一种放疗中人体胸腹表面区域呼吸运动预测方法属于呼吸运动预测技术领域。
背景技术：
呼吸运动会使肿瘤和正常组织以一定频率和幅度移动，这造成放射治疗法中实际吸收剂量与计划系统计算结果间的差异并影响治疗效果，甚至造成人体的放疗损伤。放射治疗过程中呼吸运动是导致胸腹肿瘤随之发生位置移动和体积变化的主要原因，结果会加重靶区漏照和正常组织受照增加的现象，而且呼吸运动引起肿瘤变形和移动而导致实际吸收剂量与规划计量间的差异，这对剂量效应的影响在临床上是非常显著的。
目前常规的用于处理放疗中呼吸运动的方法包括：运动包含法、压迫式浅呼吸法、屏气法和呼吸门控法等临床技术，已经对胸腹部肿瘤放疗产生了积极作用，但因患者耐受性差、治疗效率低、正常组织仍受到较大伤害等原因，还远未达到所期望的效果。
实施的呼吸运动预测的算法有两类。第一类，以数学与物理方法为基础的预测模型；第二类，以现代科学技术与方法为基础的预测模型。前者包括线性估计算法和时间序列模型中的ARIMA(Autoregressive Integrated Moving Average Model)，这个是应用最广泛的一种时序模型、子序列匹配模型、卡尔曼滤波模型(Kalman Filtering Model)、参数回归模型 (Parametric Regressive Model)、指数平滑模型(Exponential Smoothing Model)及由这些模型构成的各种组合预测模型等。而后者有非参数回归模型(Nonparametric Regressive Model)，KARIMA算法、自适应权重模型、谱分析法(Spectral Basis Analysis)、状态空I 句重构模型、小波网络(Wavelet Network)，基于多维分形的方法、基于小波分解与重构的方法和多种与神经网络(Neural Network)相关的复合预测模型等。
但是与这些模型相比，高斯过程的优势在于第一，可以将过程中的先验知识以先验概率的形式表示，提高了模型的性能。第二，可以对未知输入项可做出具有精度参数的输出预测，该精度参数主要指的是估计方差模型参数，通过参数明显减少、参数优化相对容易，参数更容易收敛等特征表示出来。并且经过近10年国内外学者的不断探索，高斯过程在实践中得到了认可，在监督式学习中应用度明显提高。
技术实现要素：
为了解决上述问题，本发明提供了一种放疗中人体胸腹表面区域呼吸运动预测方法，该基于高斯过程的呼吸运动预测分析，通过构建相关性模型和预测模型并将两者结合最终构建一个更为精确的预测方法，进而为监控和预测放射治疗期间肿瘤呼吸运动提供更好的基础，解决了在放疗过程中由呼吸运动引起的问题。
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运动预测方法，包括以下步骤：
步骤a、采用光图案投射器将三个不同频率RGB余弦曲线复合而成的一幅彩色图案投射到人体胸腹表面，光图案投射器两侧各放置一个3CCD彩色摄像机采集景物图像并送入计算机进行后处理，采用双摄像机依据双目视觉原理获取特征标志点和区域边界线的三维坐标；
步骤b、针对左右摄像机获取的两个视频序列，在对应图像对中提取出同一区域及其边界线和特征标志点后，分别匹配区域边界线和特征标志点，然后采用左右摄像机依据双目视觉原理获得边界线上点和特征标志点的三维坐标、采用摄像机与投射器组合根据条纹分析和相位展开方法获取区域内表面点的三维坐标，再根据数学定义就可计算出特征点三维坐标、区域边界线水平投影周长及几何中心、区域边界线各点坐标平均值和周长、区域各点坐标平均值和表面积共计7个区域特征量；
步骤c、根据具体预测特征量所处位置，确定感兴趣区域及其边界和特征标志点；以预测特征量训练观测值为参考，与其他所有区域特征量训练观测值进行相关性分析和显著性分析，优化出进行参加建模和预测的区域特征量集合记为Y；
步骤d、选择准周期核函数如下
其中，r＝||x-x'||2表示两个数据点之间的欧几里得距离，θS、θL、θp为超参数；
步骤e、为保证Kc为有效的正定协方差函数，采用乔里斯基分解并对下三角形矩阵的元素进行参数化，得到Kc＝L(θc)L(θc)T，其中L(θc)是一个下三角矩阵，大小为m×m；
步骤f、针对负对数边缘概率关于超参数进行最小化即-log(y|θ)，然后采用共轭梯度法求取其最优值；
步骤g、通过对预测区域特征量和其他区域特征量之间的互相关进行最大化来给移动超参数θS初值，根据其他区域特征量的训练数据给超参数θp赋初值，重复实验多次，其他超参数随机初始化；
步骤h、在测量与预测阶段，首先按照采样频率测量预测区域特征量意外的其他区域特征量，然后针对预测时刻x*＝t+Δt进行预测并给出预测估计值及其误差置信区间，其中Δt为预测时间。
上述放疗中人体胸腹表面区域呼吸运动预测模型，所述的L(θc)的非零元素由θc来规定，相关超参数θc的个数为
上述放疗中人体胸腹表面区域呼吸运动预测模型，构成核函数的充分必要条件是测试集中点与点之间构成的矩阵必须是半正定矩阵。
有益效果：准确的预测肿瘤很大程度上取决于完善的实时跟踪预测系统，该系统可帮助医生实时跟踪肿瘤运动状态并及时预测肿瘤下一刻的位置，有助于放射波束的重新调整，避免对健康组织的伤害，这是提高肿瘤治疗疗效的重要方法。高精确度的预测算法对放射波束的重新调整起到了至关重要的作用，能够保证放射波束完全杀死肿瘤癌细胞的过程中，对正常组织伤害最小，这是十分具有临床意义的。
通过国内外对比分析，发现在数学上高斯过程和大型神经网络、贝叶斯模型等许多被人们所熟知的等价。但是与这些模型相比，本发明中采用的高斯过程回归预测模型的优势在于第一，可以将过程中的先验知识以先验概率的形式表示，提高了模型的性能。第二，可以对未知输入项可做出具有精度参数的输出预测，该精度参数主要指的是估计方差模型参数，通过参数明显减少、参数优化相对容易，参数更容易收敛等特征表示出来。并且经过近10年国内外学者的不断探索，高斯过程在实践中得到了认可，在监督式学习中应用度明显提高。
附图说明
图1是高斯过程回归预测结果。
具体实施方式
下面结合附图对本发明具体实施方式作进一步详细描述。
具体实施例一
本实施例的一种放疗中人体胸腹表面区域呼吸运动预测方法，包括以下步骤：
步骤a、采用光图案投射器将三个不同频率RGB余弦曲线复合而成的一幅彩色图案投射到人体胸腹表面，光图案投射器两侧各放置一个3CCD彩色摄像机采集景物图像并送入计算机进行后处理，采用双摄像机依据双目视觉原理获取特征标志点和区域边界线的三维坐标；
步骤b、针对左右摄像机获取的两个视频序列，在对应图像对中提取出同一区域及其边界线和特征标志点后，分别匹配区域边界线和特征标志点，然后采用左右摄像机依据双目视觉原理获得边界线上点和特征标志点的三维坐标、采用摄像机与投射器组合根据条纹分析和相位展开方法获取区域内表面点的三维坐标，再根据数学定义就可计算出特征点三维坐标、区域边界线水平投影周长及几何中心、区域边界线各点坐标平均值和周长、区域各点坐标平均值和表面积共计7个区域特征量；
步骤c、根据具体预测特征量所处位置，确定感兴趣区域及其边界和特征标志点；以预测特征量训练观测值为参考，与其他所有区域特征量训练观测值进行相关性分析和显著性分析，优化出进行参加建模和预测的区域特征量集合记为Y；
步骤d、选择准周期核函数如下
其中，r＝||x-x'||2表示两个数据点之间的欧几里得距离，θS、θL、θp为超参数；构成核函数的充分必要条件是测试集中点与点之间构成的矩阵必须是半正定矩阵；
步骤e、为保证Kc为有效的正定协方差函数，采用乔里斯基分解并对下三角形矩阵的元素进行参数化，得到Kc＝L(θc)L(θc)T，其中L(θc)是一个下三角矩阵，大小为m×m；L(θc) 的非零元素由θc来规定，相关超参数θc的个数为
步骤f、针对负对数边缘概率关于超参数进行最小化即-log(y|θ)，然后采用共轭梯度法求取其最优值；
步骤g、通过对预测区域特征量和其他区域特征量之间的互相关进行最大化来给移动超参数θS初值，根据其他区域特征量的训练数据给超参数θp赋初值，重复实验多次，其他超参数随机初始化；
步骤h、在测量与预测阶段，首先按照采样频率测量预测区域特征量意外的其他区域特征量，然后针对预测时刻x*＝t+Δt进行预测并给出预测估计值及其误差置信区间，其中Δt为预测时间。
最终得到如图1所示高斯过程回归预测结果，其中深色线为原始数据曲线，浅色线为预测结果曲线，灰色的区域表示其置信区间。