CN117936024A - 一种程控参数配置方法及相关装置 - Google Patents
一种程控参数配置方法及相关装置 Download PDFInfo
- Publication number
- CN117936024A CN117936024A CN202410316865.2A CN202410316865A CN117936024A CN 117936024 A CN117936024 A CN 117936024A CN 202410316865 A CN202410316865 A CN 202410316865A CN 117936024 A CN117936024 A CN 117936024A
- Authority
- CN
- China
- Prior art keywords
- program control
- parameter
- control parameters
- parameters
- patient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000011282 treatment Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 210000005036 nerve Anatomy 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 48
- 210000004556 brain Anatomy 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 28
- 230000005684 electric field Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 33
- 230000002980 postoperative effect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000001727 in vivo Methods 0.000 abstract 1
- 208000016255 tiredness Diseases 0.000 abstract 1
- 230000003867 tiredness Effects 0.000 abstract 1
- 230000000638 stimulation Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 206010067484 Adverse reaction Diseases 0.000 description 5
- 230000006838 adverse reaction Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 230000001225 therapeutic effect Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007383 nerve stimulation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000011157 brain segmentation Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 206010013496 Disturbance in attention Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001515 vagal effect Effects 0.000 description 1
- 210000001186 vagus nerve Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/36128—Control systems
- A61N1/36135—Control systems using physiological parameters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
- A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
- A61N1/36103—Neuro-rehabilitation; Repair or reorganisation of neural tissue, e.g. after stroke
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurosurgery (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- General Business, Economics & Management (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Rehabilitation Therapy (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Electrotherapy Devices (AREA)
Abstract
本申请提供一种程控参数配置方法及相关装置,属于医疗器械技术领域,所述程控参数用于体内植入神经刺激器,所述方法包括:获取患者的影像资料;对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数,为DBS术后程控提供了基准参数,为后续程控提供了参考基准,大幅缩减程控耗时。避免程控时间过长,患者倦怠、注意力不集中所致的疗效反馈不佳,进而提高程控的效率和有效性;为DBS术后程控提供了可供参考的设置依据,减少了程控医生诊疗经验差异所致的疗效差异,也减少了患者程控频次,为患者带来了便捷,节省了卫生支出。
Description
技术领域
本申请涉及医疗器械技术领域,尤其涉及一种程控参数配置方法及相关装置。
背景技术
脑深部电刺激(Deep brain stimulation, DBS)是一种通过在人脑特定神经结构植入刺激电极,并使用神经刺激器发放弱电脉冲来改变大脑神经环路和网络的电活动及功能,以达到控制和改善患者症状的侵入式神经调控技术。
