础上，麦克斯韦方程组如公式(29)所示：
其中各物理量之间的关系方程如公式(30)所示：
当在头皮电极片上注入角频率为ω的电流激励时，场域内的电场强度E可以表示为：
由麦克斯韦微分方程可得到：
将公式(30)和公式(31)代入公式(33)中，
对上式两端取散度可得到：
式中，D表示电位移、ρ表示电荷密度、E表示电场强度、B表示磁感应强度、J表示电流密度、H表示磁场强度；ε表示电介质的介电常数、σ表示电导率、μ表示磁导率；E表示场域内的电场强度，ω表示在场域内注入电流的角频率；
根据公式(34)计算出整个网格场景内的电场强度E，再根据头部网格化结果获取异质物区域(脑胶质瘤区域)的网格节点上电场强度最小值的Etumor。
(4)自适应调整粒子的惯性权重w，并更新粒子的速度和位置，重新计算粒子适应度。其中，惯性权重w随着迭代次数线性下降，调整公式为：
式中，wi为惯性权重的初始值，wf为惯性权重的终值；G为当前迭代次数。
具体的，由于电极片贴附在头皮上，因此在计算公式(1)中Pid(t)-Xid(t)及Pgd(t)-Xgd(t)均为测地线，即头部表面两点之间曲面距离，通过w×vi更新粒子速度，计算下次迭代时该粒子所处头皮表面位置，并重新计算脑胶质瘤区域最小场强。
(5)根据步骤(4)重新计算粒子适应度对粒子群进行粒子选择，并对于选择的粒子随机进行电极片中心位置的交换操作；针对交换操作后的粒子群分别计算粒子适应度。
具体的，选择操作是希望将适应度高的父代粒子以较高的概率进行传递，有利用后代种群中优秀的个体粒子数量增加。故根据适应度来决定父代粒子被选择的概率如下述公式(36)所示：
其中，Fi是种群中第i个粒子的适应度，Pci是选择该粒子的概率。
对20个粒子根据选择概率进行选择，随机对其中4个粒子进行交换操作，交换操作是将粒子之间的电极片中心位置进行交换，增加种群的多样性。
例如：粒子X1(xg1，yg1，zg1，xg1′，yg1′，zg1′)和X2(xg2，yg2，zg2，xg2′，yg2′，zg2′)通过交换操作后，新粒子输入为X1(xg2，yg2，zg2，xg1′，yg1′，zg1′)和X2(xg1，yg1，zg1，xg2′，yg2′，zg2′)。
经过粒子交换操作后，重新对进行交换操作后的粒子计算粒子适应度。
(6)根据步骤(5)计算的粒子适应度判断当前全局最优粒子是否满足适应度要求，即电极片贴附位置是否满足在脑胶质瘤区域产生的最小场强F＝Etumor＞Z,，Z＝1(V/cm)。
若满足适应要求，则结束算法，操作输出满足适应度要求的粒子；否则继续判断当前是否达到最大迭代次数，若未达到则返回步骤(4)重复迭代，若达到且仍不满足适应度的要求，则保留全局最优粒子(xg1,yg1,zg1,xg1′,yg1′,zh1′)，并添加新的粒子(xn1,yn1,zn1,xn2,yn2,zn2)，新加入的粒子参数设置如步骤(2)，全局最优粒子的惯性权重w降低调整0.1，两组粒子群组合成新的粒子群。该新的粒子群内粒子作为初始粒子返回步骤(3)重复操作直至满足适应度要求。
最终满足适应度的粒子有5对电极片，每对电极片的位置参数如下表1所示：
表1电极片位置参数单位：米/m
根据获得的电极片的位置，可以对应的将电极片贴附在头皮表面，并对x,y,z位置的的电极片施加电流900mA，同时对x′,y′,z′位置的电极片施加反向电流-900mA，仿真结果如图5所示。全局最优粒子可在脑胶质瘤区域产生最小电场强度＞1V/cm。
本发明公开的方法并不仅局限于脑胶质瘤电场治疗的电极片贴附优化，还可应用于肝癌、间皮质瘤、肺癌、胰腺癌、乳腺癌以及卵巢癌等电场治疗的电极片贴附优化。
本发明还提供一种电极片贴附系统，具体包括：MRI数据获取模块、MRI数据处理模块、电极片贴附数量与位置寻优模块；
MRI数据获取模块用于获取人体组织MRI数据。
MRI数据处理模块用于采用深度神经网络3D-Unet模型对获取的人体组织MRI数据中异质物区域与正常组织区域进行分割，并采用Delaunay三角剖分法对分割的异质物区域与正常组织区域进行网格离散化处理。
电极片贴附数量与位置寻优模块用于将贴附在人体组织上的电极片整体作为混合粒子群，采用混合粒子群优化算法对贴附在人体组织上的电极片的数量与位置进行寻优使得异质物区域的电场强度达到预设强度；所述贴附在人体组织上的电极片用于在贴附位置对人体组织释放电流，人体组织内生成对应电场。
所述电极片贴附数量与位置寻优模块具体包括：
混合粒子群优化算法模型建立模块，用于在D维的搜索空间中，针对具有N个粒子的种群X＝[X1，X2，......，XN]建立混合粒子群优化算法模型，具体模型为：
式中，Vid(t+1)表示下一时刻第i个粒子的速度；Fid(t)表示当前时刻第i个粒子的速度；w为惯性因子；Pid(t)表示当前时刻第i个粒子个体最优位置；Pgd(t)表示当前时刻全局最优位置；c1为每个粒子个体学习因子；c2表示每个粒子社会学习因子；r1、r2均为[0,1]之间的随机数；Xid(t)表示当前时刻第i个粒子的位置；Xgd(t)表示当前时刻全局位置。
