ES2916252T3 - Tratamiento de pacientes con campos TT con las posiciones de los electrodos optimizadas utilizando plantillas deformables - Google Patents

Abstract

Un método para mejorar un tratamiento electroterapéutico utilizando una pluralidad de electrodos para administrar terapia de tratamiento de tumores, que comprende: recibir, por un procesador de un sistema informático, una imagen tridimensional de un área del cuerpo de un paciente; identificar partes de la imagen que corresponden al tejido anormal; generar un conjunto de datos correspondiente a la imagen con el tejido anormal enmascarado; recuperar una plantilla de modelo de un dispositivo de memoria del sistema informático, donde la plantilla del modelo especifica posiciones de una pluralidad de tipos de tejido en un cuerpo homólogo área de un individuo sano; deformar la plantilla del modelo en el espacio para que características en la plantilla del modelo deformado se alineen con las características correspondientes en el conjunto de datos; modificar partes de la plantilla del modelo deformado que corresponden a las porciones del conjunto de datos para que las porciones modificadas representen el tejido anormal; generar un modelo de propiedades eléctricas de los tejidos en el área del cuerpo basado en (a) las posiciones de la pluralidad de tipos de tejido en el deformado y plantilla de modelo modificado y (b) la posición del tejido anormal en el deformado y plantilla de modelo modificada; determinar un diseño de colocación de electrodos que maximiza la intensidad de campo en al menos una parte del tejido anormal usando el modelo de propiedades eléctricas para simular distribuciones de campo electromagnético en el área del cuerpo causadas por electrodos simulados colocados en una pluralidad de diferentes conjuntos de posiciones candidatas respectivas a la zona del cuerpo, y seleccionando uno de los conjuntos; y dar salida de la colocación determinada del electrodo diseño para su uso posterior como guía para colocar electrodos correspondientes al área del cuerpo del paciente, antes del uso de los electrodos para el tratamiento electroterapéutico.

Description

DESCRIPCIÓN

Tratamiento de pacientes con campos TT con las posiciones de los electrodos optimizadas utilizando plantillas deformables

[0001] La invención se refiere a un tratamiento electroterapéutico que usa una pluralidad de electrodos para administrar terapia de tratamiento de tumores, y un dispositivo de tratamiento electroterapéutico para realizar el tratamiento electroterapéutico.

ANTECEDENTES

[0002] El uso de campos y corrientes eléctricas para tratar trastornos neurológicos y enfermedades cerebrales se está volviendo cada vez más común. Ejemplos de tales tratamientos incluyen, pero no se limitan a: estimulación de corriente continua transcraneal (TDCS), estimulación magnética transcraneal (TMS), y campos de tratamiento de tumores (campos TT). Estos tratamientos dependen de la entrega de campos electromagnéticos de baja frecuencia para apuntar a regiones dentro del cerebro. Véase, por ejemplo, maderas et. al., Clinical Neurophysiology, 127 1031-1048 (2016), que revisa aspectos técnicos de TDCS; y Thielscher et. al., Conference Proceedings, Institute of Electrical and Electronics Engineers (IEEE), Engineering in Medicine and Biology Society, 222-225 (2015), que enseña métodos para simular TMS. Como otro ejemplo más, Miranda et. al., Physics in Medicine and Biology, 59, 4137-4147 (2014), enseña la creación de un modelo de cabeza computacional de un individuo sano para simular entrega de campos TT usando un conjunto de datos de imagen de resonancia magnética (MRI), donde la creación del modelo se realiza de una manera semiautomática. Además, Wenger et. al., Physics in Medicine and Biology, 607339-7357 (2015), enseña un método para crear un modelo de cabeza computacional de un individuo sano para simular la entrega de campos TT, donde el modelo se crea a partir de conjuntos de datos de MRI de un individuo sano.

[0003] En el caso de TDCS y TMS, el tratamiento implica la entrega de los campos electromagnéticos a regiones objetivo en el cerebro en las que estimulan neuronas específicas. En el caso de campos TT, la posición de los conjuntos de transductores en la cabeza del paciente está optimizada para brindar máxima intensidad de campo a la región del tumor. Ver, por ejemplo, Wenger et. al., International Journal of Radiation Oncology • Biology • Physics, 941137-43 (2016), que enseña cómo los datos de imágenes de tensor de difusión (DTI) se puede incorporar en modelos para simular la entrega de campos TT a la cabeza. Los datos DTI se utilizan para derivar tensores de conductividad anisotrópica para cada vóxel en el modelo de cabeza

[0004] Los campos TT son campos eléctricos alternos de baja intensidad (p. ej., 1-3 V/cm) dentro de la frecuencia intermedia rango (100-300 kHz), que se puede utilizar, por ejemplo, para tratar tumores como se describe en la patente estadounidense 7.565.205. La terapia de campos TT es un tratamiento único aprobado para el glioblastoma recurrente (GBM) y una terapia de combinación aprobada con quimioterapia para pacientes recién diagnosticados. Estos campos eléctricos alternos son inducidos de forma no invasiva por conjuntos de transductores (es decir, conjuntos de transductores capacitivamente electrodos acoplados) colocados directamente en el cuero cabelludo del paciente (p. ej., utilizando el sistema Novocure Optune™). Los campos TT también parecen ser beneficiosos para el tratamiento de tumores en otras partes del cuerpo.

[0005] Los estudios in vivo e in vitro muestran que la eficacia de la terapia de campos TT aumenta a medida que aumenta la intensidad del campo eléctrico aumenta en la región objetivo, y la intensidad en la región objetivo depende de la ubicación de las matrices de transductores en el cuero cabelludo del paciente.

[0006] Una forma de optimizar la colocación de las matrices de transductores es utilizar una simulación por ordenador. El uso de es necesario un ordenador debido a la gran cantidad de datos de imagen que se procesan y el proceso de simulación/optimización es computacionalmente intensivo y complejo como se describe en este documento. Normalmente, al realizar simulaciones, se construye un modelo computacional anatómicamente preciso y se asignan propiedades eléctricas a los distintos tipos de tejido. Una vez que el modelo tiene construido, los electrodos del modelo simulado se colocan en el modelo de la cabeza y se aplican las condiciones de contorno apropiadas, como el voltaje en los electrodos. Luego se calcula el campo eléctrico dentro de la cabeza. Usando varios esquemas de optimización implementados por computadora y computacionalmente intensivos, es posible para encontrar la disposición de los electrodos y las condiciones de contorno que producen distribuciones de campo electromagnético óptimas dentro de la cabeza (y específicamente, las regiones objetivo). Sin embargo, los pacientes individuales varían en los detalles de su anatomía, y estas variaciones influyen en la distribución del campo dentro de la cabeza del individuo. Por lo tanto, con el fin de utilizar simulaciones para optimizar los tratamientos que involucran la entrega de campos electromagnéticos a las regiones objetivo, hasta ahora ha sido necesario construir un modelo computacional personalizado para cada individuo.

[0007] Un enfoque convencional para formar un modelo de cabeza es el siguiente. Primero, se adquiere un conjunto de imágenes médicas. Por lo general, las imágenes incluyen imágenes de resonancia magnética y/o tomografía computarizada (TC). A continuación, las imágenes son segmentadas para determinar qué partes de las imágenes corresponden a cada uno de los diferentes tipos de tejido posibles (p. ej., materia blanca, materia gris, líquido cefalorraquídeo (LCR), cráneo, etc.). A continuación, se construye una serie de mallas para cada tipo de tejido en la imagen segmentada y se se incorporan al modelo y se asignan valores de conductividad representativos a cada tipo de tejido. Finalmente, los electrodos se colocan en el modelo y la distribución del campo se resuelve utilizando una técnica numérica adecuada, como un método de elementos finitos o un método de diferencias finitas (basado en las posiciones en el espacio 3D del varios tipos de tejido y las conductividades asignadas a cada uno de esos tipos de tejido).

[0008] Aunque muchos pasos en el proceso descrito arriba son implementados por una computadora, el proceso aún requiere una gran cantidad de intervención humana porque los algoritmos automáticos para la segmentación de imágenes médicas de una cabeza, especialmente imágenes en las que están presentes tumores, no son robustos y, a menudo, requieren la intervención del usuario para obtener resultados fiables. Véase, por ejemplo, Menze et. otros, IEEE Transacciones sobre imágenes médicas, 34 1993-2024 (2014), que investiga el rendimiento de múltiples algoritmos para segmentación automática de tumores. Además, la regularización de la malla es un proceso lento que requiere la supervisión del usuario, como se describe, por ejemplo, en Miranda et. al., Physics in Medicine and Biology, 59, 4137­ 4147 (2014), Wenger et. al., Physics in Medicine and Biology, 60 7339-7357 (2015), y Wenger et. otros, International Journal of Radiation Oncology • Biology • Physics, 941137-43 (2016). Específicamente, al crear un modelo de elementos finitos de un volumen, el volumen se malla en elementos volumétricos. Para asegurar la conversión de la solución numérica, es deseable que la calidad de todos elementos es alta (con la definición de calidad que varía dependiendo del tipo de malla que se esté creando). Además, es importante verificar que los elementos no se crucen, y que en general la calidad de la malla es suficiente. La regularización es un proceso en el que se procesa una malla para mejorar el acondicionamiento de sus elementos y su calidad. Para una discusión básica, ver S. Makarow et. al., "Low Frequency Electromagnetic Modelling For Electrical and Biological systems Using Matlab", John Wiley and Sons, 2010, págs. 36-81.

