KR102548188B1

KR102548188B1 - 전극위치가 변형 가능한 템플릿들로 최적화된 종양 치료장을 이용하여 환자들을 치료

Info

Publication number: KR102548188B1
Application number: KR1020197020147A
Authority: KR
Inventors: 지브 봄존; 노아 우만
Original assignee: 지브 봄존
Priority date: 2016-12-13
Filing date: 2017-12-13
Publication date: 2023-06-27
Also published as: EP3554631A2; US20180160933A1; PL3554631T3; JP7184774B2; US11109773B2; CA3047067C; AU2017377003B2; NZ754871A; KR20190104036A; JP7405818B2; BR112019012033A2; CN110234394A; CN116236696A; CA3047067A1; EP3554631B1; CN110234394B; WO2018109691A3; ES2916252T3; JP2020501689A; JP2022031908A

Abstract

실시 예는 환자의 신체 부위의 이미지 수신; 이미지의 비정상 조직 식별; 비정상 조직이 마스크 아웃된 데이터 세트 생성; 변형된 모델 템플릿의 피쳐가 데이터 세트의 해당 피쳐와 정렬되도록 공간에서 모델 템플릿을 변형; 상기 비정상 조직을 나타내는 데이터를 상기 변형된 모델 템플릿에 다시 배치; 변형되고 수정된 모델 템플릿에 기초하여 신체 영역에서의 조직의 전기적 특성 모델을 생성; 및 상기 신체 영역에 각각 배치 된 모의 전극에 의해 야기되는 상기 신체 영역 내의 전자기장 분포를 시뮬레이션하기 위해 상기 전기적 특성의 모델을 사용함으로써 상기 비정상 조직에서의 전계 강도를 최대화하는 전극 배치 레이아웃을 결정한다. 레이아웃은 TTField를 신체 부위에 적용하기 위해 환자의 신체 부위 각각에 전극을 배치하기 위한 가이드로 사용될 수 있다.

Description

전극위치가 변형 가능한 템플릿들로 최적화된 종양 치료장을 이용하여 환자들을 치료

본 기술은 전극 위치가 변형 가능한 템플릿들로 최적화된 종양 치료장을 이용하여 환자들을 치료하는 기술과 관련된다.

신경 장애 및 뇌 질환을 치료하기 위한 전기장 및 전류의 사용이 널리 보급되고 있다. 그러한 치료법은 횡-두개 직류 자극(TDCS, Trans-cranial Direct Current Stimulation), 횡-두개 자기 자극 (TMS, Transcranial Magnetic Stimulation) 및 종양 치료 장 (TTFields, Tumor Treating Fields)등의 예들을 포함하나, 이들에 국한되지 않는다. 이러한 치료법은 저주파 전자기장을 뇌 내의 표적 부위에 전달하는 것에 의존한다. 예를 들어 Woods et al. Clinical Neurophysiology, 127 1031-1048 (2016)는 TDCS의 기술적 측면을 검토하며, Thielscher et al. IEEE 국제 학술회의 (IEEE), 의학 및 생물 학회 공학, 222-225 (2015)은 TMS를 시뮬레이션하기 위한 방법을 알려준다. 또 다른 예로서, Miranda et. Physics in Medicine and Biology, 59, 4137-4147(2014)은 모델 생성이 반자동 방식으로 수행되는 자기 공명 영상(MRI) 데이터 세트를 사용하여 TTField의 전달을 시뮬레이션하기 위한 건강한 개체의 반자동 방식의 전산 헤드 모델 생성을 알려준다. 또한, Wenger et. Physics in Medicine and Biology, 60 7339-7357(2015)]은 건강한 개인의 MRI 데이터 세트로부터 TTField의 전달을 시뮬레이션하기 위한 건강한 개인의 전산적 머리 모델(computational head model)을 생성하는 방법을 알려준다.

TDCS 및 TMS의 경우, 치료는 특정 뉴런을 자극하는 뇌 내의 표적 영역에 전자기장을 전달하는 것을 수반한다. TTFields의 경우, 종양 영역에 최대한의 필드 강도를 제공하도록 환자의 머리에 트랜스듀서 어레이의 위치가 최적화된다. 예를 들어, Wenger et. al., International Journal of Radiation Oncology·Biology ·Physics, 941137-43(2016)은 Diffusion Tensor Imaging(DTI) 데이터를 머리에 TTField 전달을 시뮬레이션하기 위한 모델에 통합하는 방법을 설명한다. DTI 데이터는 머리 모델에서 각 복셀에 대한 이방성 전도도 텐서를 유도하는 데 사용된다.

본 명세서에서 그 전체가 참고로 인용되는 미국 특허 제7,565,205호에 기술된 바와 같이 TTFields는 예를 들어 종양을 치료하는데 사용될 수 있는 중간 주파수 범위(100-300 kHz) 내의 낮은 강도(예를 들어, 1 내지 3 V/cm)를 가진다. TTFields 치료법은 재발성 아교 모세포종(GBM)에 대한 승인된 단일 치료법이며 새로 진단받은 환자에게 화학 요법과 함께 병용 치료법으로 승인된 치료법이다. 이들 교류 전계는 환자의 두피에 직접 배치된 트랜스듀서 어레이(즉, 용량 결합 전극들의 어레이)에 의하여(예를 들어, Novocure OptuneTM 시스템을 사용하여) 비침습적으로 유도된다. TTFields는 또한 신체의 다른 부위의 종양을 치료하는 데 유익한 것으로 파악된다.

생체 내 및 시험 관내 연구에 따르면, 표적 영역에서 전계의 세기가 증가함에 따라 TTField 치료의 효능이 증가하고, 표적 영역에서의 세기는 트랜스듀서 어레이의 환자의 두피에서의 트랜스듀서 어레이의 배치에 의존하는 것으로 밝혀졌다.

트랜스듀서 어레이의 배치를 최적화하는 한 가지 방법은 컴퓨터 시뮬레이션을 사용하는 것이다. 대량의 이미징 데이터가 처리되고 여기에 설명된 것과 같이 시뮬레이션/최적화 프로세스가 연산 집약적이며 복잡하기 때문에 컴퓨터 사용이 필요하다. 전형적으로, 시뮬레이션을 수행 할 때, 해부학적으로 정확한 계산 모델이 구축되고, 전기 특성이 다양한 조직 유형에 할당된다. 일단 모델이 구성되면, 모의 모델 전극이 머리 모델에 위치되고 전극상 전압과 같은 적절한 경계 조건이 적용된다. 이어서 머리 내의 전계(fiedl)가 계산된다. 다양한 컴퓨터로 구현되고, 계산 집약적인 최적화 방식을 사용하여, 머리(및 특히 타겟 영역) 내에서 최적의 전자기장 분포를 생성하는 경계 조건 및 전극 레이아웃을 찾을 수 있다. 그러나 개개인의 환자는 해부학적 세부 사항이 다르며 이러한 차이는 개개인의 머리 부분의 필드 분포에 영향을 준다. 따라서, 전자기장을 타겟 영역에 전달하는 것과 관련된 처리를 최적화하는 시뮬레이션을 사용하기 위해서 각 개인에 대한 개인화된 컴퓨터 모델을 구성하는 것이 필요하다.

머리 모델을 형성하기 위한 종래의 접근법은 다음과 같다. 먼저, 일련의 의학 이미지가 수집된다. 일반적으로, 이미지는 MRI 및/또는 CT(Computed Tomography) 이미지를 포함한다. 다음으로, 이미지는 서로 다른 가능한 조직 유형(예를 들어, 백색질, 회색질, 뇌척수액(CSF), 두개골 등) 각각에 대응하는 이미지의 부분을 결정하기 위해 분할된다. 다음으로, 분할된 이미지의 각 조직 유형에 대한 일련의 메시들(meshes)이 구성되어 모델에 통합되고 대표적인 전도도 값이 각 조직 유형에 할당된다. 최종적으로, 전극을 모델에 위치시키고, 유한 요소법 또는 유한 차분법과 같은 적절한 수치 기법을 사용하여 필드 분포를 연산한다(다양한 조직 유형의 3D 공간에서의 위치와 그 조직 유형 각각에 할당된 전도도를 기반으로 함).

전술한 프로세스의 많은 단계가 컴퓨터에 의해 구현되지만, 머리의 의료 이미지의 분할을 위한 자동 알고리즘, 특히 종양이 존재하는 이미지가 강건(robust)하지 않기 때문에 신뢰할 수 있는 결과를 얻으려면 프로세스에는 여전히 많은 인간 개입을 필요로 한다. 예를 들어 Menze et al은(IEEE Transactions on Medical Imaging, 34 1993-2024(2014)), 종양의 자동 분할을 위한 다중 알고리즘의 성능을 조사한다. 또한 메쉬 조직화(mesh regularization)는 예를 들어 Miranda et al., Physics in Medicine and Biology, 59, 4137-4147(2014), Wenger et. Physics in Medicine and Biology, 60 7339-7357(2015) 및 Wenger et.al International Journal of Radiation Oncology·Biology·Physics, 941137-43(2016)에서 설명된 것처럼 사용자의 감독을 필요로 하는 시간 소모적인 프로세스이다. 특히 볼륨의 유한 요소 모델을 만들 때 볼륨이 체적 요소로 메쉬화된다(meshed). 수치 솔루션의 변환을 보장하기 위해서는 모든 요소의 품질이 높은 것이 바람직하다(생성되는 메쉬의 유형에 따라 품질의 정의가 달라짐). 또한 요소가 교차하지 않으며 일반적으로 메쉬의 품질이 충분하다는 것을 확인하는 것이 중요하다. 조직화는 요소의 컨디셔닝 및 전반적인 품질을 향상시키기 위해 메쉬를 처리하는 프로세스이다. 기본적인 토론은 S. Makarow et. "Matlab을 이용한 전기 및 생물 시스템을 위한 저주파 전자기 모델링", John Wiley and Sons, 2010, pp. 36-81.를 참조한다.

분할과 메쉬 조직화 사이에서, 단일 모델을 생성하는데 필요한 사람의 업무 시간은 이미지의 품질 및 생성되는 모델의 복잡성에 따라 수 시간에서 수 일까지 다양할 수 있다.

본 실시예는 머리의 의료 이미지의 분할을 위한 자동 알고리즘, 특히 종양이 존재하는 이미지가 강건(robust)하지 않기 때문에 신뢰할 수 있는 결과를 얻으려면 프로세스에는 여전히 많은 인간 개입을 필요로 하다는 종래 기술의 난점을 극복하기 위한 것이다.

