基于顺序嵌入结合关联嵌入的呼吸运动预测

目的提出一个深度学习模型实现呼吸运动各个方向一体化的建模预测。方法将不同方向的呼吸运动信号分别输入由LSTM组成的顺序嵌入层去捕获历史运动状态的顺序依赖，得到顺序嵌入表示。顺序嵌入表示通过自注意力机制实现各个方向的关联嵌入，得到关联嵌入表示。将顺序嵌入表示和关联嵌入表示进行拼接输入由全连接神经网络组成的预测层生成非线性预测分量，并于平行于上述结构的自回归模块生成的线性预测分量相加生成最终的预测。模型的训练采用“预训练+微调”的模式。在我们的实验中，304例呼吸运动轨迹被使用进行模型预训练，7例测评样本被使用进行模型的测试。结果所提出预测模型相比于其他比较方法取得更准确的预测效果，在7例测评样本不同延迟时间上的3D方向绝对偏差减小平均达70%以上。结论提出模型在解决精准放疗过程中的系统延迟问题有很大的应用价值，能提供精准的位置预测。