初始化混合粒子群优化算法模型，用于对混合粒子群优化算法模型建立模块建立的混合粒子群优化算法模型进行初始化得到粒子群初始参数，并随机生成初始粒子的速度和位置；具体初始参数包括算法迭代次数Gmax、粒子个数N、初始速度vi、c1、c2、r1、r2、w；初始粒子为一对电极片，电极片中心位置坐标分别为(xi，yi，zi)、(xi′，yi′,zi′)且限定中心坐标位置范围处于划分网格范围内；其中，(xi，yi，zi)位置上电极片施加电流为I，(xi′，yi′,zi′)位置电极片施加电流为-I。
粒子适应度计算模块，包括第一粒子适应度计算模块、第二粒子适应度计算模块、第三粒子适应度计算模块；第一粒子适应度计算模块用于对初始化混合粒子群优化算法模型生成的N个初始粒子分别计算其粒子适应度；第二粒子适应度计算模块用于对粒子惯性权重、位置更新模块中的更新后的粒子计算粒子适应度；第三粒子适应度计算模块用于对粒子选择与交换模块中交换操作后的粒子计算粒子适应度；第一粒子适应度计算模块、第二粒子适应度计算模块、第三粒子适应度计算模块中适应度函数的计算公式均为：
F＝Etumor (38)
式中，Etumor为异质物区域最小电场强度值。
粒子惯性权重、位置更新模块，用于对初始化混合粒子群优化算法模型中初始粒子进行自适应调整粒子的惯性权重w，并更新粒子的速度和位置；惯性权重w调整的公式为：
式中，wi为惯性权重的初始值，wf为惯性权重的终值；G为当前迭代次数。
粒子选择与交换模块，用于根据第二粒子适应度计算模块中输出粒子适应度对粒子群进行粒子选择，并对于选择的粒子随机进行电极片中心位置的交换操作。
粒子适应度判断模块，用于根据第三粒子适应度计算模块输出的粒子适应度判断当前全局最优粒子是否满足适应度要求，即F＝Etumor＞Z，Z为预设电场强度，单位为(V/cm)；若满足，输出满足适应度要求的粒子位置；若不满足，继续判断当前是否达到最大迭代次数，若未达到则返回粒子惯性权重、位置更新模块；若达到最大迭代次数仍不满足适应度要求，则增加新的粒子即增加一对新的电极片形成新的粒子群，该新的粒子群内粒子作为初始粒子返回初始化混合粒子群优化算法模型。
Claims (8)
1.一种电极片贴附方法，其特征在于，包括以下步骤：
(1)获取对象的MRI数据；
(2)对获取的MRI数据进行数据分割，分割为异质物区域与正常组织区域；对于分割的异质物区域与正常组织区域进行网格化处理；
(3)将贴附在对象上的电极片整体作为混合粒子群，采用混合粒子群优化算法对贴附在对象上的电极片的数量与位置进行寻优使得异质物区域的电场强度达到预设强度；所述贴附在对象上的电极片用于在贴附位置向对象释放电流，对象感应生成对应电场；步骤(3)具体包括以下步骤：
(3.1)设在一个D维的搜索空间中，针对具有N个粒子的种群X＝[X1，X2，......，XN]，建立混合粒子群优化算法模型，具体模型为：
式中，Vid(t+1)表示下一时刻第i个粒子的速度；Vid(t)表示当前时刻第i个粒子的速度；w为惯性因子；Pid(t)表示当前时刻第i个粒子个体最优位置；Pgd(t)表示当前时刻全局最优位置；c1为每个粒子个体学习因子；c2表示每个粒子社会学习因子；r1、r2均为[0，1]之间的随机数；Xid(t)表示当前时刻第i个粒子的位置；Xgd(t)表示当前时刻全局位置；
(3.2)初始化粒子群参数，并随机生成初始粒子的速度和位置；具体包括设置算法迭代次数Gmax、粒子个数N、粒子初始速度vi、c1、c2、r1、r2、w；初始粒子为一对电极片，设置电极片中心位置坐标分别为(xi，yi，zi)、(xi′，yi′，zi′)且限定中心坐标位置范围处于划分网格范围内；其中，(xi，yi，zi)位置上电极片施加电流为I，(xi′，yi′，zi′)位置电极片施加电流为-I；
(3.3)针对N个初始粒子分别计算其粒子适应度函数F，计算公式为：
F＝Etumor (2)
式中，Etumor为异质物区域最小电场强度值；
(3.4)自适应调整粒子的惯性权重w，并更新粒子的速度和位置，重新计算粒子适应度；惯性权重w调整的公式为：
式中，wi为惯性权重的初始值，wf为惯性权重的终值；G为当前迭代次数；
(3.5)根据重新计算粒子适应度对粒子群进行粒子选择，并对于选择的粒子随机进行电极片中心位置的交换操作；针对交换操作后的粒子群分别计算粒子适应度；
(3.6)根据步骤(3.5)计算的粒子适应度判断当前全局最优粒子是否满足适应度要求，即F＝Etumor＞Z，Z为预设电场强度，单位为V/cm；若满足，则结束操作输出满足适应度要求的粒子位置；否则，判断当前是否达到最大迭代次数，若未达到则返回步骤(3.4)重复迭代操作；若达到最大迭代次数仍不满足适应度要求则增加新的粒子即增加一对新的电极片形成新的粒子群，该新的粒子群内粒子作为初始粒子返回步骤(3.3)重复操作直至满足适应度要求。
2.根据权利要求1所述的电极片贴附方法，其特征在于，步骤(3.3)通过对空间电场分布方程求解得出Etumor，具体包括：
联立上述(4)-(7)方程，获得：
式中，D表示电位移、ρ表示电荷密度、E表示电场强度、B表示磁感应强度、J表示电流密度、H表示磁场强度；ε表示电介质的介电常数、σ表示电导率、μ表示磁导率；E表示场域内的电场强度，ω表示在场域内注入电流的角频率；