在目前的DBS治疗中,治疗效果、不良反应与电极触点附近的电场激活范围(Volume of tissue activated, VTA)的分布情况密切相关。理想的电场激活范围应该与靶区域重合程度高,以获得最佳的治疗效果,并减少不良反应。然而,目前的程控方法无法准确预测和确定电场激活范围,这使得医生在选择初始程控参数时存在困难。医生通常需要通过尝试不同的电极触点和刺激参数组合来找到最佳的程控参数。然而,这种程控方式存在一些问题。首先,初始的程控参数难以确定,往往需要根据医生的经验进行试探性调整。其次,程控过程耗时较长,通常需要数小时,这不仅增加了医生的负担,也容易导致患者疲劳和注意力不集中,从而影响医生的观察和判断,当患者单次程控未达最佳疗效时,后续的程控频次也会增多,患者需要多次往返医院就诊,为患者造成不便。此外,由于可能的触点和刺激参数组合数量巨大,无法逐一尝试和评估,基于医生经验和尝试无法搜索所有可能的程控参数组合;往往只能基于有限的尝试来确定程控参数,这可能导致确定的程控参数并非患者的最佳参数。
发明内容
本申请的目的在于提供一种程控参数配置方法及相关装置,以解决现有三维可视化程控中存在的初始程控参数难以确定、程控时间过长以及基于医生经验和尝试无法搜索所有可能的程控参数组合,因而有限次的尝试下确定的程控参数可能并非该患者最佳程控参数的问题。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种程控参数配置方法,所述程控参数用于体内植入神经刺激器,所述方法包括:
获取患者的影像资料;
对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;
基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数。
优选地,所述程控参数配置方法,所述对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;包括:
对患者的影像资料进行分割获得目标靶区;
获得三维空间中的电场强度标量场,并计算重合率;
通过迭代计算,获得最高重合率;基于最高重合率,获得推荐程控参数。
优选地,所述程控参数配置方法,所述获得三维空间中的电场强度标量场,并计算重合率,包括:
通过分割算法获得不同组织的分割结果;
有序构建神经刺激器的触点数组;
将初始程控参数作为输入、触点数组以及分割结果作为第一目标函数输入,获得三维空间中的电场强度标量场;
通过计算三维空间中的电场强度标量场在目标靶区的积分获得重合率。
优选地,所述程控参数配置方法,所述参数补偿模型的构建方法包括:
获取实际治疗记录中的实际程控参数;
利用实际程控参数和对应的推荐程控参数,获得该实际程控参数对应的误差结果;
通过多个误差结果,构建参数补偿模型并进行迭代优化。
优选地,所述程控参数配置方法,所述通过多个误差结果,构建参数补偿模型并进行迭代优化;包括:
获取实际程控参数的使用时长;
通过使用时长获得该实际程控参数对应的误差结果的权重;
将所述误差结果的权重作为所述参数补偿模型的输入,获得最终参数补偿输出结果。
可选地,所述的程控参数配置方法,所述实际程控参数的使用时长包括每组实际程控参数的连续使用时长或每组实际程控参数的累计使用时长。
可选地,所述的程控参数配置方法,利用实际程控参数、对应的推荐程控参数以及第一目标函数获得第一误差;
所述第一目标函数的输入包括程控参数、触点数组以及分割结果;
所述第一误差为第一相对区域与第二相对区域的差值;
所述第一相对区域通过实际程控参数、患者的脑区分割结果以及触点数组并基于第一目标函数得到;
所述第二相对区域通过推荐程控参数、患者的脑区分割结果以及触点数组并基于第一目标函数得到;
通过多个第一误差,构建第一参数补偿模型并进行迭代优化。
可选地,所述的程控参数配置方法,利用实际程控参数和对应的推荐程控参数,获得第二误差;所述第二误差为实际程控参数和对应的推荐程控参数的直接差值;
通过多个第二误差,构建第二参数补偿模型并进行迭代优化。
优选地,所述的程控参数配置方法,所述基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数配置;包括:
基于参数补偿模型,获得参数补偿值;
通过推荐程控参数和参数补偿值,获得最佳程控参数。
另一方面,本申请提出一种程控参数配置装置,所述程控参数用于体内植入神经刺激器,所述装置包括:
影像获取模块,用于获取患者的影像资料;
推荐参数获取模块,用于对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;
最佳参数配置模块,用于基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数。
第三方面,本申请提出一种医疗系统,所述医疗系统包括:
植入式医疗设备,所述植入式医疗设备植入在患者体内;
程控参数配置装置,所述程控参数配置装置通过上述任一项所述的方法实现程控参数配置。
第四方面,本申请提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
在一些可选的实施例中,所述电子设备还设置有显示屏。
第五方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项方法的步骤。
第六方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指今被处理器执行时实现上述任一项所述方法的步骤,或者本申请所述装置的功能。
本发明的有益效果至少包括如下几个方面:通过基于参数补偿模型并利用推荐程控参数,可以获得最佳程控参数。这样可以确保在治疗过程中获得最佳的电场强度标量场,从而提高疗效。为DBS术后程控提供了基准参数,为后续程控提供了参考基准,大幅缩减程控耗时。避免程控时间过长,患者倦怠、注意力不集中所致的疗效反馈不佳,进而提高程控的效率和有效性。通过分割算法获得目标靶区,并利用初始程控参数计算重合率并进行迭代计算获得最高重合率,基于最高重合率获得推荐程控参数,从而自动化地进行参数优化。这样可以减少人工干预,提高参数优化的效率和准确性。通过构建参数补偿模型并进行迭代优化,可以根据实际治疗记录中的实际程控参数和对应的推荐程控参数获得误差结果,从而进一步优化参数配置。这样可以不断改进参数配置的准确性和稳定性。为DBS术后程控提供了可供参考的设置依据,减少了程控医生诊疗经验差异所致的疗效差异,也减少了患者程控频次,为患者带来了便捷,节省了卫生支出。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种程控参数配置方法的示意图;
图2是本申请实施例提供的程控参数设置流程示意图;
图3是本申请实施例提供的触点状态组合的有序数组的构建方式示意图;
图4是本申请实施例提供的一种程控参数配置装置示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