본 발명의 한 모습은 종양 치료장(TTFields)을 사용하여 종양 치료를 개선하는 방법이다. 상기 제1 방법은 컴퓨터 시스템의 프로세서로 환자의 신체 부위의 3차원 이미지를 수신하는 단계, 이상 조직에 상응하는 이미지의 부분을 식별하는 단계, 상기 이상 조직이 마스크 아웃된 이미지에 상응하는 데이터 세트를 생성한다. 상기 제1 방법은 상기 컴퓨터 시스템의 메모리 장치에서 모델 템플릿을 검색하는 단계로, 상기 모델 템플릿은 상기 환자의 상기 신체 부위의 건강한 버전에서 복수의 조직 유형의 위치를 지정하는 조직 확률 맵들을 포함하고, 상기 변형된 모델 템플릿의 특징들과 상기 데이터 세트의 상응하는 특징들이 정렬되도록 공간에서 상기 모델 템플릿을 변형하는 단계를 포함한다. 제1 방법은 수정된 부분들이 이상 조직을 나타내도록 상기 데이터 세트의 마스크 아웃된 부분에 상응하는 변형된 모델 템플릿의 부분을 수정하는 단계 및 (a) 변형 및 상기 수정된 모델 템플릿에서 복수의 조직 유형들의 위치 및 (b) 변형 및 상기 수정된 모델 템플릿에서 이상 조직의 위치에 기초하여 상기 신체 부위내의 조직들의 전기적 특성 모델을 생성하는 단계를 포함한다. 상기 제1 방법은 상기 신체 부위에 대한 후보 위치들의 복수의 서로 다른 세트들에 위치한 모의 전극들로부터 야기된 상기 신체 부위에서의 전자기장 분포를 시뮬레이션하기 위한 전기 특성들의 모델을 사용하고, 상기 세트들 중 어느 하나를 선택하여 이상 조직의 적어도 일부에서 전계 강도를 최대화하는 전극 배치 레이아웃을 결정하는 단계를 더 포함한다. 상기 제1 방법은 상기 결정된 전극 배치 레이아웃에 기초하여 상기 환자의 신체 부위 각각에 상기 전극을 배치하는 단계; 및 배치된 전극들을 사용하여 상기 신체 부위에 종양 치료장을 제공하는 단계를 포함한다.

본 발명의 또 다른 모습은 전기요법 치료를 개선하는 방법이다. 제2 방법은 전기 치료 요법(electrotherapeutic)을 개선하는 방법으로, 상기 방법은: 컴퓨터 시스템의 프로세서로 환자의 신체 부위의 3차원 이미지를 수신하는 단계, 이상 조직에 상응하는 이미지의 부분을 식별하는 단계 및 상기 이상 조직이 마스크 아웃된 이미지에 상응하는 데이터 세트를 생성하는 단계를 포함한다. 상기 제2 방법은 또한 상기 컴퓨터 시스템의 메모리 장치에서 모델 템플릿을 검색하는 단계로, 모델 템플릿, 상기 모델 템플릿은 상기 환자의 상기 신체 부위의 건강한 버전에서 복수의 조직 유형의 위치를 특정하고, 상기 변형된 모델 템플릿의 특징들과 상기 데이터 세트의 상응하는 특징들이 정렬되도록 공간에서 상기 모델 템플릿을 변형하는 단계를 포함한다. 제2 발명은 수정된 부분들이 이상 조직을 나타내도록 상기 데이터 세트의 마스크 아웃된 부분에 상응하는 변형된 모델 템플릿의 부분을 수정하는 단계 및 (a) 변형 및 상기 수정된 모델 템플릿에서 복수의 조직 유형들의 위치 및 (b) 변형 및 상기 수정된 모델 템플릿에서 이상 조직의 위치에 기초하여 상기 신체 부위내의 조직들의 전기적 특성 모델을 생성하는 단계를 더 포함한다. 제2 발명은 상기 신체 부위에 대한 후보 위치들의 복수의 서로 다른 세트들에 위치한 모의 전극들로부터 야기된 상기 신체 부위에서의 전자기장 분포를 시뮬레이션하기 위한 전기 특성들의 모델을 사용하고, 상기 세트들 중 어느 하나를 선택하여 이상 조직의 적어도 일부에서 전계 강도를 최대화하는 전극 배치 레이아웃을 결정하는 단계 및 전기 요법 치료를 위해 전극을 사용하기 전에 환자의 신체 부위 각각에 전극을 배치하기 위한 가이드로서의 후속 사용을 위해 결정된 전극 배치 레이아웃을 출력하는 단계를 더 포함한다.

제2 발명의 몇몇 실시예에서, 모델 템플릿을 변형하는 단계는, 상기 데이터 세트를 상기 모델 템플릿의 좌표 공간으로 매핑하는 매핑을 결정하는 단계 및 상기 모델 템플릿에 상기 매핑의 역을 적용하는 단계를 포함한다. 이러한 실시예들에서 선택적으로 상기 매핑은 상기 마스크 아웃된 부분의 외부에 있는 상기 데이터 세트의 포인트들에 대해 결정된다. 이러한 실시예들에서 선택적으로, 상기 모델 템플릿은 조직 확률 맵들을 포함하고, 상기 매핑은 상기 데이터 세트를 상기 조직 확률 맵들로 매핑한다.

이러한 실시예들에서 선택적으로, 상기 조직 확률 맵들은 상기 모델 템플릿이 유도된 건강한 개인의 이미지들로부터 유도된 것이다. 이러한 실시예들에서 선택적으로, 상기 조직 확률 맵들은 현존하는 조직 확률 맵들을 이용하여 건강한 개인의 이미지들을 동시에 등록하고 분할하여 얻어지고, 상기 현존하는 조직 확률 맵들은 복수의 개인들로부터 얻어진 것이다.

이러한 실시예들에서 선택적으로, 상기 조직 확률 맵들은 복수의 개인들의 이미지들로부터 얻어진 현존하는 조직 확률 맵들로부터 얻어진 것이다.

이러한 실시예들에서 선택적으로, 상기 매핑의 역은 상기 조직 확률 맵들의 각각에 대해 적용되고, 상기 역 매핑된 조직 확률 맵들은 상기 변형된 모델 템플릿을 포함하는 분할된 이미지로 조합된다. 이러한 실시예들에서 선택적으로, 상기 역 매핑된 조직 확률 맵들을 조합하는 단계는 상기 역 맵핑된 조직 확률 맵을 통해 그 복셀을 차지할 가장 높은 확률을 갖는 조직 타입을 각 복셀에 할당하는 것을 포함한다.

이러한 실시예들에서 선택적으로, 상기 역 맵핑된 조직 확률 맵을 조합하는 단계는 역 맵핑된 조직 확률 맵을 통해 둘 이상의 조직 유형이 할당된 각 복셀에 조직 유형을 할당하기 위해 룩업 테이블을 이용하는 것을 포함하는 방법.

이러한 실시예들에서 선택적으로, 상기 이상 조직에 상응하는 상기 이미지의 상기 부분들을 식별하는 단계는 상기 이미지의 분할(segmentation)을 수행하는 것을 포함한다.

제2 방법의 몇몇 실시예에서, 상기 조직들의 전기적 특성들의 모델은 전기 저항 또는 전기 전도도의 모델을 포함하한다. 제2 방법의 몇몇 실시예에서, 상기 이미지는 MRI 이미지, CT 이미지 또는 MRI 이미지와 CT 이미지의 조합을 포함한다. 제2 방법의 몇몇 실시예에서, 상기 신체 영역은 상기 환자의 머리를 포함한다. 제2 방법의 몇몇 실시예에서, 상기 이상 조직에 상응하는 상기 이미지의 상기 부분은 종양에 상응한다. 제2 방법의 몇몇 실시예에서, 상기 전기치료요법 치료는 종양치료장(TTFileds)을 포함한다.

제2 방법의 몇몇 실시예에서, 상기 전극 위치 레이아웃을 결정하는 단계는: 적어도 두 전극 위치 레이아웃들의 각각에 있는 모의 전극들에 경계 조건을 적용하는 단계; 적어도 두 전극 위치 레이아웃들 각각에 대하여 신체 영역 내의 필드 분포(field distribution)을 푸는 단계; 및 상기 이상 영역 내에서 가장 강한 필드를 발생하는 상기 전극 레이아웃을 선택하는 단계를 포함한다.

제2 방법의 몇몇 실시예에서, 상기 모델 템플릿은 상기 이미지와 상기 모델 템플릿들 각각 사이의 유사성에 기초하여 복수의 모델 템플릿들로부터 선택된다.

제2 방법의 몇몇 실시예에서, 상기 방법은 상기 결정된 전극 위치 레이아웃에 기초하여 상기 환자의 상기 신체 부위 각각에 상기 전극들을 배치하는 단계; 및 상기 전극들을 사용하여 상기 신체 부위에 상기 종양치료장을 제공하는 단계를 더 포함한다.

본 발명의 또 다른 모습은 전기 치료요법 치료를 수행하기 위해 하나 이상의 메모리 장치에 저장된 명령을 실행하도록 구성된 프로세서를 포함하는 전기 치료요법 장치에 관련된다. 이러한 실시예들에서, 상기 치료는 상기 프로세서로부터 환자의 신체 부위의 3차원 이미지를 수신하는 단계, 이상 조직에 상응하는 이미지의 부분을 식별하는 단계 및 상기 이상 조직이 마스크 아웃된 이미지에 상응하는 데이터 세트를 생성하는 단계를 포함한다.

상기 치료는 상기 하나 이상의 메모리 장치로부터 모델 템플릿을 검색하는 단계로, 상기 모델 템플릿은 상기 환자의 신체 부위의 건강한 버전의 복수의 조직 유형의 위치를 지정 하며, 상기 변형된 모델 템플릿의 특징들과 상기 데이터 세트의 상응하는 특징들이 정렬되도록 공간에서 상기 모델 템플릿을 변형하는 단계, 및 수정된 부분들이 이상 조직을 나타내도록 상기 데이터 세트의 마스크 아웃된 부분에 상응하는 변형된 모델 템플릿의 부분을 수정하는 단계를 포함한다. 상기 치료는 (a) 변형 및 상기 수정된 모델 템플릿에서 복수의 조직 유형들의 위치 및 (b) 변형 및 상기 수정된 모델 템플릿에서 이상 조직의 위치에 기초하여 상기 신체 부위내의 조직들의 전기적 특성 모델을 생성하는 단계를 더 포함한다. 상기 치료는 상기 신체 부위에 대한 후보 위치들의 복수의 서로 다른 세트들에 위치한 모의 전극들로부터 야기된 상기 신체 부위에서의 전자기장 분포를 시뮬레이션하기 위한 전기 특성들의 모델을 사용하고, 상기 세트들 중 어느 하나를 선택하여 이상 조직의 적어도 일부에서 전계 강도를 최대화하는 전극 배치 레이아웃을 결정하는 단계를 더 포함한다. 상기 치료는 전기 요법 치료를 위해 전극을 사용하기 전에 환자의 신체 부위 각각에 전극을 배치하기 위한 가이드로서의 후속 사용을 위해 결정된 전극 배치 레이아웃을 출력하는 단계를 더 포함한다.

본 실시예에 의함으로써 종래 기술의 난점을 극복할 수 있다.