根据公式(8)计算出整个网格场景内的电场强度E，再根据网格化的划分结果获取异质物区域的网格节点上电场强度最小值的Etumor。
3.根据权利要求1所述的电极片贴附方法，其特征在于，步骤i3.5)具体包括：重新计算粒子适应度，根据粒子选择概率对N个粒子进行选择，随机对选择的N/5个粒子进行电极片中心位置交换操作；针对交换操作后的粒子群分别计算粒子适应度；其中选择每个粒子的概率计算公式为：
式中，Fi是种群中第i个粒子的适应度；Pci是选择该粒子的概率。
4.根据权利要求1所述的电极片贴附方法，其特征在于，步骤(2)中具体采用深度神经网络3D-Unet模型对获取的MRI数据进行数据分割，分割为异质物区域与正常组织区域；采用Delaunay三角剖分法对于分割的异质物区域与正常组织区域进行网格化。
5.根据权利要求1至4中任一项所述的电极片贴附方法，其特征在于，该电极片贴附方法用于确认电极片在对象上的贴附数量与位置，不作为诊断标准，为非诊断、非治疗目的。
6.一种电极片贴附系统，其特征在于，包括：MRI数据获取模块、MRI数据处理模块、电极片贴附数量与位置寻优模块；
所述MRI数据获取模块用于获取对象的MRI数据；
所述MRI数据处理模块用于对获取的MRI数据中异质物区域与正常组织区域进行分割，并对分割的异质物区域与正常组织区域进行网格化处理；
所述电极片贴附数量与位置寻优模块用于将贴附在对象上的电极片整体作为混合粒子群，采用混合粒子群优化算法对贴附在对象上的电极片的数量与位置进行寻优，使得异质物区域的电场强度达到预设强度；所述贴附在对象上的电极片用于在贴附位置向对象释放电流，对象内生成对应电场；电极片贴附数量与位置寻优模块具体包括：
混合粒子群优化算法模型建立模块，用于在D维的搜索空间中，针对具有N个粒子X＝[X1，X2，......，XN]的种群建立混合粒子群优化算法模型，具体模型为：
式中，Vid(t+1)表示下一时刻第i个粒子的速度；Vid(t)表示当前时刻第i个粒子的速度；w为惯性因子；Pid(t)表示当前时刻第i个粒子个体最优位置；Pgd(t)表示当前时刻全局最优位置；c1为每个粒子个体学习因子；c2表示每个粒子社会学习因子；r1、r2均为[0，1]之间的随机数；Xid(t)表示当前时刻第i个粒子的位置；Xgd(t)表示当前时刻全局位置；
初始化混合粒子群优化算法模型，用于对混合粒子群优化算法模型建立模块建立的混合粒子群优化算法模型进行初始化，得到粒子群初始参数，并随机生成初始粒子的速度和位置；具体初始参数包括算法迭代次数Gmax、粒子个数N、初始速度vi、c1、c2、r1、r2、w；初始粒子为一对电极片，电极片中心位置坐标分别为(xi，yi，zi)、(xi′，yi′，zi′)，且限定中心坐标位置范围处于划分网格范围内；其中，(xi，yi，zi)位置上电极片施加电流为I，(xi′，yi′，zi′)位置电极片施加电流为-I；
粒子适应度计算模块，包括第一粒子适应度计算模块、第二粒子适应度计算模块、第三粒子适应度计算模块；第一粒子适应度计算模块用于对初始化混合粒子群优化算法模型生成的N个初始粒子分别计算其粒子适应度；第二粒子适应度计算模块用于对粒子惯性权重、位置更新模块中的更新后的粒子计算粒子适应度；第三粒子适应度计算模块用于对粒子选择与交换模块中交换操作后的粒子计算粒子适应度；第一粒子适应度计算模块、第二粒子适应度计算模块、第三粒子适应度计算模块中适应度函数的计算公式均为：
F＝Etumor (11)
式中，Etumor为异质物区域最小电场强度值；
粒子惯性权重、位置更新模块，用于对初始化混合粒子群优化算法模型中初始粒子进行自适应调整粒子的惯性权重w，并更新粒子的速度和位置；惯性权重w调整的公式为：
式中，wi为惯性权重的初始值，wf为惯性权重的终值；G为当前迭代次数；
粒子选择与交换模块，用于根据第二粒子适应度计算模块中输出粒子适应度对粒子群进行粒子选择，并对于选择的粒子随机进行电极片中心位置的交换操作；
粒子适应度判断模块，用于根据第三粒子适应度计算模块输出的粒子适应度判断当前全局最优粒子是否满足适应度要求，即F＝Etumor＞Z，Z为预设电场强度，单位为V/cm；若满足，输出满足适应度要求的粒子位置；若不满足，继续判断当前是否达到最大迭代次数，若未达到则返回粒子惯性权重、位置更新模块；若达到最大迭代次数仍不满足适应度要求，则增加新的粒子即增加一对新的电极片形成新的粒子群，该新的粒子群内粒子作为初始粒子返回初始化混合粒子群优化算法模型。
7.根据权利要求6所述的电极片贴附系统，其特征在于，所述MRI数据处理模块具体采用深度神经网络3D-Unet模型对获取的人体组织MRI数据中异质物区域与正常组织区域进行分割；MRI数据处理模块采用Delaunay三角剖分法对分割的异质物区域与正常组织区域进行网格化。
8.根据权利要求6所述的电极片贴附系统，其特征在于，粒子惯性权重、位置更新模块用于重新计算粒子适应度，分别计算选择每个粒子的概率，根据粒子选择概率对N个粒子进行选择，随机对选择的N/5个粒子进行电极片中心位置交换操作；针对交换操作后的粒子群分别计算粒子适应度；其中选择每个粒子的概率计算公式为：