下面,首先对本申请实施例的其中一个应用领域(即植入式器械)进行简单说明。植入式神经刺激系统(一种植入式医疗系统)主要包括植入患者体内的刺激器以及设置于患者体外的程控设备。现有的神经调控技术主要是通过立体定向手术在体内特定结构(即靶点)植入电极,并由植入患者体内的刺激器经电极向靶点发放电脉冲,调控相应神经结构和网络的电活动及其功能,从而改善症状、缓解病痛。其中,刺激器可以是植入式神经电 刺激装置、植入式心脏电 刺激系统 (又称心脏起搏器) 、植入式药物输注装置(ImplantableDrug Delivery System,简称IDDS)和导线转接装置中的任意一种。植入式神经电刺激装置例如是脑深部电刺激系统(Deep Brain Stimulation,简称DBS)、植入式脑皮层刺激系统(Cortical Nerve Stimulation,简称CNS)、植入式脊髓电刺激系统(Spinal CordStimulation,简称SCS)、植入式骶神经电刺激系统(Sacral Nerve Stimulation,简称SNS)、植入式迷走神经电刺激系统(Vagus Nerve Stimulation,简称VNS)等。刺激器可以包括IPG、延伸导线和电极导线,IPG(implantable pulse generator,植入式脉冲发生器)设置于患者体内,接收程控设备发送的程控指令,依靠密封电池和电路向体内组织提供可控制的电刺激能量,通过植入的延伸导线和电极导线,为体内组织的特定区域递送一路或两路可控制的特定电刺激。
DBS治疗的疗效、不良反应与电极触点附近的电场激活范围(Volume of tissueactivated, VTA)的分布情况有关。通常来说,电场激活范围与靶区域重合程度越高,治疗效果越好。若电场激活范围覆盖靶区域以外的脑区,则可能造成刺激相关不良反应。
本申请对植入设备不做限制,实施例通过对植入设备进行程控参数配置,以解决现有三维可视化程控中存在的问题:1. 初始程控参数难以确定;2. 程控时间过长;3. 基于医生经验和尝试无法搜索所有可能的程控参数组合(事实上可能的程控参数组合数量非常大,无法逐一尝试和评估),因而有限次的尝试下确定的程控参数可能并非该患者最佳程控参数。
本申请的目的采用以下技术方案实现:
本申请所述技术方案不限于特定的电极种类或数量,也不受限于特定的脉冲发生器类型。
参见图1,本申请实施例提供了一种程控参数配置方法,所述程控参数用于体内植入神经刺激器,所述方法包括:
获取患者的影像资料;所述影像资料包括CT、MRI等影像数据;
对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;
基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数。
上述技术方案的原理和效果为:获取患者的生理结构和病变情况等信息;这些信息对于后续的程控参数配置至关重要,因为它们可以帮助确定最适合患者的神经刺激器参数。从影像资料中提取出有用的信息,例如患者的神经结构、病变程度等。这一步通常涉及到图像增强、分割、配准等技术,以使后续的参数推荐更为准确;系统会根据所提取出的患者信息,结合处理模型,推荐一组初步的程控参数。参数补偿模型是一种算法或数学模型,它可以对初步推荐的程控参数进行优化和调整,以获得最佳的刺激效果。这一步通常涉及到机器学习、人工智能等技术,通过训练模型来找到最适合患者的程控参数配置。该方法能够快速、准确地为患者提供最佳的程控参数配置,因此可以大大缩短治疗周期,从而提高治疗效率。由于该方法能够提供更为精准、个性化的治疗和管理方案,患者可能会获得更好的治疗效果,从而提高患者满意度。
本申请的一个实施例程控参数配置方法,所述对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;包括:
对患者的影像资料进行分割获得目标靶区;
获得VTA即三维空间中的电场强度标量场,并计算重合率;
通过迭代计算,获得最高重合率;基于最高重合率,获得推荐程控参数。
在一些优选的实施例中,获得三维空间中的电场强度标量场,并计算重合率,包括:
通过分割算法获得不同组织的分割结果;
有序构建神经刺激器的触点数组;
将初始程控参数作为输入、触点数组以及分割结果作为第一目标函数输入,通过有限元分析模拟,获得三维空间中的电场强度标量场;其中,第一目标函数可以抽象为S函数;其中,初始程控参数为不同疾病(例如帕金森)可以通用的安全范围内的任意一组程控参数;
计算三维空间中的电场强度标量场在目标靶区的积分获得重合率。
在一些优选的实施例中,所述基于最高重合率,获得推荐程控参数,包括:
通过迭代算法,获得重合率最高的程控参数组合作为推荐程控参数;所述迭代算法可以为线性规划、或梯度下降、或反向传播神经网络等算法,可搜索出重合率最高的参数组合,作为推荐程控参数。
上述技术方案的工作原理为:
本申请所述技术方案不限于特定的电极种类或数量,也不受限于特定的脉冲发生器类型,若左、右侧大脑的电极各有n个触点,记左侧电极从最腹侧至最背侧触点编号依次为0、1、2、…、n-1,记右侧电极从最腹侧至最背侧触点编号依次为n、n+1、n+2、…、2n-1,记脉冲发生器为C。治疗过程中,每个触点存在三种可能的状态:
1. 用作负极(-);
2. 用作正极(+);
3. 关闭(_)。
脉冲发生器存在两种可能的状态:
1. 用作正极(+);
2. 关闭(_)。
若关闭(_)记为0,用作负极(-)记为1,用作正极(+)记为2,则所有触点的选择组合可用一个有序数组contact_list表示,如图3所示。
患者DBS手术前扫描得到的T1脑影像可通过常见的分割算法计算得到灰质、白质、脑脊液、血管等分割结果(brain_masks)本实施例中分割结果为脑区分割结果,不同的组织种类具有不同的电导率,这将影响到后续的有限元模拟计算VTA(即三维空间中的电场强度标量场);将程控参数(幅值V,频率F,脉宽P)、contact_list、brain_masks。该计算过程可抽象为如下的S函数:S函数即为第一目标函数;
VTA为三维空间中的电场强度标量场;
患者的T1脑影像可通过人工、或基于规则的算法、或训练的神经网络分割得到靶区域,记为target_mask。target_mask是三维空间中的标量场,靶区域内部体素的值为1,靶区域外部体素的值为0。定义重合率(Overlap ratio)为VTA在target_mask内的积分,如下:
定义脱靶率(Offtarget ratio)为VTA在target_mask以外区域的积分,如下:
其中,表示target_mask相对于Whole Space的补集( />为补集符号),即Whole Space减去target_mask区域后剩余的区域,也就是原本并不希望刺激到的区域;写在积分符号下代表对该空间区域内的VTA求体积分,即原本不想刺激到的区域内的刺激强度积分,定义该积分值为脱靶率。脱靶率越高,则越多的脱靶区域被刺激到。
为简化计算,VTA亦可采用二值化截断转换为三维空间中非0即1的标量场。即给定电场强度阈值后,小于该阈值的所有体素均变为0,高于该阈值的体素均变为1。则重合率可简化为VTA与target_mask重合部分的体积与VTA体积的比值。此时脱靶率 = 1-重合率。
