CN109741828B - 一种放疗中人体胸腹表面区域呼吸信号周期预测方法 - Google Patents
一种放疗中人体胸腹表面区域呼吸信号周期预测方法 Download PDFInfo
- Publication number
- CN109741828B CN109741828B CN201910018164.XA CN201910018164A CN109741828B CN 109741828 B CN109741828 B CN 109741828B CN 201910018164 A CN201910018164 A CN 201910018164A CN 109741828 B CN109741828 B CN 109741828B
- Authority
- CN
- China
- Prior art keywords
- period
- signal
- ideal
- respiratory
- respiratory signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明一种放疗中人体胸腹表面区域呼吸信号周期预测方法属于肿瘤医学、精密仪器、工程技术和数学等技术领域;该方法首先构建理想单周期呼吸信号,然后进行周期延拓,得到理想多周期呼吸信号,最后对理想多周期呼吸信号进行周期提取,整个提取过程基于假想周期的数据和计算来展开,并在一个周期内即可完成周期提取;该方法方法能够准确提取理想多周期呼吸信号的周期,为准确预测呼吸运动奠定仿真实验基础。
Description
技术领域
本发明一种放疗中人体胸腹表面区域呼吸信号周期预测方法属于肿瘤医学、精密仪器、工程技术和数学等技术领域。
背景技术
放射治疗(后文简称为放疗)是治疗癌症最主要的手段之一。大约70%的癌症患者在治疗癌症的过程中会用到放疗,约有40%的癌症可以通过放疗治愈。放射治疗效果与放射线照射到肿瘤区域的精度和剂量有关。消化系统恶性肿瘤位于胸腔腹腔内,受呼吸运动影响,肿瘤的位置和体积都会随时间而改变,造成放射线照射精度降低,从而影响放疗效果。
为了解决呼吸运动降低放疗效果的问题,很多学者开展了靶区扩边、屏气、呼吸门控、被动加压、四维放疗和实时跟踪等技术或方法的研究工作。这些工作有效降低了呼吸运动对放疗效果的影响,然而,由于这些工作都是在呼吸运动发生后开展的滞后补偿工作,因此无法从根本上克服呼吸运动降低放疗效果的问题。
为了解决上述问题,一些学者开始研究超前补偿方法,该方法首先需要对呼吸运动进行预测。目前,呼吸运动预测方法可分为以下两大类:第一、模型预测方法,它通过监测前期呼吸运动数据,建立呼吸运动模型,再基于模型来推测未来的呼吸运动;第二、无模型预测方法,它通过观察到的呼吸运动模式进行训练,形成启发式的学习算法,通过学习来预测未来的呼吸运动。
虽然呼吸运动不断重复吸气和呼气动作,但是呼吸运动并不以吸气和呼气为一个周期进行简单重复,在每次吸气和呼气的过程中,受自身以及外界的影响,周期和幅值都会有改变,模型预测方法无法照顾到这种变化,因此预测精度会受到制约,所以,更多学者开始在无模型预测方法中进行尝试,例如,用高斯过程回归来预测呼吸运动。
高斯过程回归是一种普适的预测算法,通过学习已知数据来预测未来数据,预测结果以均值和方差的形式给出。由于高斯过程回归算法本身并不是单纯针对呼吸运动预测而提出,因此不会考虑到呼吸运动的一些约束条件。如果将呼吸运动的约束条件考虑进去,就会缩小预测范围,预测结果也就会更加精确。
对于呼吸运动而言,其频率会限定在某一个范围内,因此可以通过获取呼吸信号的周期或频率来约束预测结果,提高预测精度。可见,获取呼吸运动的周期有利于提高预测精度。
然而,由于呼吸运动并不是单周期的简单重复,因此很难用两个相同特征值的距离来判断周期。那么,如果获取呼吸运动的周期已经成为提高预测精度的关键技术问题。
发明内容
为了预测呼吸信号的周期,本发明从理想的呼吸信号入手,提出了一种呼吸信号周期提取方法,该方法不仅包括根据呼吸规律构建理想呼吸信号的工作,而且包括对理想呼吸信号周期进行提取的工作。
本发明的目的是这样实现的:
一种放疗中人体胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定周期数据变量为1,进入步骤c2;
步骤c4、计算新周期数据变量下的第一周期所有数据之和,并按照计算先后顺序排列,进入步骤c3;
步骤c5、判断周期数据变量是否达到步骤b得到的理想多周期呼吸信号的数据总量的一半,如果:
是,进入步骤c6;
否,周期数据变量+1,返回步骤c4;
步骤c6、设定阈值;
步骤c7、找到步骤c4得到的所有数据之和中绝对值第一个小于阈值的数据之和,该数据之和所对应的周期数据变量即为多周期呼吸信号的周期。
上述一种放疗中人体胸腹表面区域呼吸信号周期预测方法,步骤a所述的构建理想单周期呼吸信号,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
一种放疗中人体胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定周期数据变量为1,进入步骤c2;
步骤c4、计算新周期数据变量下的第一周期所有数据之和,并按照计算先后顺序排列,进入步骤c3;
步骤c5、判断周期数据变量是否达到步骤b得到的理想多周期呼吸信号的数据总量的一半,如果:
是,进入步骤c6;
否,周期数据变量+1,返回步骤c4;
步骤c6、设定阈值;
步骤c7、找到步骤c4得到的所有数据之和中绝对值第一个小于阈值的数据之和,该数据之和所对应的周期数据变量即为多周期呼吸信号的周期。