도 1은 변형 가능한 템플릿을 사용하여 환자의 현실적인 머리 모델을 생성함으로써 전기 요법 치료를 수행하는 실시 예의 흐름도이다.
도 2는 이상(예를 들어, 종양) 환자로부터 획득된 원래의 MRI 이미지를 나타낸다.
도 3은 이상 부분이 마스크 아웃된 도 2의 MRI 이미지를 도시한다.
도 4는 도 3과 건강한 개인의 변형 가능한 템플릿 사이의 매핑(mapping)과 역매핑(inverse mapping)을 형성하는 정규화/등록 프로세스를 도시한다.
도 5는 도 4의 변형 가능한 템플릿이 어떻게 환자의 MRI 이미지의 모양과 일치하도록 변형되는지 도시한다.
도 6은 변형된 모델에 이상(abnormality)을 다시 이식하는 것을 도시한다.
도 7은 일 실시예에 따른 전기 치료 처리를 위한 시스템을 나타낸다.
도 8은 변형 가능한 템플릿을 사용하여 환자의 현실적인 머리 모델을 생성함으로써 전기 요법 치료를 수행하는 실시예의 다른 흐름도이다.

본 출원은 전문이 본 출원에 인용된 2016년 12월 13일에 출원된 미국 가출원 62/433,501호의 이익을 주장한다.

여기에 기술된 실시예는 기존의 현실적인 머리 모델 템플릿에 비강체 변형을 제공함으로써 각 환자에 대한 맞춤형 현실적인 머리 모델을 생성하여 머리 모델을 생성하는 데 필요한 시간과 인력을 감소시킨다. 맞춤형 헤드 모델이 각각의 개별 환자에 대해 생성된 후, 종래의 시뮬레이션 접근법을 사용하여 환자 몸의 변환기에 대한 최적의 위치를 결정한다. 선택적으로, 건강한 환자에 대한 기존의 현실적인 머리 모델 템플릿은 조직 확률 맵(TPMs, tissue probability map)을 포함할 수 있다. TPMs은 각 점이 백질, 회색질, CSF 등과 같은 다양한 조직 유형에 속하는 확률로 표현되는 모델을 제공한다.

선택적으로, E. Michel, D. Hernandez 및 S. Y. Lee, "T 1 가중 획득에 기초한 수분 함량으로부터 유도된 뇌 조직의 전기 전도도 및 유전율 맵", Magnetic Resonance in Medicine, 2016에 개시된 것처럼, 환자 이미지는 환자의 머리에서 보다 정확한 전도도를 얻기 위해 DTI(Diffusion Tensor Imaging) 데이터 또는 Wept(Water Content Electric Impedance Tomography) 데이터와 같은 다른 MRI 데이터로 보완될 수 있다. DTI 또는 Wept와 같은 MRI 이미징 기술은 예를 들어 그 전체가 본원에 참고로 인용된 미국 특허 출원 제 15/336,660 호에 개시된 바와 같이 조직 전도도에 대한 정보를 제공하는 것으로 알려져 있다.

도 1 및 도 8의 실시예들은 감소된 사용자 개입을 갖는 각 환자에 대해 개별화된 현실적인 머리 모델을 생성하고 이들 머리 모델을 사용하여 환자의 종양 치료 필드(TTFields) 어레이 레이아웃을 최적화하는 작업 흐름을 설명한다. 임의의 환자에 대해 현실적인 모델이 구축되면 본 명세서에 기술된 일련의 알고리즘을 사용하여 완전 자동 또는 반자동 방식으로 최적화가 수행될 수 있다. 이러한 워크 플로는 TTField의 컨텍스트에서 설명되지만 대체 컨텍스트에서도 사용할 수 있다.

도 1 및 도 8의 실시예는(실제 환자의 현실적인 머리 모델과는 대조적으로) 건강한 개인의 현실적인 머리 모델인 변형 가능한 템플릿에서 시작한다. 이 헤드 모델은 기존의 방법을 사용하여 얻을 수 있다. 예를 들어, 현실적인 머리 모형은 몬트리올 신경 학회(MNI) 또는 탈라이라크(talairach) 공간과 같은 표준 좌표계에서 생성될 수 있다. 예를 들어, 참조로 본 출원 명세서에 병합되는 Holmes et.(Journal of Computer Assisted Tomography), 22 324-333(1998)]은 MNI의 표준 공간에서의 MRI 이미지의 매핑 및 평균화를 알려준다. 목적하는 표준 좌표 공간에 모델이 존재하지 않으면, 표준 좌표 공간에서 헤드 모델로의 변환은 바람직하게 알려지며 모델을 표준 좌표 공간에 맵핑하는데 사용될 수 있다. 표준 좌표 공간에 구축된 현실적인 머리 모델의 한 예는, 본 출원 명세서에 참고로 병합되는, Miranda et. al., Physics in Medicine and Biology, 59, 4137-4147(2014)에 의해 작성된 COLIN27 데이터 세트(Holmes et al., Journal of Computer Assisted Tomography, 22 324-333(1998)에 설명된 모델)를 기반으로 한 모델이다. 그러나 미란다 모델 대신 건강한 사람을 위한 다양한 대체 현실적인 머리 모델을 사용할 수 있다. 모델이 생성된 MRI는 이후에 기술될 목적을 위해 이용 가능하다.

일부 실시예에서, 건강한 개인의 현실적인 머리 모델 템플릿은 조직 유형의 TPMs을 제공한다. 즉, 모델의 각 점은 백색질, 회색질, CSF 등과 같은 다양한 조직 유형에 속하는 확률에 의해 표현된다. 일부 실시예에서, 건강한 개인의 현실적인 머리 모델 템플릿은 조직 유형마다 하나의 TPMs(예를 들어, 6 가지 조직 유형의 백질, 회색질, 두개골, 두피, CSF 및 공기)을 제공한다.

도 1은 변형 가능한 템플릿으로 기존의 머리 모델을 사용함으로써 임의의 환자에 대하여 실제 머리모델을 형성하기 위하여 건강한 개인의 머리 모델을 사용하는 프로세스(100)를 설명한다.

프로세스(100)는 적절한 세트의 MRI 이미지를 획득하는 단계 S1에서 시작한다. S1 단계에서, 개별적인 환자에 대한 MRI 데이터 세트는 임의의 종래의 접근법을 사용하여 수집된다. 이 데이터 세트는 바람직하게(T1 또는 T2 MRI 시퀀스로부터 얻어진 것과 같은) 구조 데이터를 전달하는 MRI들을 포함한다. 선택적으로, 후술되는 바와 같이 모델 생성에 유용한 추가 정보를 전달할 수 있는 DTI 또는 관류 영상과 같은 부가적인 시퀀스가 또한 획득될 수 있다. 몇몇 경우에는 MRI 시퀀스의 파라미터들이 특정 조직 유형 간의 대비를 높이기 위해 최적화된다. 대비를 증가시키는 것은 아래에 설명된 단계에서 이어지는 이미지 분할(image segmentation)에 유용하다(Windhoff et. al., Human Brain Mapping, 34 923-935(2013)).

바람직하게는, MRI는 실질적으로 가능한 가장 높은 분해능으로 획득된다. 일반적으로 1 mm x 1 mm x 1 mm보다 좋은 해상도가 바람직하다. 그러나 해상도가 낮은 이미지도 사용할 수 있다.

선택적으로 DTI 또는 확산 가중 자기 공명 영상(DWI) 데이터도 수집된다. 본 발명에 참조로 병합되는 Wenger et. al., International Journal of Radiation Oncology·Biology·Physics, 941137-43(2016), 및 Basser et. al., Biophysical Journal, 66 259-267(1994)에 기술된 바와 같이 각 복셀 내의 전도도(또는 전도도 텐서)를 매핑하는 데 사용될 수 있다. 대안적인 실시 예에서, 상이한 영상 진단 방식이 CT 영상, MRI 및 CT 영상의 조합 등과 같은 MRI 영상 대신에 사용될 수 있다.

프로세스(100)는 이미지 전처리 단계(S2)에서 계속된다. 그러나 경우에 따라 사전 처리가 필요 없을 수 있으며, S2 단계를 건너 뛸 수 있다. S2 단계에서는, S1 단계에서 얻어진 데이터에 대하여 화상 전처리를 행하여, 보다 깨끗한 화상을 얻는다. 전처리는 임의의 종래의 접근법을 사용하여 구현될 수 있다. 일부 실시 예에서, 이미지 전처리 단계는 이미지 정렬 및 왜곡 보정을 포함한다. 예를 들어, 임의의 종래의 접근법을 사용하여 이미지로부터의 움직임으로 인한 아티팩트(artifact)를 제거하도록 이미지 정렬이 구현될 수 있다. 재정렬(re-alignment)은 기능적 이미징 데이터에 대한 가설을 테스트하기 위해 사용되는 공간적으로 확장된 통계 프로세스의 구성 및 평가를 위해 개발된 SPM 8.0 툴박스에 구현된 통계적 매개 변수 매핑(Statistical Parametric Mapping, SPM)과 같은 적절한 기존 접근법을 사용하여 아핀 등록(affine registration)을 사용하여 수행할 수 있다. 또한, 이 단계에서 예를 들어, 유도된 와전류에 의해 유발되는 이미지 왜곡이 보정될 수 있다. 모델을 만들기 위해 두 개 이상의 데이터 세트가 사용되는 경우 이미지 재정렬이 필요하며 이러한 경우 여러 데이터 세트를 정렬해야 한다. 예를 들어, 축상(axial) 및 관상면(coronal) 이미지 세트가 초 해상도에 사용되는 경우 정렬이 필요하다. 다른 예로서, T1 데이터 이외에 DTI 데이터가 사용될 때, DTI 데이터 및 T1 데이터는 정렬될 필요가 있을 수 있다.

일부 실시 예에서, 파일의 출처가 템플릿 TPMs의 출처와 일치하도록 MRI 이미지의 헤더를 조작하는 부가적인 전처리 단계가(예를 들어, NIFTI(Neuroimaging Informatics Technology Initiative) 포맷에서) 수행된다. 파일의 원점은 파일에서 축의 원점을 나타낸다. 이 단계는 아래의 단계 S4에서 설명된 바와 같이 변형 가능한 공간에 MRI 이미지의 등록을 용이하게 한다. 일부 실시 예에서, 환자 MRI 이미지 및 변형 가능한 템플릿과 관련된 파일의 축의 원점은 S4 단계 실행을 용이하게하는 것을 돕기 위해 유사한 복셀에 위치된다.

선택적으로 단일 환자의 여러 MRI 데이터 세트를 단일 이미지로 결합하는 수퍼 해상도 알고리즘을 사용할 수 있다. 이 알고리즘은 환자의 머리 전체를 보유주는 데이터 세트를 만들거나, 다른 모든 데이터 집합이 다른 지점에서 머리를 절단하거나 원본 데이터의 해상도가 낮은 경우 고해상도(또는 슬라이스 간격)의 이미지를 만드는 데 사용되는 데이터 집합을 만드는 데 유용하다. 전체 3D 머리를 표시하는 고해상도 데이터 세트 및 데이터 세트는 정확한 머리 모델을 만드는 데 유용하다. 수퍼-해상도 알고리즘의 한 예가 Woo, et al. "Reconstruction of high-resolution tongue volumes from MRI." IEEE Transactions on Biomedical Engineering, 59.12(2012)에 설명되어 있다. 이 알고리즘은 모션 보정 및 강도 정규화를 포함한 여러 사전 처리 단계를 사용했으며, 이어서 MRI 데이터 세트의 3 개의 직교 이미지 볼륨을 영역 기반 최대 사후(MAP) 마르코프 랜덤 필드(MRF) 접근법으로 단일 수퍼-해상도 혀의 등방 체적으로 재구성하였다. 출력된 수퍼-해상도 이미지는 신호 대 잡음비(SNR)와 해상도 모두에서 입력 이미지보다 우수하였다.