当给定程控参数后,VTA随即确定,重合率和脱靶率也随之确定。
该算法迭代的初始条件假设疗效正比于重合率,不良反应正比于脱靶率,则推荐程控参数选定为“使得重合率最高的程控参数”。通过线性规划、或梯度下降、或反向传播神经网络等算法,可搜索出重合率最高的参数组合,作为推荐程控参数。医生可以从推荐的这组参数出发进行微调,从而大大缩短程控时间,提高程控效率和疗效。
上述过程可抽象为一个函数,该函数以“最大化重合率”为目标,搜索“推荐程控参数”,如下:
在一些优选的实施例中,所述参数补偿模型的构建方法包括:
获取实际治疗记录中的实际程控参数;通过数据库获取用户实际治疗记录中的实际程控参数以及对应的推荐程控参数;
利用实际程控参数和对应的推荐程控参数,获得该实际程控参数对应误差结果;
通过多个误差结果,构建参数补偿模型并进行迭代优化;通过数据库获取多个用户实际治疗记录中的多组实际程控参数以及对应的推荐程控参数,获得多个误差结果;其中参数补偿模型可以采用经典的矩阵最小二乘法、或支持向量机、或较为复杂的神经网络。
在一些实施例中,利用实际程控参数和推荐程控参数、以及第一目标函数所需的全部其他输入,获得第一误差;所述其他全部输入包括触点数组以及脑区分割结果,获得第一误差;所述第一误差为第一相对区域与第二相对区域的差值;所述第一相对区域通过实际程控参数、触点组数以及患者的脑区分割结果(brain masks)并基于第一目标函数得到,即实际 VTA与脑区分割结果(brain masks)的相对位置关系;所述第二相对区域通过推荐程控参数、触点组数以及患者的脑区分割结果(brain masks)并基于第一目标函数得到即预设VTA与脑区分割结果(brain masks)的相对位置关系;所述第一目标函数可以抽象为S函数;所述第一目标函数的输入包括程控参数、触点数组以及脑区分割结果。
通过多个第一误差,构建第一参数补偿模型并进行迭代优化。
在另外一些实施例中,利用实际程控参数和推荐程控参数,获得第二误差;所述第二误差为实际程控参数和对应的推荐程控参数的直接差值;
通过多个第二误差,构建第二参数补偿模型并进行迭代优化。
上述技术方案的工作原理为:参照图2,对于特定患者,以其术前核磁影像、术后CT影像为输入,可计算得出使得重合率最高的程控参数。该参数与实际使得临床疗效最大的程控参数之间存在一个未知的误差分布,即“参数误差Ep”。同样地,使得重合率最高的程控参数计算得到的VTA(即推荐VTA)与使得临床疗效最大的程控参数计算得到的实际VTA之间也存在一个未知的误差分布,即“VTA误差Ev”。因为使得重合率最高的程控参数已知,如果能够通过拟合Ep,则只需补偿误差Ep即可得到使临床疗效最大的程控参数。此外,如果够通过拟合Ev,因为使得重合率最高的程控参数可计算得出预测VTA,因此只需补偿误差Ev即可得到使临床疗效最大的实际VTA,随后通过S函数可逆向求解出使临床疗效最大的程控参数。
而患者每次使用程控设备进行程控的时候,程控设备可记录程控日志并上传至公司服务器,因而服务器可积累大量程控产生的数据,包括但不限于:每次程控的具体参数、程控当天的日期等。利用每次程控的具体参数和DBS围术期内获得的核磁和CT影像资料,我们可以计算该程控参数对应的实际VTA。通过推荐程控参数对应的VTA,以及实际的VTA可以获得实际与推荐程控参数对应VTA的差值,通过多个第一误差(即多个VTA的差值)、推荐程控参数以及实际程控参数建立训练模型进行训练,并根据数据收集量进行迭代优化,从而获得第一参数补偿模型,通过第一参数补偿模型,输出最终的第一误差,通过推荐程控参数对应的VTA与脑区分割结果(brain masks)的相对位置关系以及模型输出的最终第一误差,获得最优的VTA与脑区分割结果(brain masks)的相对位置关系,并基于第一目标函数,由此获得最终的程控参数即最佳程控参数,其中训练模型可以采用经典的矩阵最小二乘法、或支持向量机、或较为复杂的神经网络。
当然,也可以基于第二误差、推荐程控参数、实际程控参数建立训练模型进行训练,获得第二参数补偿模型,通过第二参数补偿模型,获得最终的第二误差,通过推荐程控参数与最终的第二误差,获得最终的程控参数即最佳程控参数;其中训练模型可以采用经典的矩阵最小二乘法、或支持向量机、或较为复杂的神经网络。
当输入大量程控数据后Efit可有效拟合Ep或Ev的分布,从而帮助我们补偿该误差,获得使得临床疗效最大的程控参数,即“最佳程控参数”。
上述技术方案的效果为:在构建参数补偿模型的过程中,首先获取实际治疗记录中的实际程控参数和数据库中的实际治疗记录。然后,基于第一目标函数,利用实际程控参数和对应的推荐程控参数、触点组数以及患者的脑区分割结果,计算出第一误差。或者直接通过用实际程控参数和对应的推荐程控参数,计算第二误差;通过参数补偿模型,可以更准确地预测最终误差,根据通过推荐程控参数拟合最终误差,配置最佳程控参数,从而提高治疗的准确性和效果。通过多个第一误差或者第二误差,可以构建参数补偿模型并进行迭代优化。这个过程可以通过使用经典的矩阵最小二乘法、支持向量机或复杂的神经网络等训练模型来完成。通过不断迭代优化,模型可以逐渐拟合误差分布,从而帮助补偿误差并获得最佳程控参数配置。最终,通过参数补偿模型的迭代优化过程,可以获得最佳程控参数配置,这些参数能够最大限度地提高治疗效果并减少不良反应。医生可以根据这些参数进行程控操作,从而为患者提供更加精准和个性化的治疗和管理方案。
通过理论获得的推荐程控参数,目标靶区核团可能并非最优的目标靶区,而通过患者的实际使用记录,基于补偿模型获得实际的靶区核团,有助于提高治疗效果和患者满意度,同时推动医疗技术的进步和医疗系统的可持续发展。
本申请的一个实施例程控参数配置方法,通过多个误差结果,构建参数补偿模型并进行迭代优化;包括:
获取实际程控参数的使用时长;
通过使用时长获得该实际程控参数对应的误差结果的权重;
将所述误差结果的权重作为参数补偿模型输入,获得最终参数补偿输出结果。
上述技术方案的工作原理为:首先,通过患者使用的程控设备记录实际程控参数的使用时长。这个时长可以反映参数的稳定性和可靠性,使用时长越长,说明参数的稳定性和可靠性越高。选择使用时长较长的参数视作使得临床疗效最大的程控参数。因为程控频率越低,同一参数使用时长越长,说明患者主动就医调参的意愿越低,因而推测患者在该程控参数下的疗效越显著、越稳定。使用时长越长的参数将被赋予更大的疗效权重,基于使用时长,计算该实际参数对应的误差结果的权重;接下来,将误差结果的权重作为参数补偿模型的输入,进行迭代优化。迭代优化的过程可以通过使用矩阵最小二乘法、支持向量机或复杂的神经网络等训练模型来完成。通过迭代优化,模型可以逐渐拟合误差分布,并根据权重的大小调整参数的准确性。最终,通过迭代优化过程,获得最终的参数补偿输出结果。这个结果可以作为最佳程控参数配置的参考依据,为医生提供更加精准和个性化的治疗和管理方案。