一种理想单周期呼吸信号构建方法,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
一种理想多周期呼吸信号周期提取方法,包括以下步骤:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定周期数据变量为1,进入步骤c2;
步骤c4、计算新周期数据变量下的第一周期所有数据之和,并按照计算先后顺序排列,进入步骤c3;
步骤c5、判断周期数据变量是否达到步骤b得到的理想多周期呼吸信号的数据总量的一半,如果:
是,进入步骤c6;
否,周期数据变量+1,返回步骤c4;
步骤c6、设定阈值;
步骤c7、找到步骤c4得到的所有数据之和中绝对值第一个小于阈值的数据之和,该数据之和所对应的周期数据变量即为多周期呼吸信号的周期。
有益效果:
第一、本发明虽然隶属于肿瘤医学技术领域,但是本发明是从技术角度出发,是对信号特征量进行提取,并且单从本发明的技术目的和作用来看,无法实现对疾病进行诊断和治疗,因此不属于专利法第二十五条所述的疾病的诊断和治疗方法,本发明不存在客体问题。
第二、本发明公开足够充分,只要将说明书部分记载的源代码在MATLAB软件中运行,即可得到运行结果,无论是本领域技术人员还是非本领域技术人员,都可以实现本申请。
第三、本发明还提供了一种理想单周期呼吸信号构建方法,该方法仅需要用到三段正弦函数即可拟合出一个周期内的呼吸信号,方法简单、函数简单,且拟合结果与真实呼吸运动相对应。
第四、本发明方法基于假想周期的数据计算来提取信号周期,并同本研究团队同日申报的发明专利《基于方差计算的人体胸腹表面区域呼吸信号周期预测方法》相比,只要在一个真实周期内即可完成周期提取,因此计算量更小,从仿真结果也能够看出,运行时间从0.40s提高到0.30s。
附图说明
图1是理想多周期呼吸信号的信号图。
图2是理想多周期呼吸信号去直流后的信号图。
图3是周期提取时的程序运行结果。
图4是程序运行界面。
具体实施例
下面结合附图对本发明具体实施例作进一步详细描述。
具体实施例一
本实施例是一种放疗中人体胸腹表面区域呼吸信号周期预测方法实施例。
本实施例的一种放疗中人体胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定周期数据变量为1,进入步骤c2;
步骤c4、计算新周期数据变量下的第一周期所有数据之和,并按照计算先后顺序排列,进入步骤c3;
步骤c5、判断周期数据变量是否达到步骤b得到的理想多周期呼吸信号的数据总量的一半,如果:
是,进入步骤c6;
否,周期数据变量+1,返回步骤c4;
步骤c6、设定阈值;
步骤c7、找到步骤c4得到的所有数据之和中绝对值第一个小于阈值的数据之和,该数据之和所对应的周期数据变量即为多周期呼吸信号的周期。
具体实施例二
本实施例是一种放疗中人体胸腹表面区域呼吸信号周期预测方法实施例。
本实施例的一种放疗中人体胸腹表面区域呼吸信号周期预测方法,在具体实施例一的基础上,进一步限定步骤a所述的构建理想单周期呼吸信号,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
具体实施例三
本实施例是一种放疗中人体胸腹表面区域呼吸信号周期预测方法实施例。
本实施例的一种放疗中人体胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定周期数据变量为1,进入步骤c2;
步骤c4、计算新周期数据变量下的第一周期所有数据之和,并按照计算先后顺序排列,进入步骤c3;
步骤c5、判断周期数据变量是否达到步骤b得到的理想多周期呼吸信号的数据总量的一半,如果:
是,进入步骤c6;
否,周期数据变量+1,返回步骤c4;
步骤c6、设定阈值;
步骤c7、找到步骤c4得到的所有数据之和中绝对值第一个小于阈值的数据之和,该数据之和所对应的周期数据变量即为多周期呼吸信号的周期。
具体实施例四
本实施例是一种理想单周期呼吸信号构建方法实施例。
本实施例的一种理想单周期呼吸信号构建方法,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
具体实施例五
本实施例是一种理想多周期呼吸信号周期提取方法实施例。
本实施例的一种理想多周期呼吸信号周期提取方法,包括以下步骤:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定周期数据变量为1,进入步骤c2;
步骤c4、计算新周期数据变量下的第一周期所有数据之和,并按照计算先后顺序排列,进入步骤c3;
步骤c5、判断周期数据变量是否达到步骤b得到的理想多周期呼吸信号的数据总量的一半,如果:
是,进入步骤c6;
否,周期数据变量+1,返回步骤c4;
步骤c6、设定阈值;
步骤c7、找到步骤c4得到的所有数据之和中绝对值第一个小于阈值的数据之和,该数据之和所对应的周期数据变量即为多周期呼吸信号的周期。
具体实施例七
本实施例是一种放疗中人体胸腹表面区域呼吸信号周期预测方法实施例。
为了验证本发明方法,将该方法在MATLAB R2014a软件上运行。所应用的计算机配置如下:
计算机配置表
操作系统 | Windows 7旗舰版X86 |
处理器 | Intel(R)Core(TM)i5-8250OU@1.60GHz 1.80GHz |
安装内存 | 8.00GB |
所编写的MATLAB程序如下:
程序运行结果分别如图1、图2、图3和图4所示。其中,图1是理想多周期呼吸信号的信号图,图2是理想多周期呼吸信号去直流后的信号图,图3是周期提取时的程序运行结果,图4是程序运行界面。
程序运行结果表明,本发明方法准确地从呼吸运动信号中提取到了信号周期。
Claims (1)
1.一种放疗中人体胸腹表面区域呼吸信号周期预测方法,其特征在于,由以下步骤组成:
步骤a、构建理想单周期呼吸信号,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定周期数据变量为1,进入步骤c2;
步骤c4、计算新周期数据变量下的第一周期所有数据之和,并按照计算先后顺序排列,进入步骤c3;
步骤c5、判断周期数据变量是否达到步骤b得到的理想多周期呼吸信号的数据总量的一半,如果:
是,进入步骤c6;
否,周期数据变量+1,返回步骤c4;
步骤c6、设定阈值;
步骤c7、找到步骤c4得到的所有数据之和中绝对值第一个小于阈值的数据之和,该数据之和所对应的周期数据变量即为多周期呼吸信号的周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018164.XA CN109741828B (zh) | 2019-01-09 | 2019-01-09 | 一种放疗中人体胸腹表面区域呼吸信号周期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018164.XA CN109741828B (zh) | 2019-01-09 | 2019-01-09 | 一种放疗中人体胸腹表面区域呼吸信号周期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741828A CN109741828A (zh) | 2019-05-10 |
CN109741828B true CN109741828B (zh) | 2022-11-25 |
Family
ID=66363961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910018164.XA Active CN109741828B (zh) | 2019-01-09 | 2019-01-09 | 一种放疗中人体胸腹表面区域呼吸信号周期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741828B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741827B (zh) * | 2019-01-09 | 2022-11-01 | 哈尔滨理工大学 | 结合双周期判断的胸腹表面区域呼吸信号周期预测方法 |
CN109741829B (zh) * | 2019-01-09 | 2022-10-28 | 哈尔滨理工大学 | 结合三周期判断的胸腹表面区域呼吸信号周期预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101422368A (zh) * | 2008-10-09 | 2009-05-06 | 李宝生 | 呼吸信号提取和呼吸运动引导装置 |
CN101628154A (zh) * | 2008-07-16 | 2010-01-20 | 深圳市海博科技有限公司 | 基于预测的图像引导跟踪方法 |
CN102579049A (zh) * | 2011-01-06 | 2012-07-18 | 深圳市迈迪加科技发展有限公司 | 一种基于压电电缆传感器的睡眠呼吸状态监测装置 |
WO2018048010A1 (ko) * | 2016-09-07 | 2018-03-15 | 김영우 | 혈중 알코올 정보 제공 장치, 혈중 알코올 정보 제공 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN108159576A (zh) * | 2017-12-17 | 2018-06-15 | 哈尔滨理工大学 | 一种放疗中人体胸腹表面区域呼吸运动预测方法 |
-
2019
- 2019-01-09 CN CN201910018164.XA patent/CN109741828B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101628154A (zh) * | 2008-07-16 | 2010-01-20 | 深圳市海博科技有限公司 | 基于预测的图像引导跟踪方法 |
CN101422368A (zh) * | 2008-10-09 | 2009-05-06 | 李宝生 | 呼吸信号提取和呼吸运动引导装置 |
CN102579049A (zh) * | 2011-01-06 | 2012-07-18 | 深圳市迈迪加科技发展有限公司 | 一种基于压电电缆传感器的睡眠呼吸状态监测装置 |
WO2018048010A1 (ko) * | 2016-09-07 | 2018-03-15 | 김영우 | 혈중 알코올 정보 제공 장치, 혈중 알코올 정보 제공 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN108159576A (zh) * | 2017-12-17 | 2018-06-15 | 哈尔滨理工大学 | 一种放疗中人体胸腹表面区域呼吸运动预测方法 |
Non-Patent Citations (1)
Title |
---|