대부분의 경우 백그라운드 노이즈 및 앨리어싱이 있을 수 있으며 변형 가능 템플릿을 사용하여 생성된 헤드 모델의 품질이 저하될 수 있다. 특히, 배경 소음이있을 때 모델 생성 중에 얻은 두개골의 윤곽은 종종 부정확하며 배경의 일부를 포함한다. 따라서, 일부 실시예들은 배경 노이즈 및 앨리어싱을 제거하기 위해 관련 기술 분야의 당업자에게 알려진 다양한 임계화 스킴(thresholding scheme)을 구현할 수 있다. 본 명세서에서 언급된 앨리어싱(aliasing)이란, 배경에 나타날 정도로 이미지화 되는 피사체의 약한 "그림자"(즉, 앨리어싱에 의해 야기된 음영)를 초래하는 MRI 이미지의 아티팩트(artifact)에 관한 것이다. 그림자는 일반적으로 상하가 거꾸로(upside down) 되어 주 이미지에 직접 부착된다. 이 경우 배경에 있는 약한 그림자를 제거하기 위해 임계화 스킴(thresholding scheme)을 사용할 수 있다. 이미지 품질을 향상시키는 데 사용될 수 있는 임계 설정 기법의 한 예는 사용자가 배경 잡음을 나타내는 단일 값을 선택하고 소프트웨어가 이 값을 임계 값으로 적용하여 두피의 윤곽을 자동으로 감지하는 반자동 방법이며 슬라이스별로 배경 잡음 슬라이스의 강도를 0으로 만든다. 관련 기술 분야의 당업자에 의해 인식되는 바와 같이, 다양한 대안적인 접근 방법이 또한 사용될 수 있다.

대안으로 또는 부가적으로, 스캐너-특정 전처리가 적용될 수 있다. 예를 들어, 이미지는 DICOM(Digital Imaging and Communication in Medicine) 형식에서 NifTI로 변환될 수 있다.

프로세스(100)는 헤드의 이상 영역을 마스킹하는 단계(S3)로 계속된다. S3 단계는 종양 또는 다른 이상적인(예를 들어, 두개골 결함/플랩(flaps) 환자 MRI 이미지에 존재하는 경우에만 구현된다. S3 단계에서, 이들 이상 영역은 도 3의 이미지(300)에 도시된 것과 같이 마스크된다. 선택적으로, 마스크된 영역은 종양 또는 다른 결함의 존재로 인해 뇌의 정상 구조가 현저하게 교란된 모든 영역을 포함하도록 필요한 경우 종양/이상을 넘어 연장될 수 있다.

이 마스킹 단계를 수행하는 한 가지 방법은 감독된 분할(supervised segmentation)를 사용하여 이상적인 머리 영역을 적절히 표시하는 것이다. 감독된 분할 단계 동안, 이하에서 설명되는 바와 같이, 최종 모델의 원하는 상세 수준에 도달하기 위해 다수 유형의 이상이 라벨링된다. 감독된 분할은 일 예로, 본원에서 참조로 병합되는 ITK-SNAP(e.g., Yushkevich et. al, Neuroimage, 31 1116-1128(2006) 참조) 등의 도구를 사용하여 반자동-방식으로 수행될 수 있다.

대안으로, 마스킹은 자동 세그멘테이션 알고리즘을 사용하여 수행될 수 있다. 예를 들어 Porz, et al. "Multi-modal glioblastoma segmentation: man versus machine." Public Library of Science(PLOS) One, 9.5(2014)는 수술 전 MRI 이미지의 자동 분할 방법을 알려준다. 일부 상황에서는 종양의 정확한 마스킹을 보장하기 위해 자동 분할 과정의 결과를 수동으로 수정해야 할 수 있다.

일부 실시예에서, 마스킹되는 영역은 수동으로 결정된다. 이를 수행하는 한 가지 방법은 MRI 데이터를 사용자에게 제시하고 사용자에게 데이터에서 종양의 윤곽을 정하도록 요청하는 것이다. 사용자에게 제공되는 데이터는 구조적 MRI 데이터(예 : T1, T2 데이터)를 포함할 수 있다. 서로 다른 MRI 양식을 서로 등록 할 수 있으며, 사용자는 데이터 세트를 보고 종양의 윤곽을 정할 수 있는 옵션이 제공될 수 있다. 사용자가 MRI 데이터의 3D 체적 표현에서 종양을 윤곽을 정하도록 사용자에게 요청되거나 사용자가 데이터의 개별 2D 슬라이스를 보고 각 슬라이스에서 종양 경계를 표시하는 옵션이 사용자에게 제공될 수 있다. 각 슬라이스에 경계가 표시되면 해부학적 부피의 종양이 발견될 수 있다. 이 경우 사용자가 표시한 볼륨이 종양과 일치한다. 일부 상황에서는 미리 정의된 폭(예 : 20mm)의 마진이 종양에 추가되고 해당하는 볼륨이 마스킹될 영역으로 사용된다.

환자의 MRI 이미지에 종양 또는 다른 이상이 존재하지 않는 경우(예를 들어, 환자가 건강한 경우), S3 단계는 생략된다.

몇몇 환자에게 있어서, 분할(segmentation)은 종양이 동질성(homogeneous)을 가지지 않다는 것을 알려주며, 이러한 경우 종양은 여러 부영역(sub-region)으로 나눌 수 있다. 부영역 정보는 이후에 상세하게 설명될 변형 단계(deformation step) 이후 실제 머리 모델에 종양을 다시 정밀하게 배치할 때 사용될 수 있다. 부영역의 예는 활성/증진(active/enhancing) 종양, 괴사 부위, 절제 구멍 등이다. 기존의 자동화된 분할 알고리즘은 자세한 GBM 분할에 사용될 수 있다. 공개적으로 이용 가능한 알고리즘의 예로는 괴사성 코어(necrotic core), 부종(edema), 비증진 종양(non-enhancing tumor) 및 증진 종양(enhancing tumor)을 구분하는 최근의 Brain Tumor Image Analysis(BraTumIA) 소프트웨어가 있으며, 4 개의 다른 이미징 양식(T1, T1- contrast, T2- contrast 및 FLAIR)를 요구한다. 입력으로 T1만 필요로 하는 기술도 존재한다. 그러나 종양 내의 어떤 변화에도 불구하고, 종양의 모든 부위는 최초의 환자 이미지에서 가려진다. 두개골 결함이 이미지에 있는 경우, 이 영역도 분할되어 마스크된다.

이미지에서 이상 영역을 식별하기 위한 다양한 접근법이 상기 설명되었지만, 관련 기술 분야의 당업자에게는 다양한 대안적인 접근법이 명백할 것이다.

프로세스(100)는 공간 정규화/등록 단계(S4)로 계속된다. S4 단계에서, 주어진 환자에 대한 현재의 MRI 이미지 세트를 템플릿 모델의 표준 공간으로 워핑(warp)시키는 매핑이 식별된다. 도 4는 환자 MRI 이미지(402, 이상(abnormality)이 마스크 아웃된)와 건강한 개인의 변형 가능한 모델 템플릿(404) 간의 매핑 및 역매핑을 생성하는 정규화/등록 프로세스(400)를 나타낸다. 이 맵핑의 역(inverse)도 마찬가지로 식별된다(표준 공간에서 환자 MRI 세트의 공간으로 매핑하기 위한 아래의 단계 S5에서 사용하기 위해).

예를 들어, 이러한 맵핑을 생성하는 한 가지 접근법은 환자 MRI 이미지를 MNI 공간 또는 탈라이라크(Talairach) 공간과 같은 표준 좌표 공간에 등록하는 것이다. 이미지 등록이란 이미지의 공간적 변형을 말하며, 이미지의 특정 피처(feature)가 다른 이미지/공간의 해당 피처와 정렬된다. 이것은 예를 들어, FSL FLIRT 및 SPM을 포함하지만 이에 한정되지 않는 용이하게 이용 가능한 소프트웨어 패키지를 사용함으로써 관련 기술 분야의 숙련자에게 명백할 임의의 공지된 방법에 의해 수행될 수 있다.

특히, 단계 S3에서 마스크 아웃된 이상 영역은 등록 과정에서 생략된다. 등록하는 동안 마스크된 영역을 무시하면 헤드의 건강한 영역만을 사용하여 등록이 수행되므로 표준 공간의 특정 복셀이 특정 조직 유형에 속할 확률을 설명하는 모델 TPMs에 효과적으로 매핑될 수 있다. 바람직하게는, 이상 영역을 생략하는 것은 등록 프로세스의 견고성(robustness)을 향상시킨다. 일부 실시예에서, TPMs은 모델 템플릿 공간에서 구성된다.

대안적으로, 비강체 등록 알고리즘(non-rigid registration algorithm, Zhuang et al., IEEE Transactions on Medical Imaging, 30 0278-0062(2011)에 기재되어 있으며, 참조로 본 명세서에 병합되며, 상호 정보를 사용하여 이미지 등록을 위한 알고리즘을 알려준다)은 환자 MRI 이미지를 표준 좌표 공간(예 : 건강한 개인의 실제적 모델 템플릿) 또는 해당 세그먼트화된 모델 템플릿의 복셀화된 버전에 등록하는 데 사용할 수 있다. 환자 MRI 이미지를 표준 공간으로 매핑하기 위한 다양한 알고리즘이 관련 기술 분야의 당업자에게 잘 알려져 있음을 주목한다. 반대 방향(즉, 후술하는 바와 같이 표준 공간에서 환자 MRI 이미지로)으로 이동하는 것은 동일한 매핑의 역을 사용할 것이다.

위에서 설명한 매핑은 마스크된 영역 외부에 있는 환자 머리의 지점에서 발견된다. 등록 이전에 마스크된 영역에서의 변환은, 예를 들어 머리 나머지에서 발견된 변형 맵을 이 영역들로 보간함으로써 추정될 수 있고, 또는 관련 기술 분야의 당업자에게 자명한 대체 접근법 중 임의의 것을 사용하여 수행될 수 있다. 일부 실시 예에서, 등록 이전에 마스크된 영역에 대한 변환을 발견할 필요가 없을 수도 있다. 이것은 마스크된 영역에 대응하는 변형 가능 모델 템플릿의 영역이 일부 "자연적" 구조(예 : 건강한 조직)와 관련된 정보를 포함한다는 사실 때문이다. 따라서 위에서 설명한 매핑이 마스크된 영역 외부에 있는 점에 대한 변형 가능 모델 템플릿에 적용된 후에는 "자연" 구조가 이러한 영역에서 유지되므로 변형된 모델 템플릿에 이미 이러한 영역에 일부 모델 데이터가 포함된다. 예를 들어, 구(sphere)가 환자 이미지의 왼쪽 반구로부터 마스크되고 매핑이 구체 외부에 있는 점에 대해서만 변형 가능 모델 템플리트에 적용되는 경우, 변형된 왼쪽 반구의 구의 내용 모델 템플릿은 자연스러운 구조와 유사하다.