在一些实施例中,使用时长可以是某组程控参数的连续使用时长。连续使用时长可以指患者在一次治疗过程中持续使用该参数的时间长度;如果患者在一个疗程中使用同样的参数配置持续时间较长,可以表明该参数在这个特定的治疗过程中表现稳定、有效。
在另一些实施例中,使用时长可以是某组程控参数的累计使用时长,例如,某组实际程控参数患者今天使用一小时,明天使用一小时,在一段时间内累计使用了50小时,另外一组实际程控参数在同样的时间段内累计使用了30个小时,则累计使用50个小时的实际程控参数的对应误差的权重高于累计使用30个小时的实际程控参数对应误差的权重。
上述技术方案的效果为:通过考虑实际程控参数的使用时长和第一差值的权重,能够更加准确地评估参数的准确性和可靠性,从而提供更加精准的参数配置方案。通过更加精确和可靠的参数配置,可以大大提高治疗效果,提高患者的治愈率和康复水平。使用时长可以反映参数的稳定性和可靠性,通过加权计算权重,可以更加准确地评估参数的可靠性和稳定性,从而提高整个医疗系统的可靠性。通过迭代优化过程,可以不断改进参数补偿模型的准确性和可靠性,从而为医生提供更加精准和个性化的治疗和管理方案,缩短治疗周期,提高治疗效率。
本申请的一个实施例程控参数配置方法,通过使用时长获得该实际参数对应的误差结果的权重;包括:
对多个使用时长进行统计分析获得时长统计结果,此处的使用时长可以为连续使用时长,也可以为累计使用时长;
对时长统计结果进行分组获得分组结果;其中分组规则可以为统计时长在时长分布中的占比,例如可以将时长分布在0%~5%的为一组,5%~10% 的为一组,依次类推;
根据分组结果获得对应的权重。
其中一些可能的方法中,权重通过如下方式获得:
其中,i为组别,M为分组的总个数;/>为第i组对应的权重。
上述技术方案的工作原理和效果为:首先,收集并记录多个实际程控参数的使用时长数据。这些数据反映了不同参数在实际使用中的时间和稳定性。
接下来,对收集到的使用时长数据进行统计分析,以获得时长统计结果。这一步骤可能包括计算平均使用时长、最长使用时长、最短使用时长等统计量,以全面了解数据的分布特征。
然后,根据统计分析的结果,对使用时长进行分组。分组的规则可以基于时长在总体分布中的占比,例如将时长分布在0%~5%的归为一组,5%~10%的归为一组,以此类推。这样的分组有助于区分不同参数在使用频率和稳定性上的差异。
分组完成后,根据分组结果计算每组的权重。权重的计算公式为;其中,i为组别,N为分组的总个数;/>为第i组对应的权重。公式确保了权重之和为1,并且每个组的权重与其在分组序列中的位置成正比。这意味着使用频率较高、稳定性较好的参数组将获得更大的权重。最后,将计算得到的权重作为参数补偿模型的输入。参数补偿模型利用这些权重信息,结合第一差值(即推荐参数与实际参数之间的差异),进行迭代优化,以寻找最佳的参数补偿配置。
综上所述,该方法通过统计分析使用时长,并根据时长分布特征进行分组和权重计算,为参数补偿模型提供了重要的输入信息。这有助于提高程控参数的准确性和可靠性,进而优化治疗效果,提高患者满意度。
在另一些实施例中,如果某组实际程控参数的使用时长远远高于其它组的使用时长,则将此组实际程控参数对应的误差的权重设置为无限接近于1;或者将使用时长最高的程控参数误差的权重设置为无限接近于1;
在另外一些实施例中,也可以选择多组使用时长排序靠前的实际程控参数,并按照选择的实际程控参数对应的使用时长分配对应的误差权重。
本申请的一个实施例程控参数配置方法,所述基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数配置;包括:
基于参数补偿模型,获得参数补偿值;所述参数补偿模型包括第一参数补偿模型或第二参数补偿模型;
通过推荐程控参数和参数补偿值,获得最佳程控参数配置。
在一些实施例中所述参数补偿模型为第一参数补偿模型;具体过程如下:
1)获得推荐程控参数对应的VTA;
输入:推荐程控参数,第一目标函数,触点数组以及脑区分割结果;
输出:推荐程控参数对应的VTA;
2)基于第一参数补偿模型计算第一补偿即最终第一误差:
输入:推荐程控参数,
处理:第一参数补偿模型接收推荐程控参数,并根据模型的内部逻辑或算法计算出相应的第一补偿即最终第一误差;输出:最终第一误差;
3)获得补偿后的VTA:
输入:最终第一误差、推荐程控参数对应的VTA;
处理:将计算出的第一误差应用于推荐程控参数对应的VTA,得到最终的VTA。这个VTA表示经过补偿后的VTA。
输出:补偿后的VTA
4)确定最佳程控参数:
输入:补偿后的VTA、第一目标函数,触点数组以及脑区分割结果;
处理根据最终电场强度标量场和第一目标函数,反向确定最佳程控参数配置。
输出:最佳程控参数。
综上所述,该方法通过第一参数补偿模型计算最终第一误差;调整VTA,并最终确定最佳程控参数配置。这个过程基于数学模型和数据驱动的方法,确保了参数配置的准确性和可靠性,从而优化治疗效果。
在另外一些实施例中,参数补偿模型为第二参数补偿模型,首先,基于第二参数补偿模型,计算出对应推荐程控参数的最佳补偿值,所述最佳补偿值为实际程控参数与对应程控参数的最佳直接差值,通过最佳补偿值,以及对应推荐程控参数,获得最佳程控参数。
该方法利用数学模型和数据驱动的方法,可以自动计算推荐程控参数的最佳补偿值和最佳程控参数配置,减少了人工干预的需求。这样可以节省时间和人力成本,并且降低了人为误差的风险。
该方法可以适用于不同的实施例和治疗场景。通过调整参数补偿模型和目标函数,可以根据实际需求进行定制化配置。这种灵活性使得该方法具有广泛的适用性,并可以应用于各种程控参数配置需求。
综上所述,通过基于参数补偿模型和推荐程控参数获得最佳程控参数配置,该方法可以提高治疗效果、自动化参数配置、提高精确度和稳定性,以及具有可扩展性和适应性。
本申请的实施例程控参数配置装置,所述程控参数用于体内植入神经刺激器,所述装置包括:
影像获取模块,用于获取患者的影像资料;
推荐参数获取模块,用于对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;
最佳参数配置模块,用于基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数。
其中,推荐参数获取模块包括:
目标靶区获取单元,用于对患者的影像资料进行分割获得目标靶区;
重合率获取单元,获得VTA即三维空间中的电场强度标量场,并计算重合率;
最高重合率获取单元,用于通过迭代计算,获得最高重合率;
推荐参数获取单元,用于基于最高重合率,获得推荐程控参数。
其中重合率获取单元包括:
分割单元,用于通过分割算法获得不同组织的分割结果;
触点构建单元,用于有序构建神经刺激器的触点数组;
第一计算单元,用于将初始程控参数作为输入、触点数组以及分割结果作为第一目标函数输入,获得三维空间中的电场强度标量场;其中,第一目标函数可以抽象为S函数;其中,初始程控参数为不同疾病(例如帕金森)可以通用的安全范围内的任意一组程控参数;
第二获计算单元,用于计算三维空间中的电场强度标量场在目标靶区的积分获得重合率;
