System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及消融仿真的,尤其涉及一种基于数据拟合的消融仿真方法。
技术介绍
1、随着消融技术的不断发展,帮助医生更好地规划和实施消融治疗,研究者提出了很多的物理模型来帮助理解消融过程中的温度分布、能量传输和损伤区域的形成,并可以在计算机上进行数值模拟。现有技术大多是在探究消融仿真技术中产生的数据之间的关系,没有好好利用消融仿真技术中生成的数据,实现不了个体化医疗,不能为每位患者的疾病给出个体化治疗建议,并且没有好好解释使用数据所构建模型的预测过程和依据。
2、如申请公开号为cn111027225a的中国专利公开了一种基于数据拟合的消融仿真方法,该方法包括:计算同一消融功率、消融时间下的消融边界的短径、长径数据的实测平均值,并对靶区进行热场仿真,以短径数据为基准,将温度阈值所在等高线对应的长径为长径仿真值;在低消融功率下,建立温度阈值与消融功率关系模型;在高消融功率下,建立温度阈值与消融时间关系模型;建立修正系数与消融功率关系模型;输入消融功率、消融时间,根据消融功率高低选择温度阈值与消融功率关系模型或温度阈值与消融时间关系模型,得到温度阈值,根据温度阈值得到对应的消融仿真图像,利用修正系数与消融功率关系模型,对消融仿真图像的长径进行修正。能够精确仿真消融边界。
3、以上专利存在本
技术介绍
提出的问题:没有好好利用消融仿真技术中生成的数据,实现不了个体化医疗,不能为每位患者的疾病给出个体化治疗建议,并且没有好好解释使用数据所构建模型的预测过程和依据。为解决这一问题,本专利技术提出一种基于数据拟合的消融仿真方
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有基于数据拟合的消融仿真方法存在的问题,提出了本专利技术。
3、因此,本专利技术目的是提供一种基于数据拟合的消融仿真方法。
4、为解决上述技术问题,本专利技术提供如下技术方案:
5、采集消融仿真技术中产生的各项数据,构建数据集;
6、对所述数据集进行数据拟合,构建个体化医疗决策模型;
7、优化所述个体化医疗决策模型;
8、利用因果推断的方法构建所述个体化医疗决策模型的模型解释。
9、作为本专利技术所述基于数据拟合的消融仿真方法的一种优选方案,其中:所述数据集包括基础数据和消融数据,所述基础数据包括年龄、性别、疾病严重程度、既往病史、药物剂量和治疗效果,所述消融数据包括温度分布、病灶形态、消融时间、能量输送和损伤范围;
10、对所述数据集进行整理,所述整理的函数表达式如下所示:
11、ds={a,s,si,pmh,d,te,dot,lm,at,ed,dr};
12、式中,ds表示整理后的结果,a表示年龄,s表示性别,si表示疾病严重程度,pmh表示既往病史,d表示药物剂量,te表示治疗效果,dot表示温度分布,lm表示病灶形态,at表示消融时间,ed表示能量输送,dr表示损伤范围。
13、作为本专利技术所述基于数据拟合的消融仿真方法的一种优选方案,其中:所述病灶形态lm的表达式为lm=x:y;
14、式中,x表示病灶的长径,:表示比值计算,y表示病灶的短径;
15、所述能量输送ed的表达式为ed=k·(δdot+si·lm)·at;
16、式中,k表示能量源的功率,δdot表示异常细胞和正常细胞的温度差,si表示疾病严重程度,lm表示病灶形态,at表示消融时间。
17、作为本专利技术所述基于数据拟合的消融仿真方法的一种优选方案,其中:所述个体化医疗决策模型结合逻辑回归和卷积神经网络对所述数据集进行处理;
18、所述处理后得到一个输出的结果,所述输出的函数表达式如下所示:
19、
20、式中,tan(·)表示正弦激活函数,表示迭代优化的参数,β表示所述逻辑回归中的行向量,(·)t表示向量或者矩阵的转置,ds表示整理后的结果,i表示被调查者的个数,ν表示保证输出准确性的待求参数,表示卷积计算,τ表示卷积核的特征向量。
21、作为本专利技术所述基于数据拟合的消融仿真方法的一种优选方案,其中:利用损失函数补偿所述输出函数的损失,所述损失函数的表达式如下所示:
22、
23、式中,l表示所述输出函数的损失值,tan(·)表示正弦激活函数,表示迭代优化的参数,β表示所述逻辑回归中的行向量,(·)t表示向量或者矩阵的转置,ds表示整理后的结果,i表示被调查者的个数,ν表示保证输出准确性的待求参数,τ表示卷积核的特征向量。
24、作为本专利技术所述基于数据拟合的消融仿真方法的一种优选方案,其中:所述个体化医疗决策模型的决策规则如下所示:
25、若l≤0.5且7.3×1013≤ed≤1.2×1014,则标记第一特征;
26、若l≤0.5且4.5×1013<ed<7.3×1013,则标记第二特征;
27、若l>0.5且7.3×1013≤ed≤1.2×1014,则标记第三特征;
28、若l>0.5且4.5×1013<ed<7.3×1013,则标记第四特征;
29、其中,所述第一特征是指该调查者的所述疾病严重程度为疾病症状1级且消融手术对正常组织造成的所述损伤范围为等级一,被调查者没有术后副作用;所述第二特征是指该调查者的所述疾病严重程度为疾病症状3级且消融手术对正常组织造成的所述损伤范围为等级三,被调查者有术后副作用但影响正常行为;所述第三特征是指该调查者的所述疾病严重程度为疾病症状2级且消融手术对正常组织造成的所述损伤范围为等级二,被调查者有术后副作用但不影响正常行为;所述第四特征是指被调查者的所述疾病严重程度为疾病症状2级且消融手术对正常组织造成的所述损伤范围为等级三,被调查者有术后副作用但不影响正常行为。
30、作为本专利技术所述基于数据拟合的消融仿真方法的一种优选方案,其中:优化所述个体化医疗决策模型,利用梯度下降函数进行优化,所述梯度下降函数的计算公式如下所示:
31、
32、式中,β表示所述逻辑回归中的行向量,i表示被调查者的个数,τ表示卷积核的特征向量,σ表示梯度下降的学习率,表示梯度,l表示所述输出函数的损失值。
33、作为本专利技术所述基于数据拟合的消融仿真方法的一种优选方案,其中:所述学习率的自适应更新规则如下所示:
34、设置一个总的迭代次数和学习率开始更新时的迭代数值,若迭代次数大于等于设置的开始更新时的迭代数值,则σ=ρn%ξ/ε·γ+z/δn/ξ;
35、若迭代次数小于设置的开始更新时的迭代数值,则σ=ρn/ε·γ+z;
36、式中,σ表示梯度下降的学习率,本文档来自技高网...
【技术保护点】
1.一种基于数据拟合的消融仿真方法,其特征在于,包括:
2.如权利要求1所述的基于数据拟合的消融仿真方法,其特征在于:所述数据集包括基础数据和消融数据,所述基础数据包括年龄、性别、疾病严重程度、既往病史、药物剂量和治疗效果,所述消融数据包括温度分布、病灶形态、消融时间、能量输送和损伤范围;
3.如权利要求2所述的基于数据拟合的消融仿真方法,其特征在于:所述病灶形态lm的表达式为lm=x:y;
4.如权利要求3所述的基于数据拟合的消融仿真方法,其特征在于:所述个体化医疗决策模型结合逻辑回归和卷积神经网络对所述数据集进行处理;
5.如权利要求4所述的基于数据拟合的消融仿真方法,其特征在于:利用损失函数补偿所述输出函数的损失,所述损失函数的表达式如下所示:
6.如权利要求5所述的基于数据拟合的消融仿真方法,其特征在于:所述个体化医疗决策模型的决策规则如下所示:
7.如权利要求6所述的基于数据拟合的消融仿真方法,其特征在于:优化所述个体化医疗决策模型,利用梯度下降函数进行优化,所述梯度下降函数的计算公式如下所示:
...【技术特征摘要】
1.一种基于数据拟合的消融仿真方法,其特征在于,包括:
2.如权利要求1所述的基于数据拟合的消融仿真方法,其特征在于:所述数据集包括基础数据和消融数据,所述基础数据包括年龄、性别、疾病严重程度、既往病史、药物剂量和治疗效果,所述消融数据包括温度分布、病灶形态、消融时间、能量输送和损伤范围;
3.如权利要求2所述的基于数据拟合的消融仿真方法,其特征在于:所述病灶形态lm的表达式为lm=x:y;
4.如权利要求3所述的基于数据拟合的消融仿真方法,其特征在于:所述个体化医疗决策模型结合逻辑回归和卷积神经网络对所述数据集进行处理;
5.如权利要求4所述的基于数据拟合的消融仿真方法,其特征在于:利用损失函数补偿所述输出函数的损失,所述损失函数的表达式如下所示:
6.如权利要求5所述的基于数据拟合的消融仿真方法,其特征在于:所述个体化医疗决策...
【专利技术属性】
技术研发人员:蔡惠明,李长流,
申请(专利权)人:南京诺源医疗器械有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。