[0009] Entre la segmentación y la regularización de la malla, la mano de obra requerida para crear un solo modelo puede variar de horas a días, dependiendo de la calidad de las imágenes y la complejidad del modelo que está siendo creado. US 2016/055304 divulga aparatos, sistemas, métodos y productos de programas para estimulación eléctrica dirigida. SUMARIO DE LA INVENCIÓN

[0010] Un aspecto de la invención está dirigido a un método para mejorar un tratamiento electroterapéutico según la reivindicación 1.

[0011] Otro aspecto de la invención está dirigido a un dispositivo de tratamiento electroterapéutico según la reivindicación 17.

[0012] Las formas de realización de la invención se describen en las reivindicaciones dependientes.

BREVE DESCRIPCIÓN DE LOS DIBUJOS

[0013]

FIG. 1 es un diagrama de flujo de una forma de realización que realiza tratamiento electroterapéutico mediante la creación de un modelo de cabeza realista de un paciente utilizando una plantilla deformable.

FIG. 2 muestra una imagen de resonancia magnética original obtenida de un paciente con una anomalía (p. ej., un tumor).

FIG. 3 representa la imagen de resonancia magnética de la FIG. 2 con la anormalidad enmascarada.

FIG. 4 representa el proceso de normalización/registro que genera el mapeo y el mapeo inverso entre la FIG. 3 y una plantilla de modelo deformable de un individuo sano.

FIG. 5 representa cómo la plantilla deformable de la FIG. 4 se deforma para adaptarse a la forma del paciente imagen de resonancia magnética.

FIG. 6 representa la implantación de la anormalidad de nuevo en el modelo deformado.

FIG. 7 representa un sistema para tratamiento electroterapéutico según una forma de realización.

FIG. 8 es otro diagrama de flujo de una forma de realización que realiza un tratamiento electroterapéutico creando un modelo de cabeza realista de un paciente usando un modelo deformable.

DESCRIPCIÓN DETALLADA DE LAS FORMAS DE REALIZACIÓN PREFERIDAS

[0014] Las formas de realización descritas en este documento generan un modelo de cabeza realista personalizado para cada paciente individual mediante la aplicación de una deformación no rígida a una preexistente plantilla de modelo de cabeza realista, reduciendo así el tiempo y mano de obra humana necesaria para crear el modelo de la cabeza. Después de generarse un modelo de cabeza personalizado para cada individuo paciente, los enfoques de simulación convencionales se utilizan para determinar la posición óptima para el transductor en el cuerpo del paciente. Opcionalmente, la plantilla de modelo de cabeza realista preexistente para el paciente sano puede incluir mapas de probabilidad de tejido (TPM). Los TPM proporcionan un modelo en el que cada punto está representado por las respectivas probabilidades de ese punto perteneciente a varios tipos de tejidos como la materia blanca, materia gris, LCR, etc.

[0015] Opcionalmente, las imágenes del paciente pueden complementarse con otros datos de resonancia magnética como los datos de imágenes de tensor de difusión (DTI) o datos de tomografía de impedancia eléctrica de contenido de agua (Wept) para obtener representaciones más precisas de la conductividad en la cabeza del paciente, por ejemplo, como lo revelan E. Michel, D. Hernandez y S. Y. Lee, "Electrical conductivity and permittivity maps of brain tissues derived from water content based on T 1 -weighted acquisition," Magnetic Resonance in Medicine, 2016. Se sabe que técnicas de imágenes de resonancia magnética como DTI o Wept proporcionan información sobre la conductividad de los tejidos como se describe, por ejemplo, en la publicación de patente de EE.UU. 2017/0120041.

[0016] Las formas de realización de FIG. 1 y FIG. 8 describen flujos de trabajo para crear un modelo de cabeza realista individualizado para cada paciente con intervención reducida del usuario, y el uso de estos modelos de cabeza para optimizar los diseños de matriz de campos de tratamiento de tumores (campos TT) en pacientes. Una vez que se ha construido un modelo realista para cualquier paciente dado, la optimización se puede realizar de forma totalmente automática o de manera semiautomática usando una secuencia de algoritmos que también se describe aquí. Aunque estos flujos de trabajo se describen en el contexto de campos TT, también pueden utilizarse en contextos alternativos.

[0017] Las formas de realización de FIG. 1 y FIG. 8 comienzan con una plantilla deformable que es un modelo de cabeza realista de un individuo sano (a diferencia de un modelo de cabeza realista del paciente real). Este modelo de cabeza se puede obtener utilizando cualquier enfoque convencional. Por ejemplo, el modelo de cabeza realista se puede crear en un sistema de coordenadas estándar como el del Instituto Neurológico de Montreal. (MNI) o espacios de Talairach. Por ejemplo, Holmes et. al., Journal of Computer Assisted Tomography, 22 324-333 (1998) enseña mapeo y promedio de imágenes de MRI en el espacio estándar de MNI. Si el modelo no existe en un espacio de coordenadas estándar deseado, la transformación de un espacio de coordenadas estándar al modelo de cabeza es preferiblemente conocido y puede usarse para mapear el modelo al espacio de coordenadas estándar. Un ejemplo de un modelo de cabeza realista construido en un espacio de coordenadas estándar es el modelo basado en el conjunto de datos COLIN27 (como se describe en Holmes et. al., Journal of Computer Assisted Tomography, 22 324-333 (1998)) creado por Miranda et. al. (como se describe en Miranda et. al., Physics in Medicine and Biology, 59, 4137-4147 (2014)). Pero una gran variedad de modelos realistas alternativos de cabeza para el individuo sano pueden utilizarse en lugar del modelo de Miranda. Está deseable que las resonancias magnéticas a partir de las cuales se creó el modelo también estén disponibles para los fines que se describirán en lo sucesivo.

[0018] En algunas formas de realización, la plantilla de modelo de cabeza realista del individuo sano proporciona TPM de tipos de tejido. Es decir, cada punto del modelo está representado por probabilidades respectivas de que ese punto pertenezca a varios tipos de tejido como materia blanca, materia gris, LCR, etc. En algunas formas de realización, la plantilla de modelo de cabeza realista del individuo sano proporciona un TPM por tejido tipo (por ejemplo, 6 TPM para 6 tipos de tejido de materia blanca, gris materia, cráneo, cuero cabelludo, LCR y aire).

[0019] La FIG. 1 describe un proceso 100 para usar el modelo realista de la cabeza del individuo sano para crear un modelo de cabeza realista para cualquier paciente dado usando el modelo de cabeza existente como plantilla deformable.

[0020] El proceso 100 comienza en el paso S1, que es la adquisición de un conjunto apropiado de imágenes de resonancia magnética. En el paso S1 se adquiere un conjunto de datos de resonancia magnética para un paciente individual utilizando cualquier enfoque convencional. Este conjunto de datos incluye preferiblemente resonancias magnéticas que contienen datos estructurales (como los obtenidos a partir de secuencias de resonancia magnética T1 o T2). Opcionalmente, también se pueden adquirir secuencias adicionales como DTI o imágenes de perfusión que pueden llevar información adicional que podría ser útil para la creación de modelos como se describirá más adelante. En algunos casos, los parámetros de las secuencias de resonancia magnética están optimizados para aumentar el contraste entre tipos de tejidos específicos. Mejorar el contraste es útil para la segmentación de la imagen que sigue en los pasos descritos a continuación, por ejemplo, como en la secuencia descrita en Windhoff et. al., Human Brain Mapping, 34923-935 (2013).

[0021] Preferiblemente, las resonancias magnéticas se adquieren en la resolución más alta que es prácticamente posible. Por lo general, la resolución de mejor que 1 mm x 1 mm x 1 mm se desea. Sin embargo, También se pueden utilizar imágenes con una resolución más baja.

[0022] Opcionalmente, también se adquieren datos de DTI o imágenes por resonancia magnética ponderada por difusión (DWI). Estos datos se pueden utilizar para mapear la conductividad (o el tensor de conductividad) dentro de cada vóxel como se describe en Wenger et. al., International Journal of Radiation Oncology • Biology • Physics, 941137-43 (2016), y Basser et. al., Biophysical Journal, 66259-267 (1994). En formas de realización alternativas, se pueden usar diferentes formas de realización de imagen en su lugar de imágenes de MRI, como imágenes de CT, una combinación de Imágenes de resonancia magnética y tomografía computarizada, etc.

