首页 > 文献资料
-
基于粒子群算法与反向传播神经网络的呼吸运动预测研究
在放射治疗过程中,呼吸运动会造成某些器官组织如肺、肝的靶区发生变化,从而降低放疗的效果,并且加大对正常组织器官的伤害.因此,在放疗过程中对靶区进行呼吸运动的实时估计是一项非常必要的工作.由于具备较好的非线性拟合能力,优化反向传播神经网络(BP-NN)已经被广泛应用于呼吸的预测,然而BP-NN容易陷入局部优值.提出一种应用粒子群算法(PSO)优化BP-NN的方法减少陷入局部优值的机率,提高呼吸运动预测的精度.首先,应用PSO算法寻找神经网络的佳初始权值与阈值;然后,应用优的初始权值与阈值建立神经网络(PSO-NN);后,利用建立的PSO-NN网络进行呼吸预测.结果表明,11组肺癌病人呼吸运动预测实验对比结果表明,此算法(PSO-NN)相比单纯应用BP-NN算法的平均绝对误差由0.24减少到0.18 (25％),互相关系数由0.82提高到0.86.所提出的算法可以有效地减少BP-NN陷入局部优值的机率,提高预测的精度.
-
基于后验概率的呼吸信号预测
放疗过程中,采用图像引导、呼吸门控或实时跟踪技术对受呼吸影响较大的胸腹部位肿瘤目标进行治疗时,需要对呼吸条件下目标的运动进行估计.呼吸运动具有不确定性,利用传统数学模型描述其变化规律时,无法有效处理该问题.本研究提出后验概率算法进行呼吸运动估计,并利用呼吸状态判别技术有效控制跟踪过程,以解决呼吸的非线性逼近和基线漂移等问题.实验通过对11例患者的呼吸运动进行预测,证实了所提出方法的有效性;在应对信号变化和延时等方面,后验概率估计与传统算法的比较,也取得了令人满意的效果.
-
基于自适应神经模糊推理系统的呼吸预测算法研究
目的 研究一种对非规则呼吸运动更精确的预测算法,更有效地补偿放疗系统的时间延迟,提高胸腹部肿瘤图像引导跟踪或门控放射治疗的靶点精度.方法 提出了一种基于自适应神经模糊推理系统(ANFIS)的对非规则呼吸运动的预测算法.该ANFIS模型结构利用呼吸运动的位置和速度作为输入参数,构造一个结合位置和速度的N×N模糊集,并通过历史数据建立训练集.在预测过程中,如新输入信号的位置或速度超出当前训练集的幅度范围,则对位置或速度进行相应的幅度调整,然后作为ANFIS模型的输入参数进行预测.本研究采集了20例CyberKnife治疗的胸腹部患者的非规则呼吸临床数据,通过回顾性离线分析,对ANFIS、神经网络(NN)、支持向量机(SVM)、CyberKnife系统的Synchrony呼吸同步追踪系统这4种典型预测算法精度进行对照比较.结果 比较4种预测算法对20例患者数据的结果,证实笔者提出的ANFIS算法预测结果的归一化均方根误差(nRMSE)、大误差(Max)、大于1 mm误差个数均小于NN、SVM和Synchrony.结论 ANFIS预测算法的精确性和鲁棒性均优于其他3种算法,能更好地预测非规则呼吸信号.
关键词： 呼吸预测 自适应神经模糊推理系统 神经网络 支持向量机 射波刀 -
BP神经网络模型预测肝肿瘤运动趋势可行性研究
目的 利用BP(back propagation)神经网络模型对1例肝癌碘油介入术后患者的肝肿瘤运动趋势进行预测.方法 使用X射线容积成像系统对某肝癌患者进行扫描,采集各时相呼吸运动图像.利用碘油标记方法,对肝癌病灶进行定位,并通过图像检测技术,获取病灶标记点的运动轨迹.对标记点的运动轨迹数据进行分析,建立BP神经网络模型,并用其预测下一时间段的运动曲线,将预测结果与肿瘤标记点实际的运动轨迹进行比较分析.结果 利用BP神经网络可以有效预测肝肿瘤的运动趋势,在一定时间段内可保持良好的精准度,误差在1个像素距离内,但在呼吸运动峰值处预测精准度尚不理想,误差接近2个像素距离.结论 BP神经网络模型是预测肝肿瘤运动的一种新方法,可能对肝癌的体部立体定向放疗以及实时跟踪放疗精准度的提升有一定帮助,且具有一定的临床价值.
-
小波分解结合自适应神经模糊推理系统的呼吸预测研究
目的:研究一种方法精确预测胸腹部肿瘤放射治疗中的非规则呼吸运动.方法:提出基于小波分解和自适应神经模糊推理系统的呼吸运动预测方法(WANFIS),利用小波分解将呼吸信号分成基线、低频和高频三部分,并分别采用线性拟合、自适应神经模糊推理系统(ANFIS)、简单移动平均进行预测,然后综合三部分预测值作为呼吸运动预测结果.基于30例临床数据回顾性分析,将WANFIS算法与神经网络(NN)、CyberKnife放射外科系统的Synchrony呼吸同步追踪系统、ANFIS这三种典型预测算法进行对照比较.结果:本文提出的WANFIS算法的归一化均方根误差(nRMSE)平均值为0.09,小于NN的0.17、Synchrony的0.11以及ANFIS的0.11.结论:WANFIS能更好地预测非规则呼吸信号,更有效地补偿放疗系统时间延迟.