일부 실시예에서, 모델 TPMs은 표준 공간에서 환자 공간으로의 매핑을 찾는 데 사용된다. 일부 실시예에서, 모델 TPMs은 변형 가능한 템플릿이 유도된 MRI 데이터 세트로부터 도출될 수 있다. 이 MRI 데이터 세트에서 파생된 TPMs을 사용하면 다른 TPMs을 사용할 때보다 최종 모델에서 환자를 보다 정확하게 나타낼 수 있다. 그 이유는 다음과 같다. TPMs은 각 조직 유형에 속하는 표준 공간에서 복셀의 확률을 나타낸다. 일반적으로 TPMs은 서로 다른 개인의 여러 MRI에서 파생된다. 따라서, TPMs은 개인의 무리(population of individuals)에 걸쳐 각 조직 유형(tissue type)에 속하는 복셀의 확률을 나타낸다. 이는 여러 개인으로부터 파생된 TPMs을 사용하여 등록을 수행할 때 출력 매핑이 정의에 따라 TPMs이 파생된 개체 간의 해부학적 변이를 부드럽게 하는 일부 대표 공간으로의 매핑을 나타냄을 의미한다. 그러나 건강한 개인의 머리 모델을 변형하여 환자 모델을 만들 때, TPMs에 환자 MRI를 등록 할 때 계산된 매핑은 가능한 한 높은 정확도로 건강한 머리 모델의 해부학적 특징을 포착(capture)하는 것이 바람직 할 수 있다. 이러한 정확성은 이후의 S5 단계에서 변형 가능한 템플릿이 환자 공간으로 변형될 때, 결과 모델이 환자와 가능한 한 높은 정도의 정확도로 유사함을 보장한다. 따라서, S4 단계에서의 등록이 수행되는 TPMs은 TPMs이 전형적으로 유도되는 개인의 집단과 대조적으로, 건강한 머리 모델이 유도된 개인을 대표하는 것이 바람직하다.

변형 가능 모델 템플릿이 파생된 건강한 개체를 나타내는 TPMs을 작성하는 한 가지 방법은 기존 일반 TPMs 세트를 사용하여 건강한 개인의 MRI 이미지를 동시에 등록하고 세그먼트 화하는 것이다 (예를 들어, 다수의 개인의 데이터를 사용하여 표준 공간에 구축된 TPMs). 이를 수행하는 알고리즘의 예는 위에서 설명한 SPM 8.0 도구 상자에 구현된 Ashburner 및 Friston("Unified segmentation." Neuroimage 26.3 2005)의 통합 세그먼트화 알고리즘이다. 이 프로세스의 출력에는 (표준 공간에 등록된 MRI 이미지의) 복셀이 특정 조직 유형에 속할 확률을 설명하는 확률 맵이 포함된다. 이 프로세스에서 생성된 확률 맵의 수는 모델의 조직 유형 수(일반적으로 6)와 동일하며 맵의 각 보셀에는 보셀이 특정 조직 유형에 속할 확률을 나타내는 0에서 1 사이의 값이 지정된다. 정의에 따르면, 이러한 확률 맵은 건강한 머리 모델(변형 가능한 템플릿)이 파생된 건강한 개인을 나타내는 TPMs이다.

경우에 따라 변형 가능한 템플릿의 더 나은 표현을 얻기 위해 TPMs을 수동으로 수정한다. 예를 들어, 두개골과 두피의 확률 맵을 수정하여 두개골이나 두피의 경계를 향상시킬 수 있다. 예를 들어 이것은 확률 값을 특정 복셀에 수동으로 할당하여 그 복셀이 한 조직 유형에 속할 확률이 1에 가깝고 다른 조직 유형에 속할 확률이 0에 가깝도록 할 수 있다. 이러한 확률 맵에서 TPMs을 생성하는 마지막 단계는 개별 맵에 평활 필터(smoothing filter)를 적용하는 것이다. 평활은 모든 개인의 MRI를 조정하는 것이 중요하다. 평활은 예를 들어 4mm x 4mm x 4mm FWHM(Full width half maximum)의 평활 커널을 갖는 가우시안 필터를 사용하여 수행될 수 있다.

프로세스(100)는 템플릿을 목적하는 공간으로 변형/워핑(warping)하는 단계 S5로 계속된다. 단계 S5에서, 변형 가능한 모델 템플릿을 환자 MRI 이미지의 좌표계로 매핑하도록 단계 S4에서 발견된 역매핑을 변형 가능 모델 템플릿에 적용한다. 도 5는 워핑된 모델(504)을 획득하기 위해 변형 가능한 모델 템플릿(502)에 역매핑을 적용하는 변형/워핑 프로세스(500)를 도시한다. 일부 실시 예에서, 역맵핑은 변형 가능 모델 템플릿(502)에 3 차원 변환을 적용함으로써, 변형 가능한 모델 템플릿(502)을 워핑시켜 환자의 해부학적 특성에 부합하게 한다.

워핑 전에, 모델 템플릿(502)은 건강한 참조 개인의 뇌의 모델이라는 점과, 워핑 후, 워핑된 모델(504)는 환자의 뇌가 건강하였을 경우 어떻게 보이는지에 대한 근사치를 나타낸다는 것에 유의해야 한다. 즉, 이 단계의 결과는 환자 MRI 이미지로 표시된 머리에 맞추어 워프된 건강한 개인의 모델로, 종양이 없다. 이 워프된 모델은(각 개별 환자의 머리 대신에) 모델 템플릿에서 유래 했음에도 불구하고 각 환자의 머리 내부에서 유도될 수 있는 전기장을 분석하는 데 여전히 유용하다.

단계 S5의 변형은 모델의 복셀화된 버전 또는 모델의 메쉬화된 버전에 적용될 수 있다. 복셀화된 버전에서, 각 복셀은 해당 복셀의 좌표의 위치에 조직 유형(혹은 조직 유형 확률)을 나타낸다. 메쉬화된 버전에서, 각 메쉬는 서로 다른 조직 유형들 사이의 경계를 정의하고, 변형은 변형 가능한 템플릿의 이러한 메쉬에 제공된다. 몇몇 실시예에서, 각 조직 유형의 바이너리 이미지가 생성되고, 각 결과 바이너리 이미지는 개별적으로 변형된다.

선택적으로 조직 유형의 변형된 이미지에서 나타날 수 있는 구멍은 해당 이미지에서 나타나는 조직 유형들 중 하나에 지정될 수 있다. 바이너리 마스크들 사이에 나타나는 구멍에 조직 유형을 할당하도록 설계된 절차의 예는 Timmons et al. "End-to-end workflow for finite element analysis of tumor treating fields in glioblastomas," Physics in Medicine & Biology, 62.21(2017)에서 찾을 수 있다. 소프트웨어 ScanIP를 사용하여 가우스 필터 기능이 수렴 문제를 피하도록 마스크 경계를 부드럽게 한다. 마스크의 구멍이 채워지며 임계값(조직 유형에 따라 다를 수 있음)위의 섬(island)이 제거된다. 현재 마스크가 복제되고,(조직 마스크에 따라 1 ~ 3 개의 복셀에 의해) 확장되며, 다음 마스크 모든 슬라이스들에 부울리언(Boolean)이 추가된다. 변형된 이미지에 나타나는 구멍을 채우기 위한 다양한 대체 접근법 중 하나를 사용할 수도 있다. 각각의 조직 유형에 대한 이미지의 형성 후에, 모든 이진 이미지는 변형된 헤드 모델의 세그먼트화된 이미지를 나타내는 단일 이미지로 결합된다.

결합된 모델의 복셀이 둘 이상의 조직 유형에 할당되는 경우 체험적 로직(heuristic logic)을 사용하여 최종 이미지에서 조직 유형을 결정할 수 있다. 예를 들어, 해당 로직은 결합된 모델에서 회색 및 흰색 물질이 겹치는 모든 복셀이 백색 물질에만 할당되거나 그 반대의 경우로 지정될 수 있다.

모델 템플릿이 TPMs을 포함하는 실시예에서(즉, 모델 템플릿 내의 각 조직은 각 복셀이 특정 조직 유형에 속할 확률을 기술하는 3D 매트릭스로 표현된다), TPMs은 변형되고, 변형된 TPMs은 최종 모델로 결합되어, 결합된 모델의 각 복셀은 어떤 체험적 로직에 기초하여 조직 타입이 할당된다. 예를 들어, 각 복셀은 그 복셀을 차지할 확률이 가장 높은 조직 유형에 할당된다.

일부 실시 예에서, 서로 다른 TPMs에 의해 각 복셀에 할당된 확률은 생성된 복셀화된 모델에서 전도도 특성의 조합을 결정하는데 사용된다. 다시 말해서, 복셀은 반드시 특정 조직 유형을 포함하지 않는다고 가정되며, 최종 전도도는 모든 조직 유형의 전도도의 가중치 합(weighted sum)으로서 복셀에 할당되고, 가중치는 해당 보셀의 각 조직 유형에 할당된 확률 값에서 유도된다.

일부 실시 예에서, 전도도 값은 DTI 또는 Wept와 같은 MRI 영상 기술로부터 얻어진 정보를 추가로 포함함으로써 조직지도에 할당되며, 이는 본 명세서에 전체가 참고로 병합되는 미국 출원 제15/336,660호(US 2017/0120041호로 공개됨)에 개시된 바와 같이 조직 전도도에 대한 정보를 제공하는 것으로 알려져 있다. 이 정보는 예를 들어 모델에서 유도된 전도도(model-derived conductivity) 및 Wept/DTI에서 유도된 전도도(Wept/DTI derived conductivity)의 가중 평균을 기반으로 각 복셀에 전도도를 할당하여 모델에 통합될 수 있다.

프로세스(100)는 이상을 다시 이식(planting)하는 단계(S6)에서 계속된다. S6 단계에서, 변형된 템플릿이 편집되고, 단계 S3에서 발견된 마스크된 영역에 대응하는 템플릿의 각 복셀이 이상적인 조직 유형(예를 들어, 종양 또는 주변 영역)에 할당된다. 도 6은 환자 이미지(602)에서 식별된 이상이 변형된 모델 템플릿(604)에 이식되는 프로세스(600)를 도시한다. 일부 실시예에서, 이식은 S3 단계에서 수행된 분할에 따라 각 이상 영역에 조직 유형을 할당함으로써 수행된다. 보다 상세하게는, 변형 후 이상 영역의 각 점에 할당된 조직 유형은 변형 전 S3 단계의 분할에서 대응하는 점에 대해 식별된 조직 유형에 기초한다. 따라서, S3 단계에서의 분할 결과로 이상 영역에서 하나 이상의 조직 유형이 식별된다면, 변형 후 이상 영역에 할당된 둘 이상의 조직 유형이 있을 수 있다. 대안적인 실시예에서, 이식은 변형 후 이상 영역에 디폴트 이상 조직 유형을 할당함으로써 수행될 수 있다. 다른 대안적인 실시 예에서, 이식은 사용자가 이상 영역 내의 지점에 조직 유형을 수동으로 할당함으로써 수행될 수 있다.