[0023] El proceso 100 continúa en el paso S2, que es el preprocesamiento de imágenes. Sin embargo, en algunos casos, no se necesita preprocesamiento y se puede omitir el Paso S2. En paso S2, el procesamiento previo de la imagen se realiza en los datos obtenido en el paso S1 para obtener una imagen más limpia. FIG. 2 muestra un ejemplo de una imagen MRI 200 después de realizar el procesamiento previo de la imagen en el paso S2. El preprocesamiento se puede implementar usando cualquier enfoque convencional. En algunas formas de realización, el paso de procesamiento previo de la imagen incluye alineación de la imagen y corrección de distorsión. Por ejemplo, se puede implementar la alineación de imágenes para eliminar artefactos debido al movimiento de las imágenes utilizando cualquier enfoque convencional. La realineación puede ser realizada mediante el registro afín, utilizando cualquier enfoque convencional adecuado como el mapeo paramétrico estadístico (SPM) implementado en la caja de herramientas SPM 8.0 que está desarrollado para la construcción y evaluación de procesos estadísticos espacialmente extendidos utilizados para probar hipótesis sobre datos de imágenes funcionales. Además, la distorsión a las imágenes (p. ej., causado por corrientes de Foucault inducidas) puede corregirse en esta etapa. La realineación de imágenes es necesaria cuando se utiliza más de un conjunto de datos para crear los modelos, en cuyo caso esos múltiples conjuntos de datos necesitan estar alineados. Por ejemplo, cuando los conjuntos de imagen axial y coronal se utilizan para superresolución, necesitan ser alineados. Como otro ejemplo, cuando los datos DTI se utilizan además de los datos T1, los datos DTI y los datos T1 pueden necesitar estar alineados.

[0024] En algunas formas de realización, un paso de preprocesamiento adicional de manipular el encabezado de la imagen de MRI se realiza (p. ej., en formato de Iniciativa Tecnológica de Informática de Neuroimagen (NifTI), por lo que el origen del archivo coincide con el origen de la plantilla TPM. El origen del archivo se refiere al origen de los ejes en el archivo. Este paso ayuda a facilitar el registro de la imagen de resonancia magnética en el espacio deformable como se describe en el paso S4 a continuación. En algunas formas de realización, el origen de los ejes en las imágenes de resonancia magnética del paciente y en los archivos asociados con la plantilla deformable se colocan en vóxeles similares para ayudar a facilitar ejecución del paso S4.

[0025] Opcionalmente, se pueden utilizar algoritmos de superresolución que combinan varios conjuntos de datos de resonancia magnética de un solo paciente en una sola imagen. Estos algoritmos son útiles para crear un conjunto de datos que muestre la cabeza completa del paciente, cuando todos los demás conjuntos de datos truncan la cabeza en diferentes puntos, o para crear una imagen con alta resolución (o espaciado entre sectores) cuando los datos originales son de menor resolución. Conjuntos de datos de alta resolución y conjuntos de datos que muestran la cabeza 3D completa son útiles para crear un modelo de cabeza precisa. Un ejemplo de un algoritmo de superresolución es descrito en Woo, et al. "Reconstruction of high-resolution tongue volumes from MRI". IEEE Transactions on Biomedical Engineering, 59.12 (2012). Este algoritmo empleó una serie de pasos de preprocesamiento que incluyen corrección de movimiento y normalización de intensidad, seguida por un máximo basado en la región a posteriori (MAP) Markov random field (MRF) para combinar tres volúmenes de imágenes ortogonales de conjuntos de datos de resonancia magnética en una sola reconstrucción de volumen isotrópico de superresolución de la lengua. La imagen de superresolución de salida fue superior a las imágenes de entrada en términos de relación señal-ruido (SNR) y resolución.

[0026] En muchos casos, el ruido de fondo y el alias pueden estar presentes y pueden deteriorar la calidad del modelo de cabeza creado con plantillas deformables. En particular, cuando hay ruido de fondo, el contorno del cráneo obtenido durante la creación del modelo suele ser inexacto e incluye parte del fondo. Respectivamente, algunas formas de realización pueden implementar varios umbrales esquemas conocidos por los expertos en las técnicas relevantes para eliminar el ruido de fondo y el aliasing. El término aliasing como se utiliza aquí se refiere a un artefacto en las imágenes de resonancia magnética que da como resultado una "sombra" débil del sujeto que se está fotografiando para aparecer en el fondo (es decir, la sombra se hace por alias). La sombra es típicamente al revés y adjunto directamente a la imagen principal. En este caso, se puede usar un esquema de umbral para eliminar la sombra débil en el fondo. Un ejemplo de un umbral esquema que se puede utilizar para mejorar la calidad de la imagen es un método semiautomático en el que el usuario selecciona un solo valor que representa el ruido de fondo y el software aplica este valor como un umbral para automáticamente detectar el contorno del cuero cabelludo y poner a cero la intensidad del ruido de fondo trozo a trozo. También se puede utilizar una amplia variedad de enfoques alternativos, como apreciarán los expertos en las técnicas pertinentes.

[0027] De forma alternativa o adicional, se puede aplicar un procesamiento previo específico al escáner. Por ejemplo, imágenes pueden convertirse del formato Digital Imaging and Communications in Medicine (DICOM) a NifTI.

[0028] El proceso 100 continúa en el paso S3, que es enmascaramiento de regiones anormales en la cabeza. El paso S3 se implementa solo si un tumor u otra anormalidad (p. ej., defectos/colgajos en el cráneo) en las imágenes de resonancia magnética del paciente. En el paso S3, estas regiones anormales están enmascaradas como se muestra en la imagen 300 de la FIG. 3. Opcionalmente, las regiones que están enmascaradas pueden extenderse más allá del tumor/anormalidad si necesario para incluir todas las regiones en las que la estructura normal del cerebro ha sido significativamente alterada debido a la presencia del tumor u otros defectos.

[0029] Una forma de lograr este paso de enmascaramiento es utilizar la segmentación supervisada para marcar correctamente las regiones anormales de la cabeza. Durante este paso de la segmentación supervisada, se etiquetan múltiples tipos de anormalidades para alcanzar el nivel de detalle deseado del modelo final como se describirá más adelante. La segmentación supervisada puede realizarse de forma semiautomática utilizando, por ejemplo, herramientas como ITK-SNAP (ver, por ejemplo, Yushkevich et. al, Neuroimage, 31 1116-1128 (2006)).

[0030] Alternativamente, el enmascaramiento se puede realizar usando algoritmos de segmentación automática. Por ejemplo, Porz, et al. "Multi-modal glioblastoma segmentation: man versus machine." Public Library of Science (PLOS) One, 9.5 (2014), enseñan un método para la segmentación automática de imágenes de resonancia magnética antes de la operación. En algunas situaciones, las correcciones manuales a los resultados del proceso de segmentación automática pueden ser necesarias para garantizar un enmascaramiento preciso del tumor

[0031] En algunas formas de realización, las regiones que son enmascaradas se determinan manualmente. Una forma de lograr esto es presentar los datos de MRI a un usuario y pedirle al usuario delinear el tumor en los datos. Los datos presentados al usuario pueden incluir datos de resonancia magnética estructural (p. ej., datos T¹, T²). Las diferentes modalidades de resonancia magnética pueden registrarse entre sí, y el usuario puede ser presentado con la opción de ver cualquiera de los conjuntos de datos y esquemas el tumor. Se le puede pedir al usuario que delinee el tumor en una representación volumétrica 3D de los datos de MRI, o el usuario puede tener la opción de ver secciones 2D individuales de los datos y marcar el límite del tumor en cada sección. Una vez marcados los límites de cada sección, el tumor dentro del volumen anatómico puede encontrarse. En este caso, el volumen marcado por el usuario se correspondería al tumor. En algunas situaciones, se añaden los márgenes de un ancho predefinido (por ejemplo, 20 mm) al tumor, y el volumen resultante se utiliza como región a enmascarar.

[0032] Nótese que cuando no hay tumor u otra anormalidad existe en las imágenes de resonancia magnética del paciente (p. ej., cuando el paciente es saludable), se omite el paso S3.

[0033] Para ciertos pacientes, los resultados de la segmentación revelarán que el tumor no es homogéneo, en cuyo caso el tumor también puede segmentarse en varias subregiones para que dicha información de segmentación se puede usar para volver a plantar con mayor precisión el tumor en el modelo de cabeza realista después del paso de deformación como se describirá con más detalle en este documento. Ejemplos de dichas subregiones son tumor activo/mejorado, regiones necróticas, cavidad de resección, etc. Se pueden usar algoritmos de segmentación automatizados convencionales para segmentación de GBM detallada. Un ejemplo de un algoritmo disponible públicamente es el reciente software Brain Tumor Image Analysis (BraTumIA) que distingue entre núcleo necrótico, edema, tumor sin realce y tumor con realce mientras se necesitan cuatro modalidades de imagen diferentes (T1, T1-contraste, T2-contraste y FLAIR). Técnicas que solo necesitan un T1 como entrada también existen. Pero independientemente de cualquier variación dentro del tumor, todas las regiones del tumor están enmascaradas fuera de la imagen original del paciente. En caso de que los defectos del cráneo estén en la imagen, entonces estas regiones son segmentadas y enmascaradas también.