式中，Fi是种群中第i个粒子的适应度；Pci是选择该粒子的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365696.9A CN115619808B (zh) | 2022-10-31 | 2022-10-31 | 一种电极片贴附方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365696.9A CN115619808B (zh) | 2022-10-31 | 2022-10-31 | 一种电极片贴附方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115619808A CN115619808A (zh) | 2023-01-17 |
| CN115619808B true CN115619808B (zh) | 2023-12-01 |
Family
ID=84877275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211365696.9A Active CN115619808B (zh) | 2022-10-31 | 2022-10-31 | 一种电极片贴附方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619808B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542115B (zh) * | 2023-07-06 | 2023-10-20 | 湖南安泰康成生物科技有限公司 | 生物体目标区域电场强度模的确定方法、装置及电子设备 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006285286A (ja) * | 2000-04-25 | 2006-10-19 | Fuji Xerox Co Ltd | 画像表示装置及び画像形成方法 |
| WO2008136101A1 (ja) * | 2007-04-25 | 2008-11-13 | Shimadzu Corporation | ナノ粒子計測方法および装置 |
| CN103462605A (zh) * | 2013-09-06 | 2013-12-25 | 南京邮电大学 | 一种生物电阻抗成像方法 |
| CN103714197A (zh) * | 2013-11-18 | 2014-04-09 | 重庆大学 | 一种优化超/特高压输电线路电磁环境的结构设计方法 |
| CN107004519A (zh) * | 2014-12-16 | 2017-08-01 | 日本贵弥功株式会社 | 金属化合物粒子群的制造方法、金属化合物粒子群及包含金属化合物粒子群的蓄电装置用电极 |
| CN107609649A (zh) * | 2017-09-13 | 2018-01-19 | 广东电网有限责任公司江门供电局 | 一种基于遗传粒子群混合的雷电定位计算优化方法 |
| CN108630908A (zh) * | 2017-03-22 | 2018-10-09 | 株式会社东芝 | 电极、非水电解质电池、电池包及车辆 |
| CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
| CN109969255A (zh) * | 2018-12-28 | 2019-07-05 | 南京航空航天大学 | 一种基于磁流变液的循环球式电液转向系统及其优化方法 |
| CN110321617A (zh) * | 2019-06-26 | 2019-10-11 | 中国人民解放军陆军装甲兵学院 | 产生均匀磁场的同轴螺线管圆筒磁场分析方法 |
| CN110732087A (zh) * | 2018-07-20 | 2020-01-31 | 湖南安泰康成生物科技有限公司 | 便携式治疗辅助系统 |
| CN111598209A (zh) * | 2020-03-23 | 2020-08-28 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于串行式融合的ga&pso优化算法研究 |
| CN114415699A (zh) * | 2022-04-02 | 2022-04-29 | 深圳市海纳鑫信息科技有限公司 | 一种能够根据路面信息进行处理的机器人智能避障系统 |
| CN114947802A (zh) * | 2022-04-13 | 2022-08-30 | 桂林电子科技大学 | 基于疏密两种网格剖分模型的粒子群优化电阻抗成像方法 |
| CN114999625A (zh) * | 2021-03-02 | 2022-09-02 | 中国信息通信研究院 | 一种利用粒子群优化算法定位最佳治疗方案的方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3974024B1 (en) * | 2016-12-13 | 2024-08-21 | Novocure GmbH | Electrode positioning optimized using deformable templates |
-
2022
- 2022-10-31 CN CN202211365696.9A patent/CN115619808B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006285286A (ja) * | 2000-04-25 | 2006-10-19 | Fuji Xerox Co Ltd | 画像表示装置及び画像形成方法 |
| WO2008136101A1 (ja) * | 2007-04-25 | 2008-11-13 | Shimadzu Corporation | ナノ粒子計測方法および装置 |
| CN103462605A (zh) * | 2013-09-06 | 2013-12-25 | 南京邮电大学 | 一种生物电阻抗成像方法 |
| CN103714197A (zh) * | 2013-11-18 | 2014-04-09 | 重庆大学 | 一种优化超/特高压输电线路电磁环境的结构设计方法 |
| CN107004519A (zh) * | 2014-12-16 | 2017-08-01 | 日本贵弥功株式会社 | 金属化合物粒子群的制造方法、金属化合物粒子群及包含金属化合物粒子群的蓄电装置用电极 |
| CN108630908A (zh) * | 2017-03-22 | 2018-10-09 | 株式会社东芝 | 电极、非水电解质电池、电池包及车辆 |
| CN107609649A (zh) * | 2017-09-13 | 2018-01-19 | 广东电网有限责任公司江门供电局 | 一种基于遗传粒子群混合的雷电定位计算优化方法 |
| CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
| CN110732087A (zh) * | 2018-07-20 | 2020-01-31 | 湖南安泰康成生物科技有限公司 | 便携式治疗辅助系统 |
| CN109969255A (zh) * | 2018-12-28 | 2019-07-05 | 南京航空航天大学 | 一种基于磁流变液的循环球式电液转向系统及其优化方法 |
| CN110321617A (zh) * | 2019-06-26 | 2019-10-11 | 中国人民解放军陆军装甲兵学院 | 产生均匀磁场的同轴螺线管圆筒磁场分析方法 |
| CN111598209A (zh) * | 2020-03-23 | 2020-08-28 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于串行式融合的ga&pso优化算法研究 |
| CN114999625A (zh) * | 2021-03-02 | 2022-09-02 | 中国信息通信研究院 | 一种利用粒子群优化算法定位最佳治疗方案的方法及系统 |
| CN114415699A (zh) * | 2022-04-02 | 2022-04-29 | 深圳市海纳鑫信息科技有限公司 | 一种能够根据路面信息进行处理的机器人智能避障系统 |
| CN114947802A (zh) * | 2022-04-13 | 2022-08-30 | 桂林电子科技大学 | 基于疏密两种网格剖分模型的粒子群优化电阻抗成像方法 |
Non-Patent Citations (2)
| Title |
|---|
| Particle swarm optimization for programming deep brain stimulation arrays;Edgar Peña等;《Journal of Neural Engineering》;第1-15页 * |
| 磁探测电阻抗成像数据采集系统的研究;冯彦博;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2018）12期);I138-1165 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115619808A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8589316B2 (en) | System and method to estimate region of tissue activation | |
| RU2647150C1 (ru) | Визуализация методом магнитоиндукционной томографии с помощью одной катушки | |
