一种快速精确的肿瘤位置预测装置的制造方法
【专利摘要】本发明涉及一种快速精确的肿瘤位置预测装置,该装置包括数据集的采集和预处理模块,样本训练集生成模块和数据学习及预测模块,通过数据集的采集和预处理模块获得呼吸运动数据和肿瘤位置历史数据,通过样本训练集生成模块和数据学习及预测模块生成肿瘤位置预测函数,从而使用该预测函数对病人新采集的肿瘤位置信息进行快速并准确地预测。用于在精准放射治疗过程中提高病人肿瘤靶区的实时跟踪定位的精度,在治疗过程中对病人位置进行纠正,从而最大限度的减少靶区和器官运动带来的误差影响。
【专利说明】
一种快速精确的肿瘤位置预测装置
技术领域
[0001] 本发明涉及放射治疗中病人肿瘤靶区的定位跟踪,具体指在精准放射治疗过程中 对肿瘤位置的预测,涉及一种快速精确的肿瘤位置预测装置。
【背景技术】
[0002] 随着放疗技术的发展,肿瘤放疗已经进入到"精准定位,精准计划,精准实施,精准 验证"的阶段,精准放疗技术使得在肿瘤治疗上实现高精度,高剂量,高疗效和低损伤的现 代放疗模式逐步成为现实。然而临床放疗的精度往往受到人体呼吸运动的影响,导致肿瘤 靶区发生不同程度的移动甚至错位,严重影响了治疗效果。为了能够减小呼吸运动带来的 影响,可以通过对肿瘤的实时跟踪来进行补偿。然而,跟踪信号发出与治疗设备的响应之间 有着一定的时间延迟,无法真正实现实时的放疗跟踪,延迟时间一般为几百毫秒,主要包括 获取数据的时间、计算处理的时间、传输数据的时间以及存在的机械延迟等。为了补偿系统 的延迟时间,消除延迟对精准照射的影响,可以采用对肿瘤靶区进行位置预测的方法来实 现。在放疗中的对肿瘤的位置预测需要有良好的实时性,这对预测模型提出了很高的要求。 传统的预测方法有:线性估计、卡尔曼滤波器、线性外推、神经网络等。这些方法中线性估计 和线性外推法对预测的准确性较差;对卡尔曼滤波器来说,预测模型的初始参数难以确定, 而且不适合进行长时间预测;神经网络的预测精度较高,在实际应用中,神经网络是用有限 的训练数据来训练,对于单隐层前馈神经网络,其N个隐层结点和激励函数都通过N个样本 集来学习,需要一定的训练数据的时间,在实时预测调整和较长时间预测中效果也受到一 定限制。
[0003] 对基于单隐层神经网络的学习算法,其学习速度比传统的单隐层神经网络学习算 法如Back-Propagat i on (BP)快上千倍同时获得更好的泛化性能。传统的梯度下降法的会遇 见局部最小值、不适当的步长以及过拟合的问题,为避免这些问题往往引入复杂的停止方 法或增加迭代次数。基于单隐层神经网络的学习算法学习阶段可以在几秒内完成,泛化性 能在大部分情况下都优于基于梯度下降法的学习算法,对于单隐层和多个单层神经网络都 适用,可以逼近任意连续函数,因此适用范围更广。与其他学习算法相比的优越之处在于, 该算法以解析的方法获得单隐层前馈神经网络唯一的权值解,同时能够保证此解具有最小 训练误差和最小范数输出权值,因此该学习算法具有易于实现,获得最小的训练误差,最小 的权值范数,良好的泛化性能,运行速度特别快等特点。目前放疗过程中对肿瘤位置的预测 多数直接是对已有的肿瘤位置数据进行回顾性分析,有效性和实时性还有待检验。从医生 和物理师的角度出发,在整个治疗过程中,可以说如果精准定位不能实现或是出现较大偏 差,那么在精准放疗计划的制定和实施就毫无意义。
【发明内容】
[0004] 本发明技术解决问题:克服现有技术的不足,提供一种在放射治疗过程中快速精 确的肿瘤位置预测装置,快速有效解决肿瘤靶区位置预测问题,用于在精准放射治疗过程 中提高病人肿瘤靶区的实时跟踪定位的精度,使预测结果能够满足放疗计划制定的要求, 而又使得计算时间能够可以在接受的范围,从而最大限度的减少靶区和器官运动带来的误 差影响。
[0005] 为了实现上述目的,本发明所采用的技术方案是:
[0006] -种快速精确的肿瘤位置预测装置,包括数据集的采集和预处理模块,样本训练 集生成模块和数据学习及预测模块;数据集的采集和预处理模块将采集和预处理后的数据 通过计算机连接传送至样本训练集生成模块,再将样本训练集生成模块得到的数据传送至 数据学习及预测模块;
[0007] 数据集采集和预处理模块,包括红外空间位置探测单元和分析与处理模块;红外 空间位置探测单元用于提供红外定位小球作为标记点的位置信息,进而反馈给分析与处理 模块,用于实时显示和自动量化分析,将当前获取的位置信息和分析与处理模块中保存的 原始治疗计划中的位置信息进行比较和配准,从而得到校正后的空间位置信息,作为经过 数据采集和预处理后的数据并传递给样本训练集生成模块作为输入数据;
[0008] 所述红外空间位置探测单元通过记录红外线发射和接收器得到红外定位小球标 记点的位置信息,采用红外线与红外定位小球标记点相连,接收检测区域的红外线,红外空 间位置探测单元反馈红外定位小球标记点的位置和方向的变化信息,将转换的数据和信息 输出给分析与处理模块;
[0009] 样本训练集生成模块,接收数据集采集和预处理模块经过数据采集和预处理后的 数据作为样本训练集生成的输入,基于这些输入数据,从中选取肿瘤患者正常呼吸的N(N> 5)个周期,基于体内骨性标记点或植入标记点的位置信息,获得肿瘤位置信息作为训练用 历史数据,构建N个样本训练集,作为肿瘤位置预测函数的输入{( X1,yi),(X2,y2),H_,(XN, yN) },其中xi表示样本集1中肿瘤位置输入,yi表示样本集1中肿瘤位置输出,X2表示样本集2 中肿瘤位置输入,y2表示样本集2中肿瘤位置输出,x N表示样本集N中肿瘤位置输入,yN表示 样本集N中肿瘤位置输出,N个样本训练集肿瘤位置输入输出数据作为样本训练集生成模块 得到的数据,传递给数据学习及预测模块;
[0010] 数据学习及预测模块,接收由样本训练集生成模块得到的数据作为输入,用来模 拟肿瘤位置输入与肿瘤位置输出之间的预测函数关系y = f(x),在数据学习过程中,y是经 过预测得到的肿瘤位置输出,x是肿瘤位置输入,在此基础上构建单隐层神经网络,设置隐 层节点数为K和激活函数g(x),激活函数可选择为s型函数、基本周期函数、正弦函数、余弦 函数中的一种,进而在区间[_1,1]上,随机选择输入层到隐层的权值w和隐层的偏置值b,通 过将采集的肿瘤位置的历史数据样本信息输入计算隐层输出矩阵H,计算输出层权值 户其中Y=[ yi,…,yN]T为肿瘤位置样本输出组成的矩阵,进而通过 求得的输出层权值0对肿瘤位置进行预测。
[0011] 本发明与现有技术相比的优点在于:
[0012] (1)本发明装置包括了数据集的采集和预处理模块,样本训练集生成模块和数据 学习及预测模块,可以实现快速实时无创的肿瘤位置预测。其中数据集的采集和预处理模 块采用了红外空间位置探测单元进行肿瘤位置信息采集,可以实现实时无创的呼吸运动数 据采集和处理;对于样本训练集生成模块,接收数据集采集和预处理模块经过数据采集和 预处理后的数据作为样本训练集生成的输入,基于体内骨性标记点或植入标记点的位置信 息,获得肿瘤位置信息作为训练用历史数据,构建样本训练集,作为肿瘤位置预测函数的输 入;同时数据学习及预测模块采用基于单隐层神经网络的学习回归模型来模拟肿瘤位置输 入与肿瘤位置输出之间的函数关系,输入与输出间的关系由历史的肿瘤位置数据来描述, 能够实现随机选择输入层到隐层的权值和隐层的偏置值,通过将采集的肿瘤位置的历史数 据样本信息输入计算输出层权值,进而通过求得的输出层权值对肿瘤位置进行预测。在历 史数据充足的情况下,通过充分利用历史数据中的信息,准确地预测放疗过程中肿瘤位置 情况,提高了放疗过程中肿瘤位置预测的处理速度和精度。
[0013] (2)本发明不仅能够准确地建立肿瘤位置预测的模型,实现了可以快速高效进行 肿瘤靶区的位置预测,满足了实际的用户需求。
【附图说明】
[0014] 图1是本发明装置的总体结构及装置中各个模块之间的连接示意图;
[0015] 图2是【具体实施方式】中数据学习及预测模块的单隐层神经网络结构示意图。
【具体实施方式】
[0016] 下面结合附图对本发明的【具体实施方式】作进一步说明:
[0017] 如图1所示,为本发明装置的总体结构及模块之间连接示意图;从图1可知,本发明 装置包括数据集的采集和预处理模块,样本训练集生成模块和数据学习及预测模块;数据 集的采集和预处理模块包含红外空间位置探测单元,采集和预处理后的数据通过计算机连 接传送至样本训练集生成模块,进而将样本训练集生成模块得到的数据传送至数据学习及 预测模块;
[0018] 数据集采集和预处理模块,包括红外空间位置探测单元和分析与处理模块;红外 空间位置探测单元用于提供红外定位小球作为标记点的位置信息,进而反馈给分析与处理 模块,用于实时显示和自动量化分析,将当前获取的位置信息和分析与处理模块中保存的 原始治疗计划中的位置信息进行比较和配准,从而得到校正后的空间位置信息,作为经过 数据采集和预处理后的数据并传递给样本训练集生成模块作为输入数据;
[0019] 红外空间位置探测单元通过记录红外线发射和接收器得到红外定位小球标记点 的位置信息,采用红外线与红外定位小球标记点相连,接收检测区域的红外线,红外空间位 置探测单元反馈红外定位小球标记点的位置和方向的变化信息,将转换的数据和信息输出 给分析与处理模块;
[0020] 在样本训练集生成模块中采集肿瘤患者正常呼吸的N(N>5)个周期,如选取N=10, 基于体内的骨性标记点或植入标记点的位置信息,获得肿瘤位置的信息作为训练用的历史 数据,采集肿瘤位置的历史数据信息,构建10个训练样本 构成一个训练集,作为预测函数的输入;其中输入Xi = [Xil,Xi2,…,XilQ] GR1'输入中的每 个分量表征肿瘤位置属性;
[0021] 数据学习及预测模块中的预测函数选择通过单隐层前馈神经网络来近似肿瘤位 置输入与肿瘤位置输出之间的函数关系y=f(x),输出 yi=[yu,yl2,…,yu0]GR1()是经过预 测得到的肿瘤位置结果,构建单隐层神经网络,网络结构如图2所示,m=10,设置隐层节点 数为K和激活函数g (x ),激活函数可选择为s型函数、基本周期函数、正弦函数、余弦函数中 的一种,例如选择最常用的非线性变换函数Sigmoid函数曲线,函数定义如下:
[0023] 进而在区间[_1,1]上,随机选择输入层到隐层的权值^和隐层的偏置值bJ;
[0024] 根据随机选择的输入层到隐层的权值和隐层的偏置值匕,通过将数据采集和预 处理模块采集的肿瘤位置的历史数据样本信息输入计算隐层输出矩阵H:
[0026] 通过计算得到的隐层输出矩阵H,进而计算输出层权值0 = 11卞=1^(11把广¥,其 中Y= [yi,…,yio]T为肿瘤位置样本输出组成的矩阵;
[0027] 通过求得的输出层权值0,在数据学习及预测模块采用如下预测函数对肿瘤位置 进行预测:
[0029] 其中,f(x)代表肿瘤位置输入与肿瘤位置输出之间的函数关系,x代表肿瘤位置输 入,0代表输出层权值,K为隐层节点数,g(x)为激活函数,是随机选择的输入层到隐层的 权值,bj是隐层的偏置值。