所述最高重合率获取单元,包括:通过迭代算法,获得重合率最高的程控参数组合作为推荐程控参数;通过线性规划、或梯度下降、或反向传播神经网络等算法,可搜索出重合率最高的参数组合,作为推荐程控参数。
本申请所述技术方案不限于特定的电极种类或数量,也不受限于特定的脉冲发生器类型,若左、右侧大脑的电极各有n个触点,记左侧电极从最腹侧至最背侧触点编号依次为0、1、2、…、n-1,记右侧电极从最腹侧至最背侧触点编号依次为n、n+1、n+2、…、2n-1,记脉冲发生器为C。治疗过程中,每个触点存在三种可能的状态:
1. 用作负极(-);
2. 用作正极(+);
3. 关闭(_)。
脉冲发生器存在两种可能的状态:
1. 用作正极(+);
2. 关闭(_)。
若关闭(_)记为0,用作负极(-)记为1,用作正极(+)记为2,则所有触点的选择组合可用一个有序数组contact_list表示,如图3所示。
患者DBS手术前扫描得到的T1脑影像可通过常见的分割算法计算得到灰质、白质、脑脊液、血管等分割结果(brain_masks)本实施例中分割结果为脑区分割结果,不同的组织种类具有不同的电导率,这将影响到后续的有限元模拟计算VTA(即三维空间中的电场强度标量场);将程控参数(幅值V,频率F,脉宽P)、contact_list、brain_masks。该计算过程可抽象为如下的S函数:S函数即为第一目标函数;
VTA为三维空间中的电场强度标量场;
患者的T1脑影像可通过人工、或基于规则的算法、或训练的神经网络分割得到靶区域,记为target_mask。target_mask是三维空间中的标量场,靶区域内部体素的值为1,靶区域外部体素的值为0。定义重合率(Overlap ratio)为VTA在target_mask内的积分,如下:
定义脱靶率(Offtarget ratio)为VTA在target_mask以外区域的积分,如下:
其中,表示target_mask相对于Whole Space的补集(/> 为补集符号),即Whole Space减去target_mask区域后剩余的区域,也就是原本并不希望刺激到的区域;写在积分符号下代表对该空间区域内的VTA求体积分,即原本不想刺激到的区域内的刺激强度积分,定义该积分值为脱靶率。脱靶率越高,则越多的脱靶区域被刺激到。
为简化计算,VTA亦可采用二值化截断转换为三维空间中非0即1的标量场。即给定电场强度阈值后,小于该阈值的所有体素均变为0,高于该阈值的体素均变为1。则重合率可简化为VTA与target_mask重合部分的体积与VTA体积的比值。此时脱靶率 = 1-重合率。
当给定程控参数后,VTA随即确定,重合率和脱靶率也随之确定。
该算法迭代的初始条件假设疗效正比于重合率,不良反应正比于脱靶率,则推荐程控参数选定为“使得重合率最高的程控参数”。通过线性规划、或梯度下降、或反向传播神经网络等算法,可搜索出重合率最高的参数组合,作为推荐程控参数。医生可以从推荐的这组参数出发进行微调,从而大大缩短程控时间,提高程控效率和疗效。
上述过程可抽象为一个函数,该函数以“最大化重合率”为目标,搜索“推荐程控参数”,如下:
在一些优选的实施例中,所述参数补偿模型的构建方法包括:
实际记录获取单元,用于获取实际治疗记录中的实际程控参数;通过数据库获取实际治疗记录中的实际程控参数和对应的推荐程控参数
误差获取单元,利用实际程控参数和对应的推荐程控参数,获得该实际程控参数对应的误差结果;
模型构建单元,用于通过多个误差结果,构建参数补偿模型并进行迭代优化。
其中,参数补偿模型包括第一参数补偿模型或第二参数补偿模型。
其中,第一参数补偿模型构建方法为:
利用实际程控参数和推荐程控参数、以及第一目标函数所需的全部其他输入,获得第一误差;所述第一误差为第一相对区域与第二相对区域的差值;所述第一相对区域通过实际程控参数、触点组数以及患者的脑区分割结果(brain masks)并基于第一目标函数得到,即实际 VTA与脑区分割结果(brain masks)的相对位置关系;所述第二相对区域通过推荐程控参数、触点组数以及患者的脑区分割结果(brain masks)并基于第一目标函数得到即,预设VTA与脑区分割结果(brain masks)的相对位置关系;所述第一目标函数可以抽象为S函数;所述第一目标函数的输入包括程控参数、触点数组以及脑区分割结果。
通过多个第一误差,构建第一参数补偿模型并进行迭代优化。
第二参数补偿模型的构建方法为:
利用实际程控参数和对应的推荐程控参数,获得第二误差;所述第二误差为实际程控参数和推荐程控参数的直接差值;
通过多个第二误差,构建第二参数补偿模型并进行迭代优化。
其中,模型构建单元还包括:
时长获取单元,用于获取实际程控参数的使用时长;
权重获取单元,用于通过使用时长获得该实际参数对应的误差结果的权重;
输入模块,用于将所述误差结果的权重作为参数补偿模型输入,获得最终参数补偿输出结果。
在一些实施例中,所述实际程控参数的使用时长包括每组实际程控参数的连续使用时长。
在另一些实施例中,所述实际程控参数的使用时长包括每组实际程控参数的累计使用时长。
在一些实施例中,权重获取单元包括:
统计单元,用于对多个连续使用时长进行统计分析获得时长统计结果;
分组单元,用于对时长统计结果进行分组获得分组结果;
计算单元,用于根据分组结果获得对应的权重。
在另一些实施例中,如果某组实际程控参数的使用时长远远高于其它组的使用时长,则将此组实际程控参数对应的误差的权重设置为无限接近于1;或者将使用时长最高的程控参数误差的权重设置为无限接近于1;
在其它一些实施例中,也可以选择多组使用时长靠前的实际程控参数,并按照选择的实际程控参数对应的使用时长分配对应的误差权重。
在一些实施例中,最佳参数配置模块包括:
补偿获取单元,基于参数补偿模型,获得参数补偿值;所述参数补偿模型包括第一参数补偿模型或第二参数补偿模型;
最终配置单元,用于通过推荐程控参数和参数补偿值,获得最佳程控参数。
在一些实施例中所述参数补偿模型为第一参数补偿模型;具体过程如下:
1)获得推荐程控参数对应的VTA;
输入:推荐程控参数,第一目标函数,触点数组以及脑区分割结果;
输出:推荐程控参数对应的VTA;
2)基于第一参数补偿模型计算第一补偿即最终第一误差:
输入:推荐程控参数,
处理:第一参数补偿模型接收推荐程控参数,并根据模型的内部逻辑或算法计算出相应的第一补偿即最终第一误差;输出:最终第一误差;
3)获得补偿后的VTA:
输入最终第一误差、推荐程控参数对应的VTA;
处理:将计算出的第一误差应用于推荐程控参数对应的VTA,得到最终的VTA。这个VTA表示经过补偿后的VTA。
输出:补偿后的VTA
4)确定最佳程控参数:
输入:补偿后的VTA、第一目标函数,触点数组以及脑区分割结果;
处理根据最终电场强度标量场和第一目标函数,反向确定最佳程控参数配置。
输出:最佳程控参数。
