[发明专利]基于双向GRU网络的肿瘤呼吸运动预测方法

说明书

本发明公开了一种基于双向GRU网络的肿瘤呼吸运动预测方法，包括以下步骤：获取肿瘤呼吸运动的历史数据，对所述历史数据进行平滑化处理和归一化处理，并对所述平滑化处理和归一化处理后的数据进行时相划分，获得预处理数据集；从所述预处理数据集中选定用于神经网络训练的训练集；构建双向GRU预测网络，将训练集带入预测网络以更新网络的参数，获得训练后的预测网络；将实时数据输入至训练后的预测网络，获得呼吸运动预测值的输出；定期获取实际的肿瘤呼吸运动数据，将实际的肿瘤呼吸运动数据与预测值进行比对，获得误差值；进行预测网络模型在线更新。其能够预测肿瘤呼吸，具有较高的预测精度和鲁棒性。

技术领域

本发明涉及放疗机器人呼吸跟踪技术领域，具体涉及一种基于双向GRU网络的肿瘤呼吸运动预测方法。

背景技术

肺癌已经成为严重威胁全球人群健康的主要公共卫生问题之一，在肺部肿瘤的治疗手段中，放射治疗是使用率最高的治疗手段，其具有适用性广泛、治疗效果良好等优点。随着放射治疗设备的智能化与精密化，精准放疗的概念被提出并应用于肺部肿瘤的治疗。精准放疗是指将放疗医学与计算机网络技术、和物理学等相结合所进行的肿瘤治疗方式。在治疗过程中采用实时影像引导及同步呼吸追踪，保证治疗的准确度。

但是人体呼吸引起的肿瘤位置变化给精准放射治疗的呼吸跟踪部分带来了很大的困难，肿瘤运动完全破坏了适合三维静态靶区形状的剂量分布的作用。不仅使目标肿瘤实际的辐射剂量小于计划的剂量降低放疗的效率，并且肿瘤周围正常组织进入射野中心的高剂量区域从而引发并发症。与此同时，呼吸运动是一个无明显规律的复杂准周期运动，病人的呼吸模式在治疗过程中会发生变化，如频率改变、基线漂移和位置幅度偏移。因此需要引入一种呼吸运动的预测手段，对放射治疗设备进行肿瘤位置的补偿。

传统的呼吸预测手段，如LMS、RLS和卡尔曼滤波等方法，虽然算法构建简单，但是存在预测精度不高和鲁棒性较差等缺点；而基于LSTM等RNN神经网络预测方法的网络更新时间过长，难以实现在周期性通过X射线获取肿瘤位置数据的基础上实现预测模型的在线更新。

发明内容

本发明要解决的技术问题是提供一种基于双向GRU网络的肿瘤呼吸运动预测方法，其能够预测肿瘤呼吸，具有较高的预测精度和鲁棒性。

为了解决上述技术问题，本发明提供了一种基于双向GRU网络的肿瘤呼吸运动预测方法，包括以下步骤：

步骤一、获取肿瘤呼吸运动的历史数据，对所述历史数据进行平滑化处理和归一化处理，并对所述平滑化处理和归一化处理后的数据进行时相划分，获得预处理数据集；

步骤二、从所述预处理数据集中选定用于神经网络训练的训练集，并根据时相划分在训练集上打上呼气标签和吸气标签；

步骤三、构建双向GRU预测网络，将训练集带入预测网络以更新网络的参数，获得训练后的预测网络；

步骤四、采集实时数据，将实时数据输入至训练后的预测网络，获得呼吸运动预测值的输出；

步骤五、定期获取实际的肿瘤呼吸运动数据，将实际的肿瘤呼吸运动数据与预测值进行比对，获得误差值；设定误差阈值，若误差值高于误差阈值，则将实际的肿瘤呼吸运动数据进行预测网络模型在线更新。

作为优选的，所述步骤一中，获取的肿瘤呼吸运动的历史数据为体外标记点运动数据。

作为优选的，所述步骤一中,“平滑化处理”采用滑动平均值方法。

作为优选的，所述步骤一中,“归一化处理”采用Max-Min归一化方法。

作为优选的，所述“对所述平滑化处理和归一化处理后的数据进行时相划分”具体包括：采用的是findpeak方法寻找吸气与呼气过程对应的分割点。