發(fā)布時間：2018-04-14 17:19

  本文選題：呼吸預測 + 粒子群算法��； 參考：《山東師范大學》2017年碩士論文

【摘要】：在腫瘤治療的過程中,放射治療已經(jīng)成為一個非常重要的治療手段,這就不可避免的提高了對放射治療的精度的要求。放射治療的最理想目的是能夠準確的對患者的腫瘤區(qū)進行高劑量放射,同時盡可能的減少照射到靶區(qū)周圍正常的組織和器官,也就是更準確的殺死腫瘤細胞,避免破壞正常的組織和細胞。但是,在真正的操作過程中,由于呼吸運動的原因?qū)е滦夭亢透共拷M織和器官的位置和形狀發(fā)生變化,很有可能導致實際的腫瘤超出靶區(qū),或者低劑量照射,正常的組織和器官也有可能進入計劃的靶區(qū)范圍,遭受一定劑量的照射,從而很大程度上影響放射治療的效果,更嚴重的可能會引發(fā)正常組織的并發(fā)癥。如何減少呼吸運動在放療中的不利因素,已經(jīng)成為一個我們必須要考慮的難題。在放射治療過程中,呼吸運動會造成某些器官組織如肺、肝等區(qū)域的靶區(qū)發(fā)生變化,從而降低了放療的效果,并且加大了對正常組織器官的傷害。目前的常用的減少呼吸運動對腫瘤放射治療影響的方法很多,最常用的有:1)加大放射治療范圍法。此技術(shù)由于擴大了靶區(qū)范圍會加大對病人的輻射量;2)深吸氣再屏氣技術(shù)。此技術(shù)需要病人屏住呼吸,但許多病人不能長時間屏住呼吸;3)Four dimensional computed tomography(4D-CT)。4D-CT用的是病人多個呼吸周期內(nèi)的平均呼吸軌跡來代表病人真實呼吸軌跡,很顯然,這是不準確的;4)呼吸門控技術(shù)。Real-time Position Management?System(RPM)是一種重要的呼吸門控技術(shù),它利用身體外標記物以及紅外相機之間的距離來估計腫瘤的實際位置。技術(shù)要求實時獲得腫瘤的運動軌跡,然而機器對于指令是有延遲的,為了減少機器延遲對放療的影響,需要預測病人的呼吸軌跡來提前調(diào)整Multi-Leaf Collimator(MLC)。目前國內(nèi)外很多學者提出了多種預測方法,本文主要介紹了最常用的三種呼吸信號的預測方法,即線性預測方法、卡爾曼濾波的方法和神經(jīng)網(wǎng)絡(luò)方法。每種方式都有一定的優(yōu)缺點,已有學者通過大量對比試驗證實神經(jīng)網(wǎng)絡(luò)預測方法是這三種預測方法里面最有效的。由于具備較好的非線性擬合能力,優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BP-NN)已經(jīng)被廣泛應(yīng)用于呼吸的預測,然而BP-NN容易陷入局部最優(yōu)值。本文提出一種應(yīng)用粒子群算法(Particle Swarm Optimization,PSO)優(yōu)化BP-NN的方法減少陷入局部最優(yōu)值的幾率,提高呼吸運動預測的精度。通過十一組臨床病人呼吸運動預測實驗對比結(jié)果表明本文算法(PSO-NN)相比單純應(yīng)用BP-NN的平均絕對誤差由0.24減少到0.18(25%),互相關(guān)系數(shù)由0.82提高到0.86,可以看出本文提出的算法可以有效的減少BP-NN陷入局部最優(yōu)值的幾率,提高預測的精度。另外,本文針對模型中輸入層節(jié)點數(shù)(1、3、5、7、9)、隱含層節(jié)點數(shù)(1、2、3、4、5)、初始學習率(0.001、0.01、0.1、1、10)以及損失函數(shù)精度(0、0.05、0.1、0.15、0.2)進行了探索。實驗證明輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)以及損失函數(shù)精度對效果影響較大,初始學習率對呼吸預測效果影響很小。
[Abstract]:......
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R730.55;TP183

【參考文獻】

相關(guān)期刊論文 前10條

1 姚冬明;;用圖像引導放射技術(shù)對肺癌患者進行放射治療的效果研究[J];當代醫(yī)藥論叢;2015年05期

2 王義海;阿合力·那斯肉拉;潘廣鵬;陸艷榮;張玉晶;吳恒;張瑾熔;;四維CT呼吸門控技術(shù)聯(lián)合圖像引導放射治療在肺癌中的應(yīng)用[J];重慶醫(yī)學;2014年30期

3 儲開岳;吳建亭;葛彬彬;劉于;;中段食管癌三維適形放療與調(diào)強放療劑量比較[J];中華實用診斷與治療雜志;2013年10期

4 王銳濠;張書旭;林生趣;;腫瘤精確放療新進展——圖像引導自適應(yīng)放療[J];中國醫(yī)學物理學雜志;2012年04期

5 于金明;袁雙虎;;腫瘤放療的發(fā)展與挑戰(zhàn)[J];山東大學學報(醫(yī)學版);2011年10期

6 張丙新;;胸腹部腫瘤放療3種擺位方法的綜合比較[J];醫(yī)療衛(wèi)生裝備;2011年06期

7 何漢平;黃志勇;郭友全;王曉紅;賀彬彬;;介入聯(lián)合三維適形放療治療中晚期肝癌的臨床研究[J];現(xiàn)代腫瘤醫(yī)學;2011年04期

8 黃志業(yè);陳武凡;周凌宏;徐子海;陳超敏;;基于GA-BP神經(jīng)網(wǎng)絡(luò)進行呼吸運動預測的研究[J];中國生物醫(yī)學工程學報;2010年06期

9 劉吉成;顏蘇莉;乞建勛;;A hybrid particle swarm optimization approach with neural network and set pair analysis for transmission network planning[J];Journal of Central South University of Technology;2008年S2期

10 ;Mechanical Property Prediction of Strip Model Based on PSO-BP Neural Network[J];Journal of Iron and Steel Research(International);2008年03期

相關(guān)碩士學位論文 前2條

1 樊琪;基于高斯過程的呼吸運動預測研究[D];哈爾濱理工大學;2016年

2 舒留洋;四維CT聯(lián)合呼吸門控技術(shù)在非小細胞肺癌放療中的應(yīng)用研究[D];廣西醫(yī)科大學;2013年

，

本文編號：1750297