论文笔记1-王燃硕士论文《基于深度学习的胸腹部肿瘤呼吸运动的实时跟踪方法研究》

总结

本文和IEEE ACCESS上的Bi-LSTM^[1]是同一作者，内容基本相同。
此论文逻辑线为：呼吸模拟背景-》related work-》呼吸算法+关联模型-》总结
为2019年发表，文献综述等部分都相对较新，值得参考

背景

呼吸中胸腔的运动主要来源于横膈膜运动引起的器官移位，对CT，PET，MRI等采集设备均会产生 模糊/额外的配准要求 等不利影响。

放疗过程中的运动补偿问题可分为：增加目标区域、呼吸门控法、屏气技巧、强迫浅呼吸、自适应运动补偿方法等方法，前4中都有健康方面的影响，最后的方法主要难度在技术层面，即如何设计合适的呼吸运动模型（包含根据体外光学标记计算体内肿瘤位置的关联模型，以及呼吸运动强度等信息的呼吸预测算法）

Related Work

• 评价算法
  就是传统的MAE和RMSE，对于多条运动轨迹采用先归一化后平均的方法（nRMSE，由Murphy等人根据真实信号提供的归一化系数进行归一化）

• 呼吸预测算法
  卡尔曼滤波：和本文关系不大、
  自适应滤波器：自回归预测，根据先前信号预测之后信号，核方法和SVR被广泛应用在此类方法中
  神经网络：万能的新方法，此处不赘述
  ARIMA：当做时间序列进行处理

• 关联模型
  传统方法多为线性方法，此处具有较大拓展空间

• 循环神经网络(RNN)的使用
  RNN相较于普通ANN，将数据的时序信息应用到了网络训练中，常见于NLP等领域，其中常用的长短期记忆网络(LSTM)应用范围更是非常广，此文采用的就是RNN相关方法

细节说明

细节1-呼吸预测算法

此文最后选用的是7层Bi-LSTM，1层input，1层output的网络结构设计
呼吸预测的数据格式并不统一，此文使用了Georgetown University Hospital 的赛博刀系统公开的呼吸数据和自己通过NDI 光学系统采集的数据。

乔治城大学使用的光学标记背心

此论文使用的标记物

按照描述呼吸数据应当为（时间，4维的小球运动坐标）格式，此处未检查过真实数据格式，留待以后考证。

细节2-关联模型

使用的是多层感知机(MLP)构建的网络进行关联模型的构建。

体外数据 --(呼吸预测算法)-》呼吸参数
体外数据+体内数据 --(训练MLP)-》训练好的MLP模型
呼吸参数 --(训练好的MLP模型)-》实时肿瘤位置

论文内的Universitat zu Lubeck 公开的数据

图片来自于此论文^[2]，可见关联模型的目的十分明确，根据体外信号的三维数据在保证实时性的前提下尽可能精确的计算体内信号的三维数据。除了吕贝克大学公开的以上数据外，Robert Dürichen还提供了多传感器的关联数据^[3]（除了两个三维坐标还包含了传感器数值）

---

1. Wang R, Liang X, Zhu X, et al. A Feasibility of Respiration Prediction Based on Deep Bi-LSTM for Real-Time Tumor Tracking[J]. IEEE Access, 2018: 51262-51268. ↩

2. 王燃. 基于深度学习的胸腹部肿瘤呼吸运动的实时跟踪方法研究[D].中国科学院大学(中国科学院深圳先进技术研究院),2019. ↩

3. Durichen R, Davenport L, Bruder R, et al. Evaluation of the potential of multi-modal sensors for respiratory motion prediction and correlation[C]. international conference of the ieee engineering in medicine and biology society, 2013: 5678-5681. ↩