在另外一些实施例中,参数补偿模型为第二参数补偿模型,首先,基于第二参数补偿模型,计算出对应推荐程控参数的最佳补偿值,所述最佳补偿值为实际程控参数与对应程控参数的最佳直接差值,通过最佳补偿值,以及对应推荐程控参数,获得最佳程控参数。
上述模块的工作原理和效果参考本申请中的程控参数配置方法,此处不做赘述。
本申请还提供一种医疗系统,所述医疗系统包括:
植入式医疗设备,所述植入式医疗设备植入在患者体内;
程控参数配置装置,所述程控参数配置装置通过实施例中记载的任一项程控参数配置方法实现程控参数配置。
本申请还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述一种程控参数配置方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指今被处理器执行时实现上述任一项所述程控参数配置方法的步骤。
在一些可选的实施例中,所述电子设备还设置有显示屏。
本申请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计算机程序,所述计算机程序被执行时实现本申请实施例中程控参数配置方法的步骤,其具体实现方式与上述一种程控参数配置实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
在本申请中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在关联设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下,在发明的范围内可以对上述实施例进行变化、修改、替换和变型,所有的这些改变都应该属于本发明权利要求的保护范围之内。本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (14)
1.一种程控参数配置方法,其特征在于,所述程控参数用于体内植入神经刺激器,所述方法包括:
获取患者的影像资料;
对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;
基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数。
2.根据权利要求1所述的程控参数配置方法,其特征在于,所述对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;包括:
对患者的影像资料进行分割获得目标靶区;
获得三维空间中的电场强度标量场,并计算重合率;
通过迭代计算,获得最高重合率;基于最高重合率,获得推荐程控参数。
3.根据权利要求2所述的程控参数配置方法,其特征在于,所述获得三维空间中的电场强度标量场,并计算重合率,包括:
通过分割算法获得不同组织的分割结果;
有序构建神经刺激器的触点数组;
将初始程控参数作为输入、触点数组以及分割结果作为第一目标函数输入,获得三维空间中的电场强度标量场;
通过计算三维空间中的电场强度标量场在目标靶区的积分获得重合率。
4.根据权利要求1所述的程控参数配置方法,其特征在于,所述参数补偿模型的构建方法包括:
获取实际治疗记录中的实际程控参数;
利用实际程控参数和对应的推荐程控参数,获得该实际程控参数对应的误差结果;
通过多个误差结果,构建参数补偿模型并进行迭代优化。
5.根据权利要求4所述的程控参数配置方法,其特征在于,所述通过多个误差结果,构建参数补偿模型并进行迭代优化;包括:
获取实际程控参数的使用时长;
通过使用时长获得该实际程控参数对应的误差结果的权重;
将所述误差结果的权重作为所述参数补偿模型的输入,获得最终参数补偿输出结果。
6.根据权利要求5所述的程控参数配置方法,其特征在于,所述实际程控参数的使用时长包括每组实际程控参数的连续使用时长或每组实际程控参数的累计使用时长。
7.根据权利要求4所述的程控参数配置方法,其特征在于,利用实际程控参数、对应的推荐程控参数以及第一目标函数获得第一误差;
所述第一目标函数的输入包括程控参数、触点数组以及分割结果;
所述第一误差为第一相对区域与第二相对区域的差值;
所述第一相对区域通过实际程控参数、患者的脑区分割结果以及触点数组并基于第一目标函数得到;
所述第二相对区域通过推荐程控参数、患者的脑区分割结果以及触点数组并基于第一目标函数得到;
通过多个第一误差,构建第一参数补偿模型并进行迭代优化。
8.根据权利要求4所述的程控参数配置方法,其特征在于,利用实际程控参数和对应的推荐程控参数,获得第二误差;所述第二误差为实际程控参数和对应的推荐程控参数的直接差值;
通过多个第二误差,构建第二参数补偿模型并进行迭代优化。
9.根据权利要求1所述的程控参数配置方法,其特征在于,所述基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数配置;包括:
基于参数补偿模型,获得参数补偿值;
通过推荐程控参数和参数补偿值,获得最佳程控参数。
10.一种程控参数配置装置,其特征在于,所述程控参数用于体内植入神经刺激器,所述装置包括:
影像获取模块,用于获取患者的影像资料;
推荐参数获取模块,用于对所述患者的影像资料进行预处理,根据预处理结果获得推荐程控参数;
最佳参数配置模块,用于基于参数补偿模型,利用所述推荐程控参数获得最佳程控参数。
11.一种医疗系统,其特征在于,所述医疗系统包括:
植入式医疗设备,所述植入式医疗设备植入在患者体内;
程控参数配置装置,所述程控参数配置装置通过权利要求1-9任一项所述的方法实现程控参数配置。
12.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-9任一项所述方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。
14.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指今被处理器执行时实现权利要求1-9任一项所述方法的步骤,或者实现权利要求10所述装置的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410316865.2A CN117936024B (zh) | 2024-03-20 | 2024-03-20 | 一种程控参数配置方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410316865.2A CN117936024B (zh) | 2024-03-20 | 2024-03-20 | 一种程控参数配置方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117936024A true CN117936024A (zh) | 2024-04-26 |
CN117936024B CN117936024B (zh) | 2024-06-18 |
Family