프로세스(100)는 모델 생성 단계(S7)에서 계속된다. 모델링 단계(S7)에서, 전도성 및 유전율과 같은 전기적 특성이 다양한 조직 유형에 할당된다. 조직 유형은 일반적으로 변형된 템플릿에서 얻어진다. 그러나, 종양 조직에 해당하는 조직 유형은 이식된 이상(abnormality)에 해당하는 각 복셀에 할당된다. 전극들의 모델(또는 트랜스듀서 어레이들)은 모델 스킨에 배치되고 적절한 경계 조건이 적용된다. 일부 실시 예에서, 모델링 단계(S7)는 각 조직 유형이 균질하다는 것을 가정하고, 따라서 전기적 특성에 대한 단일 값이 각 조직 유형에 할당된다(예를 들어, Miranda et al., Physics in Medicine and Biology, 59, 4137-4147(2014), Wenger et al., Physics in Medicine and Biology, 60 7339-7357(2015), Wenger et al., International Journal of Radiation Oncology 생물학 물리학, 941137-43 2016). 다른 모델에서 각 복셀의 전도도는 이미지 획득 단계에서 얻은 DTI 또는 DWI 이미지에서 할당된다. DTI는 각 복셀에 이방성 전기 속성(3x3 텐서)을 할당하는 반면 DWI는 등방성 전도도(스칼라)를 각 복셀에 할당한다. 마지막으로, 모델은 복셀라이징(voxelizing)되어 볼륨 요소로 나뉘거나, 또는 대안적으로 볼륨 메슁(volume meshing)되어 볼륨 요소로 나뉜다.

프로세스(100)는 단계(S8)로 진행한다. 머리 모델이 생성되고 모델 전극이 헤드 모델에 추가된 후에, S8 단계에서 시뮬레이션이 실행된다. 시뮬레이션은 유한 요소 방법 또는 유한 차분법을 포함하나, 이에 한정되지 않는 적합한 수치 기법을 사용하여 상응하는 유도 전기장을 찾음으로 최적의 전극 어레이 레이아웃을 찾는다.

전극 배열 레이아웃의 최적화는 환자 뇌(종양)의 병변 부위 내에서 전기장을 최적화하는 배열 레이아웃을 찾는 것을 의미한다. 이러한 최적화는 실제 머리 모델에 트랜스듀서 어레이들을 설치하고 경계 조건을 자동적으로 설정하고; 어레이들이 배치되고, 경계 조건이 제공된 실제적인 머리 모델내 형성되는 전기장을 연산하며; 타겟 볼륨 내에서 최적의 전계 분포를 생성하는 레이아웃을 찾기 위해 최적화 알고리즘을 실행하여 현실적인 머리 모델 내에서 치료 대상 볼륨(목표 볼륨)을 통해 구현될 수 있다. 다양한 대체 접근법이 사용될 수 있지만, 이러한 4 가지 단계를 구현하기 위한 한 예가 아래에 제공된다.

현실적인 머리 모델에서 배열의 위치와 방향은 주어진 반복(iteration) 조건으로부터 자동으로 계산될 수 있다. Optune ™ 장치에서 TTField를 전달하는 데 사용되는 각 트랜스듀서 배열은 의학 젤 층을 통해 환자의 머리에 결합되는 일련의 세라믹 디스크 전극을 포함한다. 실제 환자에게 배열을 배치하면 디스크가 자연스럽게 피부에 평행하게 정렬되고 의료 젤이 신체의 윤곽과 일치하도록 변형되므로 배열과 피부 사이에 양호한 전기 접촉이 발생한다. 그러나 가상 모델은 강체로 정의된 형상으로 만들어진다. 따라서 모델에 배열을 배치하려면 배열을 배치할 위치에서 모델 표면의 방향과 윤곽을 찾는 정확한 방법 및 실제적인 환자 모델과 모델 배열 사이의 양호한 접촉을 보장할 젤의 두께/형태를 찾는 것이 필요하다. 현장 분포의 완전 자동화된 최적화를 위해 이러한 계산은 자동으로 수행되어야 한다.

이 작업을 수행하는 다양한 알고리즘이 사용될 수 있다. 이러한 목적을 위해 고안된 이러한 알고리즘 중 하나의 단계가 이하에 설명된다.

a. 모델 헤드에 변환기 배열의 중심점을 배치할 위치를 정의한다. 위치는 사용자에 의해 또는 필드 최적화 알고리즘의 단계 중 하나로서 정의될 수 있다.

b. a 단계의 입력을 디스크 형태(geometry) 및 디스크 배열에 대한 지식과 함께 사용하여 모델 내의 트랜스듀서 배열에 있는 모든 디스크 중심의 대략적인 위치를 계산한다.

c. 디스크가 놓일 위치에서 실제 모델 표면의 방향을 계산한다. 계산은 디스크의 지정된 중심에서 한 디스크 반경 이내의 거리에 있는 전산 팬텀(computational fantom) 스킨의 모든 점을 찾아 수행된다. 이 점의 좌표는 행렬의 열에 정렬되고 행렬에 대해 특수값 분해(singular value decomposition)를 수행한다. 모델 스킨의 법선은 발견된 가장 작은 고유치에 상응하는 고유 벡터이다.

d: 변환기 배열의 각 디스크에 대해 : 디스크와 환자의 신체 사이의 양호한 접촉을 보장하는 데 필요한 의료용 젤의 두께를 계산한다. 이것은 피부 표면 법선에 대하여 평행한 높이의 실린더 파라미터를 찾아서 수행된다. 실린더는 디스크의 반경과 같은 반경으로 정의되며 높이는 법선을 찾기 위해 사용된 스킨의 점을 초과하여 미리 결정된 양(미리 결정된 상수)만큼 확장되도록 설정된다. 이것은 팬텀 표면으로부터 적어도 미리 결정된 양만큼 연장되는 실린더를 생성한다.

e. 모델에서 d에서 설명된 실린더를 만든다.

f. 이진 논리 연산(예: 실린더에서 머리 빼기)을 통하여 모델에서 환자의 실제 모델로 돌출된 실린더의 영역을 제거한다. "절단된 실린더"는 트랜스듀서 어레이와 관련된 의료용 젤을 나타낸다.

g. "절단된 디스크"의 외측면에 트랜스듀서 어레이의 세라믹 디스크를 나타내는 디스크들을 배치한다.

이어서, 전기장 분포는 헤드 모델 내에서 주어진 반복(iteration) 조건에 따라 계산된다. 헤드 팬텀이 구성되고, 필드를 적용하는데 사용되는 변환기 어레이(즉, 전극 어레이)가 현실적인 헤드 모델 상에 배치되면, 유한 요소법 분석에 적합한 볼륨 메쉬가 생성될 수 있다. 다음으로 경계 조건이 모델에 적용될 수 있다. 사용될 수 있는 경계 조건의 예는 트랜스듀서 어레이상의 Dirichlet 경계(일정한 전압) 조건, 트랜스듀서 어레이상의(정전류)의 노이만 경계 조건 또는 전류 밀도의 정규 성분(normal component)의 적분이 특정 진폭과 동일하도록 그 경계에서 전위를 설정하는 플로팅 전위 경계 조건을 포함한다. 이어서 모델을 적합한 유한 요소 해석기(예 : 저주파 의사 정적 전자기 해석기) 또는 유한 차분 알고리즘을 사용하여 해석할 수 있다. 메슁, 경계 조건 부과 및 모델 해결은 Sim4Life, Comsol Multiphysics, Ansys 또는 Matlab과 같은 기존 소프트웨어 패키지를 사용하여 수행 할 수 있다. 또는 유한 요소(또는 유한 차분) 알고리즘을 구현하는 사용자 지정 컴퓨터 코드를 작성할 수 있다. 이 코드는 C-Gal(메시 생성 용) 또는 FREEFEM ++(빠른 테스트 및 유한 요소 시뮬레이션을위한 C ++로 작성된 소프트웨어)와 같은 기존 소프트웨어 리소스를 활용할 수 있다. 모델의 최종 솔루션은 전계 분포 또는 주어진 반복에 대한 계산 팬텀 내의 전위와 같은 관련 양을 설명하는 데이터 세트이다. 일부 실시 예에서, 상기 모델은 보셀 기반이다(즉, 상자 형 체적 요소를 포함한다). 이러한 실시 예에서, ZMT Zurich MedTech AG의 "Sim4Life"소프트웨어 패키지와 관련된 준 - 정전 솔버(quasi-electrostatic solver)를 사용하여 FDTD(Finite Differences Time Domain) 알고리즘을 사용하여 모델을 해결할 수 있다.

이어서, 그런 다음 최적화 알고리즘을 사용하여 두 적용 방향(LR 및 AP)에 대해 환자 뇌(종양)의 질환 부위로의 전기장 전달을 최적화하는 배열 레이아웃을 찾는다. 최적화 알고리즘은 최적의 어레이 레이아웃을 찾기 위해 잘 정의된 순서로 자동 어레이 배치 방법과 머리 모델 내의 전기장을 해석하는 방법을 사용한다. 최적의 레이아웃은 전기장이 적용되는 두 방향 모두를 고려하여 뇌의 병변 부위에 전기장의 일부 목표 기능을 최대화하거나 최소화하는 레이아웃이다. 이 표적 함수는 예를 들어 병변 부위 내 최대 강도 또는 병변 부위 내 평균 강도 일 수 있다. 다른 대상 기능들을 정의하는 것도 역시 가능하다.

환자를 위한 최적의 배열 레이아웃을 찾는 데 사용할 수 있는 여러 가지 방법이 있으며 그 중 3 가지가 아래에 설명된다. 이 접근법에서 최적화 수행자는 유한한 수의 테스트해야하는 배열 레이아웃의 가지는 은행(bank)을 포함한다. 최적화 수행자는 은행의 모든 배열 레이아웃에 대한 시뮬레이션을 수행하고 종양에서 최적의 필드 강도를 산출하는 배열 레이아웃을 선택한다(최적의 레이아웃은 예를 들어, 종양에 전달되는 전기장 세기와 같이 최적화 타겟 함수에 대해 가장 높은(또는 가장 낮은) 값을 제공하는 뱅크 내의 레이아웃이다).

또 다른 최적화 방법은 반복 검색이다. 이 접근법은 최소 하강 최적화 방법 및 단방향 검색 최적화와 같은 알고리즘의 사용을 다룬다. 이 접근법을 사용하여 알고리즘은 머리에있는 다른 배열 레이아웃을 반복적으로 테스트하고 각 레이아웃에 대한 종양의 전기장에 대한 목표 함수를 계산한다. 매 반복마다 알고리즘은 이전 반복의 결과를 기반으로 테스트 할 구성을 자동으로 선택한다. 이 알고리즘은 종양의 필드에 대해 정의된 목표 함수를 최대화(또는 최소화)하도록 수렴하도록 설계되었다.