| EP3824805A1 (en) | Apparatus and methods for treating a tumor with an alternating electric field and for selecting a treatment frequency based on estimated cell size | |
| CN115619808B (zh) | 一种电极片贴附方法与系统 | |
| JP2024038252A (ja) | 頸部への腫瘍治療電界（ＴＴＦｉｅｌｄｓ）の印加 | |
| Gomez et al. | Numerical analysis and design of single-source multicoil TMS for deep and focused brain stimulation | |
| RU2617270C1 (ru) | Катушка для визуализации методом магнитоиндукционной томографии | |
| CN117438039B (zh) | 一种确定电极片的贴敷分布的方法和装置 | |
| JP2008272497A (ja) | 磁気刺激のためのコイル最適化 | |
| Vu et al. | Machine learning-based prediction of MRI-induced power absorption in the tissue in patients with simplified deep brain stimulation lead models | |
| US20240303922A1 (en) | Methods, systems, and apparatuses for medical image enhancement to optimize transducer array placement | |
| US12002153B2 (en) | Methods, systems, and apparatuses for medical image enhancement to optimize transducer array placement | |
| CN116542115A (zh) | 生物体目标区域电场强度模的确定方法、装置及电子设备 | |
| CN116832326A (zh) | 经颅电刺激的电极优化方法及装置、电子设备、存储介质 | |
| EP4210815B1 (en) | Methods and apparatuses for determining transducer locations to generate tumor treating fields | |
| Vatta et al. | Multiregion bicentric-spheres models of the head for the simulation of bioelectric phenomena | |
| Li et al. | Particle swarm optimization for positioning the coil of transcranial magnetic stimulation | |
| Zhu et al. | An optimization approach for transcranial direct current stimulation using nondominated sorting genetic algorithm II | |
| US12066511B2 (en) | Method for designing electromagnetic coils with explicit peripheral nerve stimulation constraint based on an oracle penalty | |
| CN114463305A (zh) | 定位头套制备方法、装置及存储介质 | |
| Marinova et al. | A neural network inversion approach to electromagnetic device design | |
| CN116523872A (zh) | 一种选取电极片贴附位置和施加电流源的方法与系统 | |
| US20240165419A1 (en) | Systems and methods for machine-learning guided treatment planning and monitoring of electric field therapy implants | |
| CN118267627B (zh) | 一种胶质瘤的脊髓播散电磁治疗装置 | |
| CN118543031A (zh) | 一种经颅电刺激干预认知功能的方法和装置 |
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 |