用于电场分布的快速近似的方法、系统和装置制造方法及图纸

描述了用于电场分布的快速近似的方法、系统和装置。统和装置。统和装置。

【技术实现步骤摘要】
【国外来华专利技术】用于电场分布的快速近似的方法、系统和装置
[0001]相关专利申请的交叉引用本申请要求2019年12月31日提交的美国临时申请第62/955,678号的优先权，所述美国申请通过引用被整体地并入本文中。

技术介绍

[0002]肿瘤治疗场或TTFields是中频范围（100
‑
300 kHz）内的低强度（例如1
‑
3 V/cm）交变电场。TTFields疗法是美国食品和药品管理局（FDA）批准的针对多形性胶质母细胞瘤（GBM）和恶性胸膜间皮瘤（MPM）的治疗。这种非侵入性治疗以实体瘤为目标，并且在美国专利第7,565,205号中描述，该美国专利通过引用被整体地并入本文中。临床试验已经表明，将TTFields添加到护理的标准中显著地延长胶质母细胞瘤患者的总生存期。在MPM患者中已经观察到类似的改善。使用放置在肿瘤附近皮肤上的成对换能器阵列非侵入性地传递TTFields。该阵列被连接到场发生器，该场发生器在被激活时产生在100
‑
300 KHz的范围内的交变电场，该交变电场传播到癌组织中。TTFields通过在有丝分裂期间与关键分子的物理相互作用来扰乱细胞分裂。TTFields疗法是一种被批准用于复发性胶质母细胞瘤的单一治疗，并且是被批准用于新诊断患者的化疗联合疗法。这些电场由直接放置在患者的头皮上的换能器阵列（即电极的阵列）非侵入性地感应。TTFields似乎也有利于治疗身体的其他部分中的肿瘤。由换能器阵列产生的电场的分布使TTFields疗法的益处最大化，但是换能器阵列的最佳定位不容易确定。用于估计TTFields强度分布的当前方法依赖于有限元方法，该方法耗时并且可能需要数小时来计算由单对换能器阵列产生的场。例如，电场分布的估计涉及复杂和耗时的计算，这在专用高性能计算机上至少需要3
‑
4小时。因此，在用于TTFields治疗规划的任何实际优化方案中，只能评估有限数量的换能器阵列位置，并且优化结果可能是次优的。