또 다른 최적화 방법은 모델에서 종양의 중심에 쌍극자를 놓는 것을 기반으로한다. 이 접근법은 다른 배열 레이아웃에 대한 전계 강도 해결에 의존하지 않는 다는 점에서 다른 두 접근법과 다르다. 오히려, 배열의 최적 위치는 모델의 종양 중심에 예상 필드의 방향과 정렬된 쌍극자를 배치하고 전자기 포텐셜을 해결함으로써 발견된다. 전기 전위(또는 가능한 전기장)가 최대인 두피 영역은 어레이가 배치되는 위치이다. 이 방법의 논리는 쌍극자가 종양 중심에서 최대인 전기장을 생성한다는 것이다. 상호성(reciprocity)에 의해, 두피에 계산 결과에 따른 필드/전압을 생성할 수 있다면, 종양 중심(쌍극자가 놓인 곳)에서 최대가 되는 필드 분포를 얻을 것으로 기대할 수 있다. 우리가 현재 우리의 시스템에서 실제로 얻을 수있는 가장 가까운 것은 두피의 쌍극자에 이해 유도된 전위가 최대가 되는 영역에 어레이들을 배치하는 것이다.

뇌의 병변 영역 내에서 전기장을 최적화하는 배열 레이아웃을 찾기 위해 다른 최적화 방법을 사용할 수 있다. 예를 들어, 위에서 설명된 다양한 접근법을 결합한 알고리즘들. 이러한 접근법들이 결합될 수 있는 방법의 예로서, 위에서 논의된 세 번째 접근법(즉, 쌍극자를 모델에서 종양의 중심에 위치함)과 두 번째 접근법(즉, 반복 검색을 결합한 알고리즘을 고려할 수 있다. 이 조합을 사용하면 초기에 종양 접근법의 중심에 쌍극자를 사용하여 배열 레이아웃을 찾는다. 이 배열 레이아웃은 최적 레이아웃을 찾는 반복 검색의 입력으로 사용된다.

환자의 뇌의 질환 부위 내의 전기장을 최적화하는 레이아웃이 결정되면(예를 들어, 여기에 설명된 접근법 중 하나 또는 적절한 대안 접근법을 사용하여), 전극은 결정된 위치에 배치된다. 이어서, AC 전압이 질병을 치료하기 위해 전극에 인가된다(예를 들어, 본원에 참고로 인용된 미국 특허 제 7,565,205 호에 기재된 바와 같이).

도 7은 본 명세서에 기술된 바와 같이 전극의 위치가 최적화된 후에 사용될 수 있는 전기 치료용 시스템(700)의 예를 도시한다. 시스템(700)은 정해진 위치에서 환자의 두피(40)에 부착된 용량적으로 결합된(capacitively coupled) 변환기 어레이(42, 44)에 전압을 인가함으로써 환자에게 TTfield를 인가하는 제어기(702)를 포함한다. 두피(40)의 정면도는 도 7에 도시되어있으며, 4 개의 전극 패치 중 3 개만이 도면에 도시되어 있고, 눈도 귀도 표시되어 있지 않다.

선택적으로, 시스템은 여러 모델 템플릿으로 작업하도록 설계될 수 있다. 이 경우, 추가 단계 S3.5는 단계 S3에 이어 단계 S4 전에 실행된다. 단계(S3.5)에서, 복수의 템플릿 각각에 대하여(예를 들어, 상관 또는 상호 정보의 척도를 사용하여) 환자 MRI 이미지의 유사성이 먼저 측정된다. 환자 MRI 이미지와 가장 유사한 변형 가능한 템플릿이 선택되고 모든 후속 단계에서 사용된다. 대안적인 일부 실시 예들에서, 변형 가능한 템플릿 중 환자 MRI 이미지들과 가장 유사한 것을 선택하는 것은 S4 단계의 환자 이미지들을 표준 공간에 등록한 후 및 S5 단계 이전에 수행될 수 있다. 이러한 실시 예에서, 변형 가능한 템플릿 중 환자 MRI 이미지와 가장 유사한 것이 S4 다음의 모든 단계에서 사용된다.

선택적으로, 상기 시스템은 위에서 설명된 프로세스를 사용하여 생성된 각각의 현실적인 머리 모델이 미래의 모델을 위한 변형 가능한 템플릿으로서 역할하는 학습 시스템으로서 구성될 수 있다. S5 단계에서 생성된 변형된 건강 모델 및 결함(단계 S6에서 생성된)을 포함하는 결과 모델 모두가 데이터베이스에 추가될 수있다. 원래 이미지 스택에있는 환자의 MRI 이미지가 종양이있는 뇌의 저장된 템플릿과 충분히 유사한 정도로 유사하다면, 이전에 저장된 템플릿의 변형을 측정하여 환자 MRI 이미지를 나타내는 모델을 생성 할 수 있다.

마지막으로, 여기에 설명된 개념들이 환자의 머리 MRI 이미지의 맥락에서 논의되지만, 동일한 원리가 환자의 신체의 다른 부분 및/또는 MRI 이외의 영상 방식에 적용될 수 있다. 도 8은 변형 가능한 템플릿을 사용하여 환자의 현실적인 머리 모델을 생성함으로써 전기 요법 치료를 수행하기 위해 연속적으로 사용될 전극의 위치를 최적화하는 방법의 흐름도(800)이다. 전기 요법 치료는 TDCS, TMS 또는 TTField 일 수 있다.

S10에서, 환자의 신체 부위의 하나 이상의 3D 이미지가 수신된다. 3D 이미지는 MRI 이미지, CT 이미지, 또는 해당 업계에 공지된 임의의 다른 방식의 이미지 일 수 있다. 신체 부위는 환자의 머리 또는 다른 신체 부위 일 수 있다. 선택적으로, 이미지는 본 명세서에 설명된 접근법 중 임의의 것을 사용하여 사전 처리될 수 있다(예를 들어, 도 1의 단계 S2를 참조).

S20에서, 이상 조직에 대응하는 이미지 부분이 식별된다. 예를 들어, 몸 영역이 환자의 머리 인 경우, 그러한 부분은 종양 또는 두개골 이상에 해당 할 수 있다. 이상(abnormality)은 본원에 기술된 임의의 방법에 따라 또는 관련 기술 분야의 숙련자에게 자명한 임의의 다른 적절한 방법에 따라 수동, 자동 또는 반자동으로 식별될 수 있다. 일부 실시 예에서, 이상 조직에 대응하는 이미지 부분은 이미지의 분할에 의해 식별된다.

S30에서, 이상 조직이 마스킹된 이미지에 대응하는 데이터 세트가 생성된다. 이것은, 예를 들어, 이상 조직을 마스킹함으로써, 아래의 S50에서 설명되는 등록 프로세스에서 이상 영역을 무시하는 것을 포함하여 수행될 수 있다. 일부 실시 예들에서, 이상 영역을 마스킹하는 것은 이 영역 내의 데이터 포인트들을 플래그하고 이하의 S50에서 설명되는 등록 프로세스에서 플래그된 모든 데이터 포인트들을 제외시킴으로써 구현된다.

S40에서, 환자의 신체 부위의 건강한 버전에서 복수 조직 유형의 위치를 특정하는 모델 템플릿이 획득된다. 예를 들어, 몸 영역이 환자의 머리이고 이상적인 조직이 환자의 머리에 있는 종양에 해당하는 경우 모델 템플릿은 건강한 사람의 종양이 없는 머리에 상응한다. 일부 실시 예에서, 모델 템플릿은 다수의 모델 템플릿들 중에서 이미지 및 각 복수의 모델 템플릿 사이의 유사성에 기초하여 선택될 수 있다. 예를 들어, 상호 정보 또는 거리와 같은 유사성의 척도는 환자 데이터 세트(환자 이미지 내의 이상을 마스킹함으로써 유도 됨)와 여러 모델 템플리트 사이에서 결정될 수 있으며, 환자 데이터 세트(예를 들어, 최소 거리 또는 가장 많은 상호 정보를 가짐)와 가장 유사한 모델 템플리트가 그에 따라 선택될 수있다. 일부 실시 예에서, 모델 템플릿은 TPMs을 포함 할 수 있고, TPMs은 모델 템플릿이 유도된(건강한 개인의 이미지로부터 유도된) 건강한 개인 또는 다수의 개인에 대응할 수 있다.

S50에서, 모델 템플릿은 공간에서 변형되어, 변형된 모델 템플릿의 피쳐가 데이터 세트의 대응 피쳐와 정렬된다. 일부 실시 예에서, 모델 템플릿은 상기 데이터 세트를 상기 모델 템플릿의 좌표 공간에 매핑하는 매핑을 결정하고, 상기 매핑의 역(inverse)을 상기 모델 템플릿에 적용하여 변형된다. 일부 실시 예에서, 매핑은 모델 템플릿의 좌표 공간에 데이터 세트를 등록함으로써 결정될 수 있다. 즉, 매핑은 데이터 집합을 모델 템플릿으로 워프(warp)한다. 따라서 매핑의 역(inverse)은 모델 템플릿을 데이터 세트에 워프하여 환자가 이상이 없는 경우 환자에게 현실적인 모델을 제공한다. 일부 실시 예에서, 데이터 세트로부터 모델 템플릿으로의 매핑은 마스크-아웃 부분의 외부에 있는 데이터 세트 내의 포인트에 대해 결정된다. 모델 템플릿이 TPMss를 포함하는 실시 예에서, 매핑은 TPMs에 데이터 세트를 매핑하고 매핑의 역은 TPMs 각각에 적용되고 역맵핑된 TPMs은 변형된 모델 템플리트를 포함하는 분할된 이미지로 결합된다.

S60에서, 데이터 세트의 마스크 아웃된 부분에 대응하는 변형된 모델 템플릿의 부분이 수정되어, 수정된 부분이 이상 조직을 나타내도록 한다. 변형은 S20에서 이상 부분을 식별하는 동안 얻어진 정보에 따라 수행될 수 있다. 예를 들어, S20에서 식별된 하나 이상의 이상 조직 유형이 변형된 모델 템플릿 내의 대응하는 부분에 할당될 수 있다. 대안으로, 사전 결정된 일반 조직 유형이 마스크된 부분에 할당될 수있다.

S70에서, 신체 부위에서의 조직의 전기적 특성의 모델은 (a) 변형 및 수정된 모델 템플릿에서의 복수의 조직 유형의 위치 및 (b) 변형 및 수정된 이상 조직의 위치 모델 템플릿에 기초하여 생성될 수 있다. 전기 특성은 전기 전도성, 전기 저항 또는 신체 부위의 전기 치료 학적 처리와 관련된 임의의 다른 전기적 특성 일 수있다. 일부 실시 예에서, 예를 들어, 이전에 채워진 룩업 테이블에 따라 상이한 전기적 특성 값이 각 조직 유형에 할당될 수있다.

S80에서, 이상 조직의 적어도 일부에서 전계 강도를 최대화하는 전극 배치 레이아웃은 상기 신체 부위에 대한 후보 위치들의 복수의 서로 다른 세트들에 위치한 모의 전극들로부터 야기된 상기 신체 부위에서의 전자기장 분포를 시뮬레이션하기 위한 전기 특성들의 모델을 사용하고, 상기 세트들 중 어느 하나를 결정하여 결정된다. 몇몇 실시예에서, 전극 배치 레이아웃은 적어도 두 개의 전극 배치 레이아웃들 각각에서 모의 전극들에 경계 조건을 적용하고, 상기 적어도 2 개의 전극 배치 레이아웃들 각각에 대해 상기 신체 부위 내의 필드 분포를 풀고; 이상 영역 내에서 가장 강한 필드를 생성하는 전극 배치 레이아웃을 선택하여 결정된다. 경계 조건은 예를 들어 모의 전극들에 제공된 전압에 상응할 수 있다. 일부 실시 예에서, 필드 분포는 유한 요소법 또는 유한 차분 법과 같은 수치 기법을 사용하여 연산된다.

S90에서, 결정된 전극 배치 레이아웃은 전기 요법 치료를 위해 전극을 사용하기 전에 환자의 신체 부위 각각에 전극을 배치하기 위한 가이드로서의 후속 사용되도록 출력된다.

이러한 방식으로 제조된 모델은 헤드 내의 전계 및 / 또는 전류 분포를 계산하는 것이 유용한 다른 애플리케이션에도 사용될 수 있다. 이러한 애플리케이션에는: 직류 및 교류 횡-두개(trans-cranial) 자극; 이식된 자극 전극 필드 맵의 시뮬레이션; 이식된 자극 전극의 배치 계획; 및 뇌파(EEG)의 소스 위치 파악 등이 포함 되나 이에 국한되지 않는다.

마지막으로 이 응용 프로그램에서는 머리의 배열 레이아웃을 최적화하는 방법을 설명하지만 다른 신체 부위(흉부 또는 복부를 포함하되 이에 국한되지 않음)에서 배열 레이아웃을 최적화하는 데 동일한 단계가 사용될 수 있다.

본 발명은 특정 실시 예를 참조하여 개시되었지만, 첨부된 청구 범위에서 정의된 바와 같이, 본 발명의 영역 및 범위를 벗어나지 않고 설명된 실시 예에 대한 많은 수정, 변경 및 변경이 가능하다. 따라서, 본 발명은 설명된 실시 예들에 한정되지 않으며, 이하의 청구 범위 기재사항 및 그 등가물에 의해 정의된 전체 범위를 갖는다.

S1, S2, S3, S3.5, S4, S5, S6, S7, S8: 변형 가능한 템플릿을 사용하여 환자의 현실적인 머리 모델을 생성함으로써 전기 요법 치료를 수행하는 실시 예의 각 단계
40: 환자의 두피 42, 44: 트랜스듀서 어레이
300: 이미지 400: 정규화/등록 프로세스
402: 환자 MRI 이미지 404: 변형 가능한 모델 템플릿
500: 변형/워핑 프로세스 502: 변형 가능한 모델 템플릿
504: 워핑된 모델
600: 식별된 이상이 변형된 모델 템플릿에 이식되는 프로세스
602: 환자 이미지 604:변형된 모델 템플릿
700: 전기 치료용 시스템
702: 제어기
S10, S20, S30, S40, S50, S60, S70, S80, S90: 변형 가능한 템플릿을 사용하여 환자의 현실적인 머리 모델을 생성함으로써 전기 요법 치료를 수행하는 실시예의 각 단계

Claims

삭제
전기 치료 요법(electrotherapeutic) 장치와 사용하기 위한 복수의 전극들의 전극 배치 레이아웃을 결정하는 방법으로, 상기 방법은:
컴퓨터 시스템의 프로세서로 환자의 신체 부위의 3차원 이미지를 수신하는 단계;
이상 조직에 상응하는 이미지의 부분을 식별하는 단계;
상기 이상 조직이 마스크 아웃된 이미지에 상응하는 데이터 세트를 생성하는 단계;
상기 컴퓨터 시스템의 메모리 장치에서 모델 템플릿을 검색하는 단계로, 모델 템플릿, 상기 모델 템플릿은 건강한 개인의 대응되는 신체 영역에서의 복수의 조직 유형의 위치를 특정하고;
변형된 모델 템플릿을 제공하도록 공간에서 상기 모델 템플릿을 변형하는 단계로, 상기 변형된 모델 템플릿의 특징들과 상기 데이터 세트의 상응하는 특징들이 정렬되고 ;
변형 및 수정된 모델 템플릿을 제공하도록 수정된 부분들이 이상 조직을 나타내도록 상기 데이터 세트의 마스크 아웃된 부분들에 상응하는 변형된 모델 템플릿의 부분을 수정하는 단계;
(a) 상기 변형 및 수정된 모델 템플릿에서 복수의 조직 유형들의 위치 및
(b) 상기 변형 및 수정된 모델 템플릿에서 이상 조직의 위치
에 기초하여 상기 신체 부위내의 조직들의 전기적 특성 모델을 생성하는 단계;
상기 신체 영역에 대한 후보 위치들의 복수의 서로 다른 세트들에 위치한 모의 전극들로부터 야기된 상기 신체 부위에서의 전자기장 분포를 시뮬레이션하기 위한 전기 특성들의 모델을 사용하고, 상기 세트들 중 어느 하나를 선택하여 이상 조직의 적어도 일부에서 전계 강도를 최대화하는 전극 배치 레이아웃을 결정하는 단계; 및
전기 요법 치료를 위해 전극을 사용하기 전에 환자의 신체 부위 각각에 전극을 배치하기 위한 가이드로서의 후속 사용을 위해 결정된 전극 배치 레이아웃을 출력하는 단계를 포함하는 방법.
제2항에 있어서,
상기 모델 템플릿을 변형하는 단계는,
상기 데이터 세트를 상기 모델 템플릿의 좌표 공간으로 매핑하는 매핑을 결정하는 단계와,
상기 모델 템플릿에 상기 매핑의 역을 적용하는 단계를 포함하는 방법.
제3항에 있어서,
상기 매핑은 상기 마스크 아웃된 부분들의 외부에 있는 상기 데이터 세트의 포인트들에 대해 결정된 방법.
제3항에 있어서,
상기 모델 템플릿은
조직 확률 맵들을 포함하고,
상기 매핑은 상기 데이터 세트를 상기 조직 확률 맵들로 매핑하는 방법.
제5항에 있어서,
상기 조직 확률 맵들은 상기 모델 템플릿이 유도된 건강한 개인의 이미지들로부터 유도된 것인 방법.
제6항에 있어서,
상기 조직 확률 맵들은 현존하는 조직 확률 맵들을 이용하여 건강한 개인의 이미지들을 동시에 등록하고 분할하여 얻어지고,
상기 현존하는 조직 확률 맵들은 복수의 개인들로부터 얻어지는 방법.
제5항에 있어서,
상기 조직 확률 맵들은 복수의 개인들의 이미지들로부터 얻어진 현존하는 조직 확률 맵들로부터 얻어진 방법.
제5항에 있어서,
상기 매핑의 역은 상기 조직 확률 맵들의 각각에 대해 적용되고,
상기 역 매핑된 조직 확률 맵들은 상기 변형된 모델 템플릿을 포함하는 분할된 이미지로 조합된 방법.
제9항에 있어서,
상기 역 매핑된 조직 확률 맵들을 조합하는 것은 상기 역 맵핑된 조직 확률 맵을 통해 복셀을 차지할 가장 높은 확률을 갖는 조직 타입을 상기 복셀에 할당하는 것을 포함하는 방법.
제9항에 있어서,
상기 역 맵핑된 조직 확률 맵을 조합하는 것은 역 맵핑된 조직 확률 맵을 통해 둘 이상의 조직 유형이 할당된 각 복셀에 조직 유형을 할당하기 위해 룩업 테이블을 이용하는 것을 포함하는 방법.
제2항에 있어서,
상기 이상 조직에 상응하는 상기 이미지의 상기 부분들을 식별하는 단계는 상기 이미지의 분할(segmentation)을 수행하는 것을 포함하는 방법.
제2항에 있어서,
상기 조직들의 전기적 특성들의 모델은 전기 저항 또는 전기 전도도의 모델을 포함하는 방법.
제2항에 있어서,
상기 이미지는 CT(Computed tomography) 이미지 또는 MRI(Magnetic Resonance Imaging) 이미지를 포함하는 방법.
제2항에 있어서,
상기 신체 영역은 상기 환자의 머리를 포함하는 방법.
제2항에 있어서,
상기 이상 조직에 상응하는 상기 이미지의 상기 부분은 종양에 상응하는 방법.
제2항에 있어서,
상기 전기치료요법 치료는 종양치료장(TTFileds)을 포함하는 방법.
제2항에 있어서,
상기 전극 위치 레이아웃을 결정하는 단계는:
적어도 두 전극 위치 레이아웃들의 각각에 있는 모의 전극들에 경계 조건을 적용하는 단계;
적어도 두 전극 위치 레이아웃들 각각에 대하여 신체 영역 내의 필드 분포(field distribution)을 푸는 단계; 및
상기 이상 영역 내에서 가장 강한 필드를 발생하는 상기 전극 레이아웃을 선택하는 단계를 포함하는 방법.
제18항에 있어서,
상기 경계 조건은 상기 모의 전극들에 제공되는 전압 또는 전류에 상응하는 방법.
제2항에 있어서,
상기 모델 템플릿은 상기 이미지와 상기 모델 템플릿들 각각 사이의 유사성에 기초하여 복수의 모델 템플릿들로부터 선택되는 방법.
삭제
하나 이상의 메모리 장치에 저장된 명령들을 실행하도록 구성된 프로세서를 포함하는 전기 치료요법 장치로, 상기 전기 치료요법 장치는 복수의 전극들을 포함하고, 상기 명령들은:
상기 프로세서로부터 환자의 신체 부위의 3차원 이미지를 수신하는 단계;
이상 조직에 상응하는 이미지의 부분을 식별하는 단계;
상기 이상 조직이 마스크 아웃된 이미지에 상응하는 데이터 세트를 생성하는 단계;
상기 하나 이상의 메모리 장치로부터 모델 템플릿을 검색하는 단계로, 상기 모델 템플릿은 건강한 개인의 대응되는 신체 영역에서의 복수의 조직 유형의 위치를 특정 하며;
변형된 모델 템플릿을 제공하도록 공간에서 상기 모델 템플릿을 변형하는 단계로, 상기 변형된 모델 템플릿의 특징들과 상기 데이터 세트의 상응하는 특징들이 정렬되고;
변형 및 수정된 모델 템플릿을 제공하도록 수정된 부분들이 이상 조직을 나타내도록 상기 데이터 세트의 마스크 아웃된 부분들에 상응하는 상기 변형된 모델 템플릿의 부분을 수정하는 단계;
(a) 상기 변형 및 수정된 모델 템플릿에서 복수의 조직 유형들의 위치 및
(b) 상기 변형 및 수정된 모델 템플릿에서 이상 조직의 위치
에 기초하여 상기 신체 부위내의 조직들의 전기적 특성 모델을 생성하는 단계;
상기 신체 부위에 대한 후보 위치들의 복수의 서로 다른 세트들에 위치한 모의 전극들로부터 야기된 상기 신체 부위에서의 전자기장 분포를 시뮬레이션하기 위한 전기 특성들의 모델을 사용하고, 상기 세트들 중 어느 하나를 선택하여 이상 조직의 적어도 일부에서 전계 강도를 최대화하는 전극 배치 레이아웃을 결정하는 단계; 및
전기 요법 치료를 위해 전극을 사용하기 전에 환자의 신체 부위 각각에 전극을 배치하기 위한 가이드로서의 후속 사용을 위해 결정된 전극 배치 레이아웃을 출력하는 단계를 포함하는 장치.