[0034] Tenga en cuenta que, si bien se describe una variedad de enfoques para identificar la región anormal en la imagen arriba, una amplia variedad de enfoques alternativos será evidente para los expertos en las técnicas pertinentes.

[0035] El proceso 100 continúa en el paso S4, que es el de Normalización/Registro espacial. En el paso S4, un mapeo que deforma el conjunto actual de imágenes de resonancia magnética para un paciente dado en el espacio estándar del modelo de plantilla es identificado. FIG. 4 representa el proceso de normalización/registro 400 que genera el mapeo y el mapeo inverso entre una imagen de resonancia magnética del paciente 402 (con una anormalidad enmascarada) y la plantilla de modelo deformable 404 de un individuo sano. También se identifica el inverso de este mapeo (para usar en el paso S5 a continuación para mapear el espacio estándar al espacio del conjunto de resonancia magnética del paciente).

[0036] Por ejemplo, un enfoque para generar este el mapeo consiste en registrar las imágenes de resonancia magnética del paciente en un espacio de coordenadas estándar, como el espacio MNI o el espacio de Talairach. El registro de imágenes se refiere a la transformación espacial de una imagen para que ciertas características de la imagen se alineen con las características correspondientes en otra imagen/espacio. Esto se puede hacer por cualquier método conocido que será evidente para los expertos en las técnicas pertinentes, por ejemplo, mediante el uso de paquetes de software fácilmente disponibles que incluyen, entre otros, FSL FLIRT y SPM.

[0037] En particular, las regiones anormales enmascaradas en el paso S3 se omiten del proceso de registro. La postergación de las regiones enmascaradas durante el registro asegura que el registro se realiza utilizando solo regiones sanas de la cabeza, que se puede mapear efectivamente al modelo TPM que describen la probabilidad de que un vóxel específico en el espacio estándar pertenece a un tipo de tejido específico. Ventajosamente, la omisión de las regiones anormales mejora la solidez del proceso de registro. En algunas formas de realización, los TPM se construyen en el espacio de plantilla de modelo.

[0038] Alternativamente, algoritmos de registro no rígidos (como se describe, por ejemplo, en Zhuang et. al, IEEE Transactions on Medical Imaging, 300278-0062 (2011), que enseña un algoritmo para el registro de imágenes usando información mutua) se pueden utilizar para registrar las imágenes de resonancia magnética del paciente en un espacio de coordenadas estándar (p. ej., una plantilla de modelo realista de un individuo sano) o en una versión voxelizada del modelo segmentado correspondiente. Tenga en cuenta que una variedad de algoritmos para el mapeo de las imágenes de resonancia magnética del paciente en un espacio estándar son bien conocidas a personas expertas en las técnicas pertinentes. Moverse en la dirección opuesta (es decir, desde el espacio estándar a las imágenes de resonancia magnética del paciente, como se describe a continuación) utilizará la inversa de esos mismos mapeos.

[0039] Los mapeos descritos anteriormente se encuentran para los puntos en la cabeza del paciente que caen fuera de las áreas enmascaradas. Las transformaciones en la(s) región(es) que se enmascararon antes del registro se pueden estimar, por ejemplo, interpolando el mapa de deformación que se encuentra en el resto de la cabeza en estas regiones, o usando cualquiera de una variedad de enfoques alternativos que serán evidentes para los expertos en las técnicas pertinentes. En algunas formas de realización, puede que no sea necesario encontrar una transformación para la(s) región(es) que fueron enmascaradas antes de registro. Esto se debe a que las áreas de la plantilla de modelo deformable que corresponden a la región enmascarada contiene información relacionada con una estructura "natural" (p. ej., tejido sano). Por lo tanto, después de las asignaciones descritas anteriormente se aplican a la plantilla del modelo deformable para los puntos que quedan fuera de las regiones enmascaradas, la plantilla del modelo deformado ya incluye algunos datos del modelo en estas regiones desde la estructura "natural" se mantiene en estas regiones. Por ejemplo, si se enmascara una esfera del hemisferio izquierdo en imágenes de pacientes y se aplican las asignaciones a la plantilla del modelo deformable sólo para los puntos que caen fuera de la esfera, el contenido de la esfera en el hemisferio izquierdo de la plantilla del modelo deformado se parecerá a alguna estructura natural.

[0040] En algunas formas de realización, se utilizan TPM modelo para encontrar el mapeo desde el espacio estándar hasta el espacio del paciente. En algunas formas de realización, los TPM modelo pueden ser derivados del conjunto de datos de MRI del cual se derivó la plantilla deformable. El uso de TPM derivados de este conjunto de datos de resonancia magnética puede conducir a una representación más precisa del paciente en el modelo final, que cuando se utilizan otros TPM. La razón de esto es la siguiente. Los TPM describen la probabilidad de que un voxel en un espacio estándar pertenezca a cada tipo de tejido. En general, los TPM se derivan de múltiples resonancias magnéticas de diferentes sujetos. Así, los TPM representan la probabilidad de que un vóxel pertenezca a cada tejido tipo a lo largo de una población de individuos. Esto implica que al realizar el registro utilizando TPM derivados de varias personas, el mapeo de salida representa un mapeo en algún espacio representativo que, por definición, suaviza la variación anatómica entre los individuos de los que se derivaron los TPM. Sin embargo, al crear modelos de pacientes deformando un modelo de cabeza de un individuo sano, puede ser deseable que el mapeo calculado al registrar la resonancia magnética del paciente en los TPM captura las características anatómicas del modelo de cabeza sana con la mayor precisión posible. Esta precisión asegura que cuando la plantilla deformable luego se deforma en el espacio del paciente en el paso S5 a continuación, el modelo resultante se asemeja al paciente con tanta precisión como sea posible. Por lo tanto, es deseable que los TPM sobre los que se realiza el registro en el paso S4 representan al individuo del que se obtiene el modelo de cabeza sana, a diferencia de una población de individuos de la que normalmente se derivan los TPM.

[0041] Un enfoque para crear TPM que representan el individuo sano del que se extrae el modelo deformable se derivó la plantilla es registrar y segmentar imágenes de resonancia magnética del individuo sano utilizando un conjunto existente de TPM genéricos (p. ej., TPM creados en un espacio estándar utilizando datos de varias personas). Un ejemplo de un algoritmo que logra esto es el algoritmo de segmentación unificado de Ashburner y Friston ("Unified segmentación." Neuroimage 26.32005) que se implementa en la caja de herramientas SPM 8.0 descrita anteriormente de este proceso incluyen mapas de probabilidad que describen la probabilidad de que un vóxel (de las imágenes de resonancia magnética registradas en el espacio estándar) pertenece a un tipo de tejido específico. El número de mapas de probabilidad generados en este proceso es igual al número de tipos de tejido en el modelo (típicamente 6), y a cada vóxel en un mapa se le asigna un valor de 0 a 1 que indica la probabilidad de que el vóxel pertenece a un tipo de tejido específico. Por definición, estos mapas de probabilidad son TPM que representan la salud individuo del que se derivó el modelo de cabeza sana (plantilla deformable).

[0042] En algunos casos, se realizan correcciones manuales a los TPMs para obtener una mejor representación de la plantilla deformable. Por ejemplo, los mapas de probabilidad del cráneo y el cuero cabelludo podrían modificarse para mejorar los límites del cráneo o del cuero cabelludo. Esto se puede hacer, por ejemplo, asignando manualmente valores de probabilidad a vóxeles específicos tales que la probabilidad de que ese vóxel pertenecer a un tipo de tejido es cercano a 1, y la probabilidad de pertenecer a otros tipos de tejido es cercano a 0. Una última paso en la creación de TPM a partir de estos mapas de probabilidad es aplicar un filtro de suavizado a los mapas individuales. El suavizado es importante para permitir ajustes a una resonancia magnética de cualquier individual. El suavizado se puede realizar, por ejemplo, utilizando un filtro gaussiano con un núcleo de suavizado de 4 mm x 4 mm x 4 mm FWHM (Ancho total mitad del máximo).

[0043] El proceso 100 continúa en el Paso S5, que consiste en Deformar/Alabear la plantilla en el espacio deseado. En paso S5, se aplica el mapeo inverso encontrado en el paso S4 a la plantilla del modelo deformable para mapear la plantilla de modelo deformable en el sistema de coordenadas de imágenes de resonancia magnética del paciente. FIG. 5 representa el proceso de deformación/alabeo 500 que aplica el mapeo inverso a una plantilla de modelo deformable 502 para obtener el modelo alabeado 504. En algunas formas de realización, el mapeo inverso aplica una transformación tridimensional a la plantilla de modelo deformable 502, deformando así la plantilla de modelo deformable 502 para ajustarse a los atributos anatómicos específicos del paciente.