技术实现思路

[0003]描述了方法，所述方法包括：确定与多个患者相关联的多个图像数据集，其中每个患者与从对患者的一部分进行成像来导出的图像数据集相关联，其中每个图像数据集包括多个体素，其中多个体素中的每个体素用组织类型来标记，并且其中多个体素中的每个体素用电场强度分布值（V cm
‑
1）来标记，所述电场强度分布值是从一对换能器阵列向患者的部分模拟施加交变电场而导出的；基于多个图像数据集的第一部分来确定预测模型的多个特征；基于多个特征和多个图像数据集的第一部分来训练所述预测模型，其中所述预测模型被配置成估计电场强度分布值；基于多个图像数据集的第二部分来测试预测模型；以及基于测试来输出预测模型。
[0004]还描述了方法，所述方法包括：针对患者确定图像数据集，其中该图像数据集包括多个体素；向预测模型呈现图像数据集，其中所述预测模型被配置成基于来自多个位置处的一对换能器阵列的一个或多个模拟交变电场来估计电场强度分布值；通过所述预测模型，针对多个体素中的每个体素估计在多个位置中的每个位置处的该对换能器阵列的一个
或多个电场分布强度值；以及基于在多个位置中的每个位置处的该对换能器阵列的估计的一个或多个电场分布强度值、感兴趣的区域以及与患者相关联的解剖限制来确定包括多个位置中的一个或多个位置的换能器阵列图。
[0005]附加的优点将部分地在跟随的描述中阐述或者可以通过实践来了解。所述优点将通过所附权利要求中特别指出的要素和组合来实现和获得。要理解，前述一般描述和下面的详细描述两者都只是示例性和解释性的，而不是限制性的。
附图说明
[0006]为了易于标识任何特定元素或动作的讨论，参考数字中的一个或多个最高有效数字是指其中该元素第一次被引入的图号。
[0007]图1示出了用于电疗治疗的示例装置。
[0008]图2示出了示例换能器阵列。
[0009]图3A和图3B示出了用于电疗治疗的装置的示例应用。
[0010]图4A示出了放置在患者的头部上的换能器阵列。
[0011]图4B示出了放置在患者的腹部上的换能器阵列。
[0012]图5A是放置在患者的躯干上的换能器阵列。
[0013]图5B示出了放置在患者的骨盆上的换能器阵列。
[0014]图6是描述电场发生器和患者支持系统的框图。
[0015]图7A示出了来自有限元方法模拟模型的冠状视图中所示的电场幅度和分布（以V/cm为单位）。
[0016]图7B
‑
C示出了示例模拟结果。
[0017]图8A示出了三维阵列布局图800。
[0018]图8B示出了换能器阵列在患者的头皮上的放置。
[0019]图9A示出了包含最顶端图像的轴向T1序列切片，包括用于测量头部大小的轨道（orbits）。
[0020]图9B示出了用于测量头部大小的耳道的水平处的冠状T1序列切片选择图像。
[0021]图9C示出了增强后T1轴向图像，其示出了用于测量肿瘤位置的最大增强肿瘤直径。
[0022]图9D示出了增强后T1冠状图像，其示出了用于测量肿瘤位置的最大增强肿瘤直径。
[0023]图10是使用不同方法的近似电场分布的绝对值；图11示出了示例机器学习系统；图12示出了示例机器学习方法；图13示出了示例决策树。
[0024]图14A
‑
C示出了示例TTFields估计。
[0025]图15A
‑
B示出了示例TTFields估计。
[0026]图16A示出了基于患者的头部中的肿瘤的中心点的示例横向平面图（plan）。
[0027]图16B示出了基于患者的胸部中的肿瘤的中心点的示例横向平面图。
[0028]图17是描绘示例操作环境的框图。
[0029]图18示出了示例方法。
[0030]图19示出了示例方法。
具体实施方式
[0031]在公开和描述本方法和系统之前，要理解该方法和系统不限于特定方法、特定组件或特定实现。还要理解，本文中使用的术语仅用于描述特定实施例的目的，并不旨在进行限制。
[0032]如说明书和所附权利要求书中所使用的，单数形式“一”、“一个”和“该”包括复数个指示物，除非上下文另外明确规定。范围在本文中可以被表示为从“约”一个特定值，和/或到“约”另一个特定值。当表示这样的范围时，另一个实施例包括从一个特定值和/或到另一个特定值。类似地，当通过使用先行词“约”将值表示为近似值时，将理解该特定值形成另一个实施例。将进一步理解，范围中的每个的端点与另一个端点有关和独立于另一个端点两者都是重要的。
[0033]“可选”或“可选地”意指随后描述的事件或情况可能发生或可能不发生，并且该描述包括其中所述事件或情况发生的情况和其中所述事件或情况不发生的情况。
[0034]贯穿本说明书的描述和权利要求，词语“包括”及词语的变体，诸如“包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：确定与多个患者相关联的多个图像数据集，其中每个患者与从对患者的一部分进行成像来导出的图像数据集相关联，其中每个图像数据集包括多个体素，其中多个体素中的每个体素用组织类型来标记，并且其中多个体素中的每个体素用电场强度分布值（V cm
‑1）来标记，所述电场强度分布值是从一对换能器阵列向患者的部分模拟施加交变电场而导出的；基于多个图像数据集的第一部分来确定预测模型的多个特征；基于多个特征和多个图像数据集的第一部分来训练所述预测模型，其中所述预测模型被配置成估计电场强度分布值；基于多个图像数据集的第二部分来测试预测模型；以及基于测试来输出预测模型。2.根据权利要求1所述的方法，其中确定多个图像数据集包括：确定针对每个患者的原始图像数据，其中原始图像数据包括多个体素；将组织类型分配给多个体素中的每个体素；基于每个体素的组织类型，模拟在原始图像数据内的多个位置处施加来自一对换能器阵列的交变电场；用组织类型、模拟电场和与模拟电场相关联的位置来标记原始图像数据的多个体素中的每个体素；以及基于标记的原始数据，生成多个图像数据集。3.根据权利要求1所述的方法，其中基于多个图像数据集的第一部分来确定预测模型的多个特征包括特征选择技术，所述特征选择技术包括过滤方法、包装器方法或嵌入方法中的一种或多种。4.根据权利要求1所述的方法，其中所述多个特征包括电导率值、介电常数值、到最近的换能器阵列的距离或到最近的导电材料的距离中的两个或更多个。5.根据权利要求1所述的方法，其中，基于多个特征和多个图像数据集的第一部分来训练预测模型包括机器学习技术，所述机器学习技术包括判别分析、决策树、统计算法或神经网络中的一个或多个。6.根据权利要求1所述的方法，进一步包括：针对新患者确定新的图像数据集，其中新的图像数据集包括多个体素；向预测模型呈现新的图像数据集；以及由预测模型针对多个体素中的每个体素来估计在多个位置中的每个位置处的该对换能器阵列的一个或多个电场分布强度值。7.根据权利要求6所述的方法，进一步包...

【专利技术属性】
技术研发人员：R，
申请(专利权)人：诺沃库勒有限责任公司，
类型：发明
国别省市：