ID=90752454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410316865.2A Active CN117936024B (zh) | 2024-03-20 | 2024-03-20 | 一种程控参数配置方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117936024B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200230419A1 (en) * | 2019-01-22 | 2020-07-23 | General Electric Company | Systems and methods for predicting optimal deep brain stimulation parameters |
CN115105746A (zh) * | 2022-06-28 | 2022-09-27 | 北京品驰医疗设备有限公司 | 神经刺激作用范围显示方法、装置和系统 |
CN115120880A (zh) * | 2022-06-28 | 2022-09-30 | 北京品驰医疗设备有限公司 | 植入神经刺激电极与神经核团显示方法、装置和系统 |
-
2024
- 2024-03-20 CN CN202410316865.2A patent/CN117936024B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200230419A1 (en) * | 2019-01-22 | 2020-07-23 | General Electric Company | Systems and methods for predicting optimal deep brain stimulation parameters |
CN115105746A (zh) * | 2022-06-28 | 2022-09-27 | 北京品驰医疗设备有限公司 | 神经刺激作用范围显示方法、装置和系统 |
CN115120880A (zh) * | 2022-06-28 | 2022-09-30 | 北京品驰医疗设备有限公司 | 植入神经刺激电极与神经核团显示方法、装置和系统 |
Non-Patent Citations (3)
Title |
---|
ALEXANDRE BOUTET等: "Predicting optimal deep brain stimulation parameters for Parkinson’s disease using functional MRI and machine learning", 《NATURE COMMUNICATIONS》, vol. 12, 31 December 2021 (2021-12-31), pages 1 - 14 * |
曹中生等: "图像融合技术引导 DBS术后首次程控的临床应用", 《立体定向和功能性神经外科杂志》, vol. 30, no. 5, 31 December 2017 (2017-12-31), pages 265 - 268 * |
李建宇等: "肌张力障碍和帕金森病脑深部电刺激器刺激参数调节策略", 《立体定向和功能性神经外科杂志》, vol. 21, no. 1, 31 December 2008 (2008-12-31), pages 1 - 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN117936024B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11040205B2 (en) | Therapy program selection for electrical stimulation therapy based on a volume of tissue activation | |
US11648398B2 (en) | Therapy program selection for electrical stimulation therapy based on a volume of tissue activation | |
CN108348750B (zh) | 自动化程序优化 | |
EP1675644B1 (en) | Selection of neurostimulator parameter configurations using neural networks | |
EP3648832B1 (en) | System for selecting stimulation configuration and target for neuromodulation | |
CN108472492A (zh) | 可植入设备编程管理 | |
CN106232176A (zh) | 治疗窗确定 | |
WO2024021960A1 (zh) | 脉冲发生器、医疗系统及计算机可读存储介质 | |
JP2007505698A (ja) | 決定ツリーを使用した神経刺激器パラメータ設定の選択 | |
US11400294B2 (en) | Method and apparatus for neurostimulation device therapy management | |
CN116549845A (zh) | 刺激器、电子设备及计算机可读存储介质 | |
CN117065217A (zh) | 电位信号采集设备及其方法、医疗系统、可读存储介质 | |
CN117936024B (zh) | 一种程控参数配置方法及相关装置 | |
CN116895065A (zh) | 核团标注装置及方法、可穿戴的xr设备、相关装置 | |
CN116680571A (zh) | 参数配置装置、医疗系统、存储介质及程序产品 | |
CN115019948B (zh) | 控制设备、远程会诊系统和计算机可读存储介质 | |
US20240293678A1 (en) | Method and apparatus for using aggregate patient data in neurostimulation device setup and/or programming | |
CN117476186A (zh) | 刺激参数的可视化预测方法及其装置 | |
CN116721752A (zh) | 电极导线的配置装置、程控设备、医疗系统及相关产品 | |
WO2024049897A1 (en) | Systems for determining medication-adjusted clinical effects |
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 |