[0044] Cabe señalar que antes de la deformación, la plantilla del modelo 502 es un modelo del cerebro de un individuo sano de referencia; y después de la deformación, el modelo deformado 504 representa una aproximación de lo que el cerebro del paciente se vería como si fuera saludable. En otras palabras, este paso da como resultado un modelo de un individuo sano que ha sido deformado para encajar en la cabeza que se muestra en las imágenes de resonancia magnética del paciente, pero carece de un tumor. Cabe destacar que, a pesar de que este modelo deformado se origina a partir de una plantilla de modelo (en lugar de la cabeza de cada paciente individual), sigue siendo útil para analizar los campos eléctricos que se pueden inducir dentro de la cabeza de cada paciente individual.

[0045] La deformación en el paso S5 se puede aplicar a una versión voxelizada del modelo o a una versión mallada del modelo. En la versión voxelizada, cada vóxel indica un tipo de tejido (o probabilidades de tipo de tejido) en la ubicación de las coordenadas de ese vóxel. En la versión de malla, cada malla define un límite entre diferentes tipos de tejido, y la deformación se aplica a estas mallas en la plantilla del modelo deformable. En algunas formas de realización, se crea una imagen binaria de cada tipo de tejido, y cada imagen binaria resultante se deforma por separado.

[0046] Opcionalmente, los agujeros que puedan aparecer en la imagen deformada de un tipo de tejido se puede asignar a uno de los tipos de tejido que aparecen en esa imagen. Un ejemplo de un procedimiento diseñado para asignar tipos de tejido a los agujeros que aparecen entre máscaras binarias se pueden encontrar en Timmons, et al. "End-to-end workflow for finite element analysis of tumor treating fields in glioblastomas," Physics in Medicine & Biology, 62.21 (2017), donde al usar el software ScanIP, una función de filtro gaussiano suaviza los límites entre máscaras para evitar problemas de convergencia. Las cavidades de la máscara se rellenan y se eliminan las islas por encima de un umbral (que puede variar con el tipo de tejido). La máscara actual se duplica y luego se dilata (de uno a tres vóxeles, dependiendo de la máscara de tejido) y Boolean añadido a la siguiente máscara en todos los sectores. También se pueden utilizar cualquiera de una variedad de enfoques alternativos para llenar los agujeros que aparecen en la imagen deformada.

[0047] Después de la formación de las imágenes para cada tipo de tejido individual, todas las imágenes binarias se combinan en una sola imagen que representa una imagen segmentada del modelo de cabeza deformada.

[0048] En los casos en que un vóxel en el modelo combinado se asigna a más de un tipo de tejido, una lógica heurística se puede utilizar para determinar el tipo de tejido en la imagen final. Por ejemplo, la lógica puede establecer que todos los vóxeles donde la materia gris y blanca se superponen en la combinación modelo se asignan solo a la sustancia blanca, o viceversa.

[0049] En formas de realización donde la plantilla de modelo incluye TPM (es decir, cada tejido en la plantilla de modelo es representado por una matriz 3D que describe la probabilidad de que cada vóxel pertenece a un tipo de tejido específico), los TPM se deforman, y los TPM deformados se combinan en un modelo final tal que a cada voxel en el modelo combinado se le asigna un tipo de tejido basado en alguna heurística lógica. Por ejemplo, cada vóxel se le asigna al tipo de tejido que tiene la mayor probabilidad de ocupar ese vóxel.

[0050] En algunas formas de realización, la probabilidad asignada por diferentes TPM a cada vóxel se utiliza para determinar la combinación de las propiedades de conductividad en el modelo voxelizado creado. En otras palabras, se supone que el voxel no contiene necesariamente un cierto tipo de tejido, y la conductividad final se asigna al voxel como suma ponderada de las conductividades de todos los tipos de tejido, con los pesos derivados de los valores de probabilidad asignados a cada tipo de tejido en ese vóxel.

[0051] En algunas formas de realización, los valores de conductividad son asignados a los mapas de tejidos incorporando adicionalmente información obtenida de técnicas de imágenes de resonancia magnética como DTI o Wept, que se sabe que proporcionan información sobre la conductividad del tejido como se divulga, por ejemplo, en Publicación de Patente de EE. UU. 2017/0120041. Esta información podría incorporarse al modelo, por ejemplo, asignando conductividad a cada vóxel en función del promedio ponderado de la conductividad derivada del modelo y la conductividad derivada de Wept/DTI.

[0052] El proceso 100 continúa en el paso S6, que implanta la anomalía de nuevo en la plantilla deformada. En el paso S6, la plantilla deformada se edita para que cada vóxel de la plantilla que corresponde a la región enmascarada que se encuentra en el paso S3 se asigna a un tipo de tejido anormal (p. ej., el tumor o la región circundante). FIG. 6 representa este proceso 600 donde una anormalidad identificada en la imagen del paciente 602 se implanta en una plantilla de modelo deformada 604. En algunas formas de realización, la siembra se realiza asignando tipos de tejido en cada una de las regiones anormales según la segmentación realizada en el paso S3. Más específicamente, el tipo de tejido asignado a cada punto en la región anormal después de la deformación se basa en el tipo de tejido identificado para un punto correspondiente en la segmentación en el paso S3 antes de la deformación. En consecuencia, si la segmentación en el paso S3 identifica más de un tipo de tejido en la región anormal, entonces puede haber más de un tipo de tejido asignado a la región anormal después de la deformación. En formas de realización alternativas, la plantación puede ser realizada por asignar un tipo de tejido anormal predeterminado a la región anormal después de la deformación. En otras formas de realización alternativas, la plantación se puede realizar haciendo que un usuario asigne manualmente un tipo de tejido a los puntos en la región anormal.

[0053] El proceso 100 continúa en el paso S7, que es creación de modelos. En el paso de modelado (S7), se asignan propiedades eléctricas como conductividad y permitividad. a los distintos tipos de tejidos. Tenga en cuenta que los tipos de tejido son ordinariamente obtenidos de la plantilla deformada. Sin embargo, un tipo de tejido correspondiente al tejido tumoral será asignado a cada voxel que corresponde a la anomalía implantada. Modelos de electrodos (o conjuntos de transductores) se colocan en la piel del modelo y se aplican las condiciones de contorno adecuadas. En algunas formas de realización, el paso modelado S7 asume que cada tipo de tejido es homogéneo y por lo tanto un solo valor para la propiedad eléctrica es asignado a cada tipo de tejido (como se describe, por ejemplo, en Miranda et. al., Physics in Medicine and Biology, 59, 4137-4147 (2014), Wenger et. al., Physics in Medicine and Biology, 60 7339-7357 (2015), y Wenger et. al., International Journal of Radiation Oncology • Biology • Physics, 941137-43 (2016)). En otros modelos, la conductividad en cada vóxel se asigna a partir de imágenes DTI o DWI adquiridas durante el paso de adquisición de imágenes. DTI asigna propiedades eléctricas anisotrópicas (un tensor de 3x3) a cada vóxel, mientras que DWI asigna conductividad isotrópica (un escalar) a cada vóxel. Finalmente, el modelo se divide en elementos de volumen, por ejemplo, mediante voxelización o, alternativamente, mediante mallado de volumen.

[0054] El proceso 100 continúa en el paso S8. Después de crearse el modelo de cabeza y añadirse los electrodos modelo al modelo de la cabeza, se ejecuta una simulación en el paso S8. Esta simulación encuentra un diseño de matriz de electrodos óptimo al resolver el campo eléctrico inducido correspondiente usando una técnica numérica apropiada que incluya pero no limitado a métodos de elementos finitos o métodos de diferencias finitas.

[0055] La optimización de los diseños de la matriz de electrodos significa encontrar el diseño de matriz que optimice el campo eléctrico dentro de las regiones enfermas del cerebro del paciente (tumor). Esta optimización puede implementarse sobre el volumen objetivo para el tratamiento (volumen objetivo) dentro del modelo de cabeza realista colocando automáticamente conjuntos de transductores y estableciendo condiciones de contorno en el modelo de cabeza realista; calcular el campo eléctrico que se desarrolla dentro el modelo de cabeza realista una vez que se han colocado las matrices sobre el modelo de cabeza realista y las condiciones de contorno aplicadas; y ejecutar un algoritmo de optimización para encontrar el diseño que produce distribuciones óptimas de campo eléctrico dentro del volumen objetivo. Aunque se puede utilizar una variedad de enfoques alternativos, un ejemplo para implementar estos cuatro pasos se proporciona a continuación.

[0056] La posición y orientación de las matrices en el modelo de cabeza realista se pueden calcular automáticamente para una iteración dada. Cada matriz de transductores utilizada para la entrega de campos TT en el dispositivo Optune™ comprende un conjunto de electrodos de disco cerámico, que se acoplan a la cabeza del paciente a través de una capa de gel médico. Al colocar matrices en pacientes reales, los discos se alinean naturalmente en paralelo a la piel, y se produce un buen contacto eléctrico entre las matrices y la piel porque el gel médico se deforma para adaptarse a los contornos del cuerpo. Sin embargo, los modelos virtuales están hechos de geometrías rígidamente definidas. Por lo tanto, colocar las matrices en el modelo requiere un método preciso para encontrar la orientación y el contorno de la superficie del modelo en las posiciones donde se van a colocar las matrices, así como encontrar el espesor/geometría del gel que es necesario para asegurar un buen contacto de las matrices de modelo con el modelo de paciente realista. Para habilitar la optimización totalmente automatizada de distribuciones de campo deben realizarse automáticamente estos cálculos.

[0057] Puede ser usada una variedad de algoritmos para realizar esta tarea. Los pasos de uno de estos algoritmos ideado para esta finalidad se exponen a continuación.

a. Definir la posición en la que el punto central de la matriz de transductores se colocará en el modelo de cabeza. La posición puede ser definida por un usuario o como uno de los pasos en el algoritmo de optimización de campo. b. Usar la entrada del paso (a) junto con conocimiento sobre la geometría de los discos y cómo los discos están dispuestos en el arreglo, calcular las posiciones aproximadas de los centros de todos los discos en el matriz de transductores dentro del modelo.

c. Calcular las orientaciones de la superficie del modelo realista en las posiciones donde se colocarán los discos. El cálculo se realiza encontrando todos los puntos en la piel fantasma computacional que son dentro de una distancia de un radio de disco desde el centro designado del disco. Las coordenadas de estos puntos se organizan en las columnas de una matriz, y descomposición en valor singular realizada en la matriz. La normal a la piel del modelo es entonces el vector propio que corresponde al valor propio más pequeño encontrado. d. Para cada disco en la matriz de transductores: calcular el espesor del gel médico que se requiere para asegurar un buen contacto entre los discos y el cuerpo del paciente. Esto se hace encontrando los parámetros para un cilindro con su altura orientada paralela a la superficie de la piel normal. El cilindro se define con un radio igual al radio de los discos, y su altura configurada para extender una cantidad predeterminada (esta es una constante predeterminada) más allá de los puntos de la piel utilizados para encontrar la normal. Esto da como resultado un cilindro que extiende al menos la cantidad predeterminada fuera de la superficie fantasma.

e. En el modelo, cree los cilindros descritos en (d).

f. A través de operaciones lógicas binarias (p. ej., restar cabeza del cilindro) eliminar del modelo las regiones del cilindro que sobresalen en el modelo del paciente realista. Los "cilindros truncados" resultantes representan el gel médico asociado con las matrices de transductores.

g. En el lado exterior de los "cilindros truncados" colocar discos que representan los discos cerámicos de las matrices de transductores.

[0058] A continuación, se calcula la distribución del campo eléctrico dentro del modelo principal para la iteración dada. Una vez que se construye el fantasma de la cabeza y las matrices de transductores (es decir, los conjuntos de electrodos) que se utilizarán para aplicar los campos se colocan en el modelo de cabeza realista, luego se puede crear una malla de volumen, adecuada para el análisis del método de elementos finitos. A continuación, se pueden aplicar condiciones de contorno al modelo. Ejemplos de condiciones de contorno que podrían ser utilizados incluyen las condiciones de límite de Dirichlet (voltaje constante) en los conjuntos de transductores, condiciones de límite de Neumann en los conjuntos de transductores (corriente constante), o condición de frontera de potencial flotante que establece el potencial en esa frontera de modo que la integral del componente normal de la densidad de corriente es igual a una amplitud especificada. El modelo puede entonces ser resuelto con un solucionador adecuado de elementos finitos (por ejemplo, un solucionador electromagnético cuasiestático de baja frecuencia) o alternativamente con algoritmos de diferencias finitas. La malla, la imposición de condiciones de límite, y la resolución del modelo se puede realizar con paquetes de software existentes como Sim4Life, Comsol Multiphysics, Ansys o Matlab. Alternativamente, el código de computadora personalizado que realiza el elemento finito (o diferencia finita) podrían escribirse algoritmos. Este código podría utilizar recursos de software existentes como C-Gal (para crear mallas) o FREEFEM++ (software escrito en C++ para pruebas rápidas y simulaciones de elementos finitos). La solución final del modelo será un conjunto de datos que describe la distribución de campo eléctrico o cantidades relacionadas tales como potencial eléctrico dentro del fantasma computacional para la iteración dada. En algunas formas de realización, el modelo es basado en vóxeles (es decir, comprende elementos de volumen en forma de caja). En estas formas de realización, los algoritmos de dominio de tiempo de diferencias finitas (FDTD) se pueden usar para resolver el modelo, por ejemplo, utilizando el solucionador cuasi-electrostático asociado con el paquete de software "Sim4Life" de ZMT Zúrich MedTech AG.

[0059] Luego, se utiliza un algoritmo de optimización para encontrar el diseño de la matriz que optimiza la entrega del campo eléctrico a las regiones enfermas del cerebro del paciente (tumor) para ambas direcciones de aplicación (LR y AP). El algoritmo de optimización utilizará el método para la colocación automática de arreglos y el método para resolver el campo eléctrico dentro del modelo de la cabeza en una secuencia bien definida para encontrar el diseño de matriz óptimo. El diseño óptimo será el diseño que maximiza o minimiza alguna función objetivo del campo eléctrico en las regiones enfermas del cerebro, considerando ambas direcciones en las que se aplica el campo eléctrico. Esta función objetivo puede ser, por ejemplo, la intensidad máxima dentro de la región enferma o la intensidad media dentro de la región enferma. También es posible definir otras funciones objetivo.

[0060] Hay una serie de enfoques que podrían utilizarse para encontrar los diseños de matriz óptimos para los pacientes, tres de los cuales se describen a continuación. Un enfoque de optimización es una búsqueda exhaustiva. En este enfoque el optimizador incluirá un banco con un número finito de arreglos. diseños que deben ser probados. El optimizador realiza simulaciones de todos los diseños de matriz en el banco y elige los diseños de matriz que producen las intensidades de campo óptimas en el tumor (el diseño óptimo es el diseño en el banco que produce el valor más alto (o más bajo) para la función objetivo de optimización, por ejemplo, la fuerza del campo eléctrico aplicado al tumor).

[0061] Otro enfoque de optimización es una búsqueda iterativa. Este enfoque cubre el uso de algoritmos tales como métodos de optimización de descenso mínimo y búsqueda de optimización símplex. Usando este enfoque, el algoritmo prueba iterativamente diferentes diseños de matriz en la cabeza y calcula la función objetivo para el campo eléctrico en el tumor para cada diseño. En cada iteración, el algoritmo selecciona automáticamente la configuración para probar en función de los resultados de la iteración anterior. El algoritmo está diseñado para convergencia para que maximice (o minimice) la función diana definida para el campo en el tumor.

[0062] Otro enfoque de optimización más se basa en colocar un dipolo en el centro del tumor en el modelo. Este enfoque difiere de los otros dos enfoques, ya que no se basa en resolver la intensidad de campo para diferentes diseños de matriz. Más bien, la posición óptima para las matrices se encuentra colocando un dipolo alineado con la dirección del campo esperado en el centro del tumor en el modelo, y resolver el potencial electromagnético. Las regiones en el cuero cabelludo donde el potencial eléctrico (o posiblemente el campo eléctrico) es máximo serán las posiciones donde las matrices están situadas. La lógica de este método es que el dipolo genera un campo eléctrico que es máximo en el tumor centro. Por reciprocidad, si fuéramos capaces de generar el campo/voltaje en el cuero cabelludo que arrojó el cálculo, entonces esperaríamos obtener una distribución de campo que sea máximo en el centro del tumor (donde el dipolo estaba metido). Lo más cerca que podemos llegar prácticamente a esto con nuestro sistema actual es colocar las matrices en las regiones donde el potencial inducido por el dipolo en el cuero cabelludo es máximo.

[0063] Tenga en cuenta que los esquemas de optimización alternativos pueden utilizarse para encontrar un diseño de matriz que optimice el campo eléctrico dentro de las regiones enfermas del cerebro. Por ejemplo, algoritmos que combinan los diversos enfoques mencionados anteriormente. Como ejemplo de cómo estos enfoques se pueden combinar, considere un algoritmo en la combinación del tercer enfoque discutido anteriormente (es decir, posicionar el dipolo en el centro del tumor en el modelo) con el segundo enfoque (es decir, la búsqueda iterativa). Con esta combinación, un diseño de matriz se encuentra inicialmente usando el dipolo en el centro del abordaje del enfoque del tumor. Este diseño de matriz se utiliza como entrada para una búsqueda iterativa que encuentra el diseño óptimo.

[0064] Una vez finalizada la disposición que optimiza el campo eléctrico dentro de las regiones enfermas del cerebro del paciente se ha determinado (por ejemplo, usando cualquiera de los enfoques explicados en este documento, o un enfoque alternativo apropiado), los electrodos se colocan en las posiciones determinadas. Luego se aplican voltajes de CA a los electrodos (p. ej., como descrito en la patente de EE. UU. 7.565.205, que se incorpora aquí como referencia) para tratar la enfermedad.

[0065] La FIG. 7 representa un ejemplo de sistema 700 para tratamiento electroterapéutico que se puede usar después de que las posiciones de los electrodos se hayan optimizado como se describe en este documento. El sistema 700 incluye un controlador 702 que aplica campos TTF a un paciente aplicando voltajes a conjuntos de transductores acoplados capacitivamente 42, 44 que se fijan al cuero cabelludo 40 del paciente en las posiciones determinadas. Obsérvese que la vista frontal del cuero cabelludo 40 se representa en la FIG. 7 y solo tres de los cuatro parches de electrodos están visibles en la figura y que ni los ojos ni los oídos están representados.

[0066] Opcionalmente, el sistema puede diseñarse para trabajar con múltiples modelos de plantillas. En este caso, un paso adicional S3.5 se implementa después del paso S3 y antes del paso S4. En el paso S3.5, la semejanza de imágenes de resonancia magnética del paciente a cada una de una pluralidad de plantillas es primero medida (usando, por ejemplo, una medida de correlación o información mutua). La plantilla deformable que más se asemeja a las imágenes de resonancia magnética del paciente es seleccionada y utilizada en todos los pasos subsiguientes. Alternativamente, en algunas formas de realización, la selección de la plantilla deformable que más se parece a las imágenes de resonancia magnética del paciente se puede realizar después de registrar las imágenes del paciente en un espacio estándar en el paso S4 y antes del paso S5. En estas formas de realización, la plantilla deformable que más de cerca se asemeja a las imágenes de resonancia magnética del paciente se utiliza en todos los pasos posteriores a S4.

[0067] Opcionalmente, el sistema puede configurarse como un sistema de aprendizaje en el que cada modelo de cabeza realista que se crea utilizando el proceso descrito anteriormente sirve como una plantilla deformable para futuros modelos. Tanto el modelo sano deformado creado en el paso S5 como el modelo resultante que incluye defectos (creado en el paso S6) podría agregarse a la base de datos. Si las imágenes de resonancia magnética de un paciente en la pila de imágenes original se parece a una plantilla almacenada de un cerebro con un tumor en un grado lo suficientemente cercano, entonces es posible crear un modelo que represente las imágenes de resonancia magnética del paciente mediante la medición de deformaciones en la plantilla previamente almacenada.

[0068] Finalmente, si bien los conceptos establecidos en este documento son discutidos en el contexto de una imagen de resonancia magnética de una cabeza del paciente, los mismos principios se pueden aplicar a otras partes del cuerpo de un paciente y/o modalidades de imagen diferentes que la resonancia magnética.

[0069] La FIG. 8 es un diagrama de flujo 800 de un método para optimizar la posición de los electrodos que se utilizarán utilizarse posteriormente para realizar un tratamiento electroterapéutico mediante la creación de un modelo realista de la cabeza de un paciente utilizando una plantilla deformable. El tratamiento electroterapéutico puede ser TDCS, TMS o campos TT.

[0070] En S10 una o más imágenes 3D de un área del cuerpo de un paciente se reciben. Las imágenes 3D pueden ser imágenes de MRI, imágenes de TC o imágenes en cualquier otra modalidad conocida en la técnica. El área del cuerpo puede ser la de la cabeza del paciente o cualquier otra parte del cuerpo. Opcionalmente, las imágenes pueden ser preprocesadas utilizando cualquiera de los enfoques descritos presentes (por ejemplo, como se describe aquí con referencia al paso S2 de la FIG. 1).

[0071] En S20 se identifican porciones de la imagen que corresponden a tejidos anormales. Por ejemplo, cuando el área del cuerpo es la cabeza de un paciente, tales porciones pueden corresponder a un tumor o a una anomalía del cráneo. La anomalía puede identificarse de forma manual, automática o semiautomática, según cualquiera de los métodos descritos aquí o de acuerdo con cualquier otro método apropiado que será evidente para las personas capacitadas en las técnicas relevantes. En algunas formas de realización, las partes de la imagen que corresponden al tejido anormal se identifican mediante segmentación de la imagen.

[0072] En S30 se genera un conjunto de datos para corresponder a la imagen con el tejido anormal enmascarado. Esto puede ser logrado, por ejemplo, enmascarando el tejido anormal e incluye ignorar las regiones anormales en el proceso de registro descrito en S50 a continuación. En algunas formas de realización, el enmascaramiento de la región anormal se implementa marcando puntos de datos en esta región y excluyendo todos los puntos de datos marcados durante el proceso de registro descrito en S50 a continuación.

[0073] En S40 se recupera una plantilla de modelo que especifica posiciones de una pluralidad de tipos de tejido en una versión sana del área del cuerpo del paciente. Por ejemplo, cuando el área del cuerpo es la cabeza de un paciente y el tejido anormal corresponde a un tumor en la cabeza del paciente, la plantilla de modelo corresponde a la cabeza de un individual sano y carece de cualquier tumor. En algunas formas de realización, la plantilla del modelo se puede seleccionar de varias plantillas de modelos existentes en función de las similitudes entre la imagen y cada una de las múltiples plantillas de modelo. Por ejemplo, una medida de similitud como la información mutua o puede determinarse una distancia entre el conjunto de datos de paciente (obtenido enmascarando anormalidades en la imagen del paciente) y cada una de varias plantillas de modelo, y la plantilla del modelo que más se parezca al conjunto de datos de paciente (por ejemplo, tiene la menor distancia o la información más mutua) se puede seleccionar en consecuencia. En algunas formas de realización, la plantilla del modelo puede incluir TPM, y los TPM pueden corresponder al mismo individuo sano de quien se ha derivado la plantilla del modelo (y derivadas de imágenes del individuo sano) o a múltiples individuos.

[0074] En S50 la plantilla del modelo se deforma en el espacio para que las características en la plantilla del modelo deformado se alineen con las características correspondientes en el conjunto de datos. En algunas formas de realización, la plantilla del modelo se deforma determinando un mapeo que mapea el conjunto de datos a un espacio de coordenadas de la plantilla del modelo; y aplicando una inversa de la asignación a la plantilla del modelo. En algunas formas de realización, el mapeo puede determinarse registrando el conjunto de datos a un espacio de coordenadas de la plantilla del modelo. Es decir, la asignación deforma el conjunto de datos a la plantilla del modelo. Por lo tanto, el inverso del mapeo deforma la plantilla de modelo para el conjunto de datos y por lo tanto proporciona un modelo realista para el paciente si el paciente no tenía anomalías. En algunas formas de realización, el mapeo del conjunto de datos a la plantilla del modelo se determina para puntos en el conjunto de datos que cae fuera de la parte enmascarada. En formas de realización donde la plantilla de modelo incluye TPMS, el mapeo asigna el conjunto de datos a los TPM y lo contrario del mapeo se aplica a cada uno de los TPMs y los TPM de mapeo inverso se combinan en una imagen segmentada que comprende la plantilla del modelo deformado.

[0075] En S60 porciones de la plantilla de modelo deformada que corresponden a la porción enmascarada del conjunto de datos se modifican para que las porciones modificadas representen el tejido anormal. La modificación puede realizarse de acuerdo con la información obtenida durante la identificación de las porciones anormales en S20. Por ejemplo, uno o más tipos de tejidos anormales identificados en S20 pueden ser asignados a las porciones correspondientes en la plantilla del modelo deformado. Alternativamente, se puede asignar un tipo de tejido genérico predeterminado a la parte enmascarada.

[0076] En S70 un modelo de propiedades eléctricas de tejidos en el área del cuerpo se genera en base a (a) las posiciones de la pluralidad de tipos de tejido en la plantilla de modelo deformada y modificada y (b) la posición del tejido anormal en la plantilla de modelo deformada y modificada. Las propiedades eléctricas pueden ser conductividad eléctrica, resistividad eléctrica o cualquier otra propiedad eléctrica pertinente al tratamiento electroterapéutico de la zona corporal. En algunas formas de realización, por ejemplo, se puede asignar un valor de propiedad eléctrica diferente a cada tipo de tejido de acuerdo con una tabla de consulta rellenada previamente.