基于三维傅里叶变换的胸腹表面测量;孟晓亮等;《光学精密工程》;20180430;第26卷(第4期);第779-787页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109741828A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6619889B2 (ja) | 動き予測を用いた治療制御 | |
Glide-Hurst et al. | Adaptive radiation therapy (ART) strategies and technical considerations: a state of the ART review from NRG oncology | |
EP3695882A1 (en) | Computing radiotherapy dose distribution | |
CN109741828B (zh) | 一种放疗中人体胸腹表面区域呼吸信号周期预测方法 | |
CN104225809B (zh) | 一种带有呼吸补偿的4d放疗计划的实施方法及其设备 | |
CN109741830B (zh) | 单双周期混合判断的胸腹表面区域呼吸信号周期预测方法 | |
CN109741831B (zh) | 基于方差计算的人体胸腹表面区域呼吸信号周期预测方法 | |
Seregni et al. | Real-time tumor tracking with an artificial neural networks-based method: a feasibility study | |
CN104220132B (zh) | 一种呼吸跟踪装置及放射治疗系统 | |
Li et al. | Artificial intelligence in radiotherapy | |
Korreman et al. | The changing role of radiation oncology professionals in a world of AI–Just jobs lost–Or a solution to the under-provision of radiotherapy? | |
CN109741829B (zh) | 结合三周期判断的胸腹表面区域呼吸信号周期预测方法 | |
Pastor-Serrano et al. | Learning the physics of particle transport via transformers | |
CN109741827B (zh) | 结合双周期判断的胸腹表面区域呼吸信号周期预测方法 | |
Geneser et al. | Quantifying variability in radiation dose due to respiratory-induced tumor motion | |
Modiri et al. | Inversed-planned respiratory phase gating in lung conformal radiation therapy | |
CN109887573B (zh) | 面向放疗的人体胸腹表面运动预测方法 | |
Nankali et al. | Investigation on performance accuracy of different surrogates in real time tumor tracking at external beam radiotherapy | |
Musselman et al. | System based monitoring of a neuromusculoskeletal system using divide and conquer type models | |
EP2020248A4 (en) | SYSTEM FOR THE TREATMENT OF HEART DISEASES | |
Shan et al. | A comparative study on the generalization ability of back propagation neural network and support vector machine for tracking tumor motion in radiotherapy | |
Jöhl et al. | PO-0925: Respiratory motion prediction filters for real time tumor tracking during radiation treatment | |
Velec et al. | Impact and implementation guidelines for liver SBRT delivery with deformable registration and dose accumulation | |
Peng et al. | Unmarked external breathing motion tracking based on b-spline elastic registration | |
Wu et al. | Knowledge discovery from tumor respiratory motion data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |