[发明专利]患者胸腹部肿瘤呼吸运动预测跟踪方法

权利要求书

1.一种患者胸腹部肿瘤呼吸运动预测跟踪方法，其特征在于，包括以下步骤：

步骤1，数据采集：采用光学位置跟踪设备，连续地获取体表呼吸运动；采用X射线立体平面成像定位设备，间断地获取体内肿瘤位置；

步骤2，数据预处理：对体表呼吸运动进行小波分解，得到基线、代表主要呼吸信号的低频部分、以及代表噪声的高频部分；

步骤3，通过呼吸预测算法得到体表呼吸运动的预测结果；经过小波分解后，基线部分较平滑，采用线性算法进行预测；低频部分是呼吸信号去除基线后的呼吸振幅部分，采用改进的自适应神经模糊推理系统ANFIS进行预测；高频部分主要是噪声，采用简单移动平均法进行预测；最后综合三部分预测值作为体表呼吸运动的预测结果；

步骤4：以获取的体内肿瘤位置和对应时间点的体表呼吸运动作为输入，采用线性和非线性混合多项式模型，建立体表-体内呼吸运动相关性模型；并优化该相关性模型；

步骤5：复制体表-体内呼吸运动相关性模型，以预测的连续的体表呼吸运动作为输入，计算连续的体内肿瘤位置；

步骤6：进入相关性模型更新判别逻辑，以小波分解后的体表呼吸运动和相关性模型输出与原始体内肿瘤位置之间的偏差作为输入；进行逻辑判别，并根据判别结果，决定沿用原相关性模型，或者继续获取体内肿瘤位置，更新相关性模型；

步骤4中，采用的线性和非线性混合多项式模型描述如下：

步骤4.1，先采用线性一阶多项式模型P_t＝aP_s+b，P_s为体表呼吸运动，P_t为体内肿瘤位置，a、b为多项式参数；以最小二乘法拟合出多项式最优参数a和b；

步骤4.2，统计相关性模型输出与原始体内肿瘤位置之间的偏差；采用偏差的平均值(Mean)和标准偏差(STDEV)，评价相关性模型是否符合需求，其中标准偏差是评价线性/非线性的主要指标；

步骤4.3，若标准偏差在阈值内，则采用此线性多项式模型；

步骤4.4，否则，更换二阶非线性多项式模型P_t＝aP_s²+bP_s+c，P_s为体表呼吸运动，P_t为体内肿瘤位置，a、b、c为多项式参数，通过梯度下降法迭代优化获得多项式最优参数a、b和c；

步骤6中，采用的相关性模型更新判别逻辑描述如下：

步骤6.1，通过小波分解后的体表呼吸运动，根据低频部分统计呼吸运动的周期、振幅变化情况，结合呼吸基线变化情况，评估体表呼吸模型变化情况；

步骤6.2，若有一定时间内获取的原始体内肿瘤位置，则计算相关性模型输出与原始体内肿瘤位置之间的偏差；

步骤6.3，进行更新逻辑判别，条件为上述体表呼吸模型变化情况和位置偏差，若满足模型更新条件，则获取体内肿瘤位置，更新相关性模型；否则继续使用原相关性模型。

2.如权利要求1所述的患者胸腹部肿瘤呼吸运动预测跟踪方法，其特征在于，步骤2中，进行小波分解的具体步骤为：

步骤2.1，利用小波函数进行分解和重构的Mallat算法，选取小波基，确定分解层数；同时，为了消除边界效应，在利用小波分解得到基线部分时，边界延拓采用0阶平滑延拓；在利用小波分解得到低频部分和高频部分时，边界延拓采用1阶平滑延拓；

步骤2.2，先对体表呼吸运动的原始信号进行第一次多层分解，将低频分量作为基线部分；

步骤2.3，然后将原信号去除基线的其余部分，再进行一次小波分解，分解得到的低频分量作为低频部分，高频分量作为高频部分。