[0077] En S80, un diseño de colocación de electrodos que maximiza la intensidad de campo en al menos una parte del tejido anormal se determina usando el modelo de propiedades eléctricas para simular distribuciones de campo electromagnético en el área del cuerpo causada por electrodos simulados colocados en una pluralidad de conjuntos diferentes de posiciones candidatas con respecto al área del cuerpo, y seleccionar uno de los conjuntos. En algunas formas de realización, el diseño de colocación de electrodos es determinado aplicando una condición límite a los electrodos simulados en cada uno de al menos dos electrodos diseños de ubicación; resolver una distribución de campo en el cuerpo área para cada uno de los al menos dos diseños de colocación de electrodos; y elegir el diseño de colocación de los electrodos que produce el campo más fuerte dentro de la región anormal. La condición de contorno puede corresponder, por ejemplo, a los voltajes aplicados a los electrodos simulados. En algunas formas de realización, la distribución del campo se resuelve usando una técnica numérica tal como un método de elementos finitos o un método de diferencias finitas.

[0078] En S90, se emite el diseño de colocación de electrodos determinado para su uso posterior como guía para colocar electrodos correspondientes a la zona del cuerpo del paciente antes al uso de los electrodos para el tratamiento electroterapéutico (por ejemplo, campos TT).

[0079] Los modelos construidos de esta manera también podrían usarse para otras aplicaciones en las que puede ser útil calcular el campo eléctrico y/o las distribuciones de corriente eléctrica dentro de la cabeza. Estas aplicaciones incluyen, pero no se limitan a: estimulación transcraneal con corriente continua y alterna; simulaciones de mapas de campos de electrodos estimuladores implantados; planificación de la colocación de electrodos estimuladores implantados; y localización de fuentes en electroencefalograma (EEG).

[0080] Finalmente, aunque esta solicitud describe métodos para optimizar los diseños de matriz en la cabeza, se pueden usar los mismos pasos para optimizar los diseños de arreglos en otras regiones del cuerpo (incluidas, entre otras, el tórax) o abdomen).

[0081] La presente invención se establece en las reivindicaciones anexas. Las formas de realización, ejemplos o aspectos según la presente descripción que no se encuentren dentro del alcance de dichas reivindicaciones se proporciona con fines ilustrativos únicamente y no forman parte de la presente invención.

Claims (17)

REIVINDICACIONES

1. Un método para mejorar un tratamiento electroterapéutico utilizando una pluralidad de electrodos para administrar terapia de tratamiento de tumores, que comprende:

recibir, por un procesador de un sistema informático, una imagen tridimensional de un área del cuerpo de un paciente;

identificar partes de la imagen que corresponden al tejido anormal;

generar un conjunto de datos correspondiente a la imagen con el tejido anormal enmascarado;

recuperar una plantilla de modelo de un dispositivo de memoria del sistema informático, donde la plantilla del modelo especifica posiciones de una pluralidad de tipos de tejido en un cuerpo homólogo área de un individuo sano;

deformar la plantilla del modelo en el espacio para que características en la plantilla del modelo deformado se alineen con las características correspondientes en el conjunto de datos;

modificar partes de la plantilla del modelo deformado que corresponden a las porciones del conjunto de datos para que las porciones modificadas representen el tejido anormal;

generar un modelo de propiedades eléctricas de los tejidos en el área del cuerpo basado en (a) las posiciones de la pluralidad de tipos de tejido en el deformado y plantilla de modelo modificado y (b) la posición del tejido anormal en el deformado y plantilla de modelo modificada;

determinar un diseño de colocación de electrodos que maximiza la intensidad de campo en al menos una parte del tejido anormal usando el modelo de propiedades eléctricas para simular distribuciones de campo electromagnético en el área del cuerpo causadas por electrodos simulados colocados en una pluralidad de diferentes conjuntos de posiciones candidatas respectivas a la zona del cuerpo, y seleccionando uno de los conjuntos; y

dar salida de la colocación determinada del electrodo diseño para su uso posterior como guía para colocar electrodos correspondientes al área del cuerpo del paciente, antes del uso de los electrodos para el tratamiento electroterapéutico.

2. El método de la reivindicación 1, en el que la deformación de la plantilla del modelo comprende:

determinar un mapeo que mapee el conjunto de datos a un espacio de coordenadas de la plantilla del modelo; y aplicar una inversa del mapeo a la plantilla del modelo.

3. El método de la reivindicación 2, en el que el mapeo se determina para puntos en el conjunto de datos que quedan fuera de las porciones enmascaradas.

4. El método de la reivindicación 2, en el que la plantilla del modelo comprende mapas de probabilidad de tejido y el mapeo asigna el conjunto de datos a los mapas de probabilidad de tejido.

5. El método de la reivindicación 4, en el que los mapas de probabilidad de tejido se derivan de imágenes de un individuo sano de quien se ha derivado la plantilla del modelo.

6. El método de la reivindicación 5, en el que los mapas de probabilidad de tejido se obtienen registrando y segmentando las imágenes del individuo sano utilizando mapas de probabilidad de tejido existentes y los mapas de probabilidad de tejido existentes se derivan de imágenes de varios individuos.

7. El método de la reivindicación 4, en el que los mapas de probabilidad de tejido son mapas de probabilidad de tejidos existentes derivados a partir de imágenes de varios individuos.

8. El método de la reivindicación 4, en el que el inverso del mapeo se aplica a cada uno de los mapas de probabilidad de tejido y los mapas de probabilidad de tejido mapeados inversamente se combinan en una imagen segmentada que comprende la plantilla de modelo deformada.

9. El método de la reivindicación 8, en el que combinar los mapas de probabilidad de tejido mapeados inversamente incluye (i) asignar a cada voxel el tipo de tejido que tiene la probabilidad más alta de ocupar ese vóxel a través los mapas de probabilidad de tejido mapeados inversamente, o (ii) utilizar una tabla de consulta para asignar un tipo de tejido a cada vóxel al que se le asigna más de un tipo de tejido a través de los mapas de probabilidad de tejido de mapeo inverso.

10. El método de la reivindicación 1, en el que la identificación de porciones de la imagen que corresponden al tejido anormal comprende realizar la segmentación de la imagen.

11. El método de la reivindicación 1, en el que el modelo de propiedades eléctricas de los tejidos comprende un modelo de conductividad o resistividad eléctrica.

12. El método de la reivindicación 1, en el que (i) la imagen comprende una imagen MRI o una imagen de TC, (ii) el área del cuerpo comprende una cabeza del paciente, y/o (iii) las porciones de la imagen que corresponden al tejido anormal corresponden a un tumor.

13. El método de la reivindicación 1, en el que el tratamiento electroterapéutico comprende Campos de Tratamiento de Tumores (campos TT).

14. El método de la reivindicación 1, en el que la determinación el diseño de colocación de electrodos comprende:

aplicar una condición de contorno a los electrodos simulados en cada uno de al menos dos diseños de ubicación de electrodos;

resolver una distribución de campo en el área del cuerpo para cada una de las al menos dos colocaciones de diseños de electrodos; y

elegir el diseño de colocación de electrodos que produce el campo más fuerte dentro de la región anormal.

15. El método de la reivindicación 14, donde la condición límite corresponde a voltajes o corrientes aplicadas a los electrodos simulados.

16. El método de la reivindicación 1, en el que la plantilla de modelo se selecciona de una pluralidad de plantillas de modelo basadas sobre las similitudes entre la imagen y cada uno de los modelos de plantillas.

17. Un dispositivo de tratamiento electroterapeutico (700) que comprende un procesador configurado para ejecutar instrucciones almacenadas en uno o mas dispositivos de memoria para realizar un tratamiento electroterapeutico, comprendiendo el dispositivo una pluralidad de electrodos (42) para entregar campos de tratamiento de tumores, comprendiendo las instrucciones:

recibir, por parte del procesador, una imagen de imagen tridimensional de una zona del cuerpo de un paciente; identificar partes de la imagen que corresponden al tejido anormal;

generar un conjunto de datos correspondiente a la imagen con el tejido anormal enmascarado;

recuperar una plantilla de modelo de uno o más dispositivos de memoria, en los que la plantilla del modelo especifica posiciones de una pluralidad de tipos de tejido en un área del cuerpo equivalente de un individuo sano; deformar la plantilla del modelo en el espacio para que características en la alineación de la plantilla del modelo deformado con las características correspondientes en el conjunto de datos;

modificar porciones de la plantilla del modelo deformado que corresponden a las porciones enmascaradas del conjunto de datos para que las porciones modificadas representen el tejido anormal;

generar un modelo de propiedades eléctricas de los tejidos en el área del cuerpo basado en (a) las posiciones de la pluralidad de tipos de tejido en la plantilla de modelo deformada y modificada y (b) la posición del tejido anormal en la plantilla de modelo deformada y modificada;

determinar un diseño de colocación de electrodos que maximiza la intensidad de campo en al menos una parte del tejido anormal usando el modelo de propiedades eléctricas para simular distribuciones de campo electromagnético en el área del cuerpo causadas por electrodos simulados colocados en una pluralidad de diferentes conjuntos de posiciones candidatas respectivas a la zona del cuerpo, y seleccionando uno de los conjuntos; y

dar salida de la colocación determinada del diseño de electrodo para su uso posterior como guía para colocar electrodos correspondientes al área del cuerpo del paciente, antes del uso de los electrodos para el tratamiento electroterapéutico.