[0030] 将预测值和样本训练集生成模块肿瘤位置样本信息进行归一化均方根误差比较, 如果满足精度要求则输出预测值,得到预测函数;如果精度不满足要求则重新选择样本集 进行训练,直至得到满足误差精度的预测函数。
[0031] 提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本 发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修 改,均应涵盖在本发明的范围之内。
【主权项】
1. 一种快速精确的肿瘤位置预测装置,其特征在于:包括数据集的采集和预处理模块, 样本训练集生成模块和数据学习及预测模块;数据集的采集和预处理模块将采集和预处理 后的数据通过计算机连接传送至样本训练集生成模块,再将样本训练集生成模块得到的数 据传送至数据学习及预测模块; 数据集采集和预处理模块,包括红外空间位置探测单元和分析与处理模块;红外空间 位置探测单元提供红外定位小球作为标记点的位置信息,反馈给分析与处理模块,用于实 时显示和自动量化分析,将当前获取的位置信息和分析与处理模块中保存的原始治疗计划 中的位置信息进行比较和配准,从而得到校正后的空间位置信息,作为经过数据采集和预 处理后的数据并传递给样本训练集生成模块作为输入数据; 样本训练集生成模块,接收经过数据采集和预处理后的数据作为样本训练集生成的输 入,基于这些输入数据从中选取肿瘤患者正常呼吸的N个周期,基于体内骨性标记点或植入 标记点的位置信息,获得肿瘤位置信息作为训练用历史数据,构建N个样本训练集,作为肿 瘤位置预测函数的输入{(xi,yi),(X2,y2),···,(χν,υν)},其中Xi表示样本集1中肿瘤位置输 入,yi表示样本集1中肿瘤位置输出,X2表示样本集2中肿瘤位置输入,y 2表示样本集2中肿瘤 位置输出,XN表示样本集N中肿瘤位置输入,yN表示样本集N中肿瘤位置输出,N个样本训练集 肿瘤位置输入输出数据作为样本训练集生成模块得到的数据,传递给数据学习及预测模 块; 数据学习及预测模块,接收由样本训练集生成模块得到的数据作为输入,用来模拟肿 瘤位置输入与肿瘤位置输出之间的预测函数关系y = f(x);在数据学习过程中,y是经过预 测得到的肿瘤位置输出,X是肿瘤位置输入,在此基础上构建单隐层神经网络,设置隐层节 点数为K和激活函数g (X ),激活函数可选择为s型函数、基本周期函数、正弦函数、余弦函数 中的一种,进而在区间[-1,1 ]上,随机选择输入层到隐层的权值w和隐层的偏置值b,通过将 采集的肿瘤位置的历史数据样本信息输入计算隐层输出矩阵H,计算输出层权值 夕=1 1卞=1^(冊〇,,其中¥=[71,...,3^]7为肿瘤位置样本输出组成的矩阵,进而通过 求得的输出层权值β对肿瘤位置进行预测。2. 根据权利要求1所述的快速精确的肿瘤位置预测装置,其特征在于:所述红外空间位 置探测单元通过记录红外线发射和接收器得到红外定位小球标记点的位置信息,采用红外 线与红外定位小球标记点相连,接收检测区域的红外线,红外空间位置探测单元反馈红外 定位小球标记点的位置和方向的变化信息,将转换的数据和信息输出给分析与处理模块。3. 根据权利要求1所述的快速精确的肿瘤位置预测装置,其特征在于:所述Ν>5个周期。
【文档编号】G06T7/00GK105931262SQ201610551244
【公开日】2016年9月7日
【申请日】2016年7月13日
【发明人】吴宜灿, 胡丽琴, 龙鹏程, 贾婧, 曹瑞芬
【申请人】中国科学院合肥物质科学研究院