买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆大学申请的专利一种面向胸腹部放疗的实时呼吸运动预测与补偿方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120094111B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510427713.4，技术领域涉及：A61N5/10；该发明授权一种面向胸腹部放疗的实时呼吸运动预测与补偿方法是由夏凡童;王颖;隋江东;张欣;廖芷芸;李丹;周柳设计研发完成，并于2025-04-07向国家知识产权局提交的专利申请。

本一种面向胸腹部放疗的实时呼吸运动预测与补偿方法在说明书摘要公布了：本发明公开一种面向胸腹部放疗的实时呼吸运动预测与补偿方法，包括呼吸信号采集模块、呼吸运动预测模块、体表标记点位置监测模块、体表标记点位移预测模块、体表标记点坐标转换模块、肿瘤靶区中心点预测模块、肿瘤靶区可视化模块；本发明公开了一种基于因果卷积网络的呼吸运动预测系统，本发明通过实时采集患者的呼吸波形信号和体表标记点运动轨迹，提取周期性运动模式，预测未来0.5‑2秒的肿瘤靶区三维位移量，实现未来肿瘤靶区位置的精准预测。

本发明授权一种面向胸腹部放疗的实时呼吸运动预测与补偿方法在权利要求书中公布了：1.一种面向胸腹部放疗的实时呼吸运动预测与补偿方法，其特征在于，通过实时呼吸运动预测与补偿系统实现实时呼吸运动预测； 所述实时呼吸运动预测与补偿系统包括呼吸信号采集模块、呼吸运动预测模块、体表标记点位置监测模块、体表标记点位移预测模块、体表标记点坐标转换模块、肿瘤靶区中心点预测模块、肿瘤靶区可视化模块； 实现实时呼吸运动预测的步骤包括： 1所述呼吸信号采集模块采集治疗床上患者实时呼吸信号At，并传输至呼吸运动预测模块； 2所述呼吸运动预测模块存储有基于LSTM网络的呼吸运动预测模型； 所述呼吸运动预测模块基于患者实时呼吸信号At和过去T0时段的呼吸信号，构建呼吸信号序列然后将呼吸信号序列A输入至呼吸运动预测模型，得到未来T1时段的呼吸信号序列以及呼吸状态；所述呼吸状态为呼气或吸气； 所述呼吸运动预测模块将未来T1时段的呼吸信号序列和呼吸状态传输至体表标记点位移预测模块，将呼吸状态传输至肿瘤靶区中心点预测模块； 3所述体表标记点位置监测模块获取体表标记点的实时三维世界坐标Xt,Yt,Zt，并传输至体表标记点位移预测模块； 所述体表标记点位移预测模块存储有体表标记点预测模型； 所述体表标记点位移预测模块将患者在未来T1时段的呼吸信号序列和呼吸状态输入至体表标记点位移预测模型，得到在未来T1时段的三维位移变化量序列d＝{dx1,dy1,dz1,dx2,dy2,dz2,...,dxn-1,dyn-1,dzn-1}，并根据三维位移变化量序列d确定在未来T1时刻的体表标记点三维位移变化量 4所述体表标记点位移预测模块结合体表标记点的实时三维世界坐标和三维位移变化量dx,dy,dz和三维位移变化量序列d，确定未来第T1时刻体表标记点的三维世界坐标以及在未来T1时段的体表标记点的三维世界坐标序列，从而构建体表标记点三维世界坐标预测序列F，即： 5所述体表标记点坐标转换模块存储有相机内参矩阵、外参矩阵；所述外参矩阵包括旋转矩阵和平移向量； 所述体表标记点坐标转换模块基于相机内参矩阵、外参矩阵，将体表标记点三维世界坐标预测序列F转换为未来T1时段的体表标记点图像坐标序列F'，并传输至肿瘤靶区中心点预测模块； 未来T1时段的体表标记点图像坐标序列F'如下所示： 式中，u、v为图像坐标；s为体表标记点深度信息； 6所述肿瘤靶区中心点预测模块存储有不同呼吸状态下的肿瘤靶区中心点预测模型； 所述肿瘤靶区中心点预测模块根据患者呼吸状态调用对应的肿瘤靶区中心点预测模型，并利用调用的肿瘤靶区中心点预测模型对未来T1时段的体表标记点图像坐标序列F'进行处理，得到未来第T1时刻肿瘤靶区中心点预测图像坐标Qx,Qy,Qz；Qz为肿瘤靶区中心点深度信息； 7所述肿瘤靶区可视化模块将未来第T1时刻肿瘤靶区中心点预测图像坐标Qx,Qy,Qz可视化； 8T1时间后，获取未来T1时段的实际呼吸信号序列未来T1时段的实际三维位移变化量序列d'＝{dx1',dy1',dz1',dx2',dy2',dz2',...,dxn-1',dyn-1',dzn-1'}、未来第T1时刻体表标记点三维世界坐标未来第T1时刻体表标记点图像坐标未来第T1时刻肿瘤靶区中心点预测图像坐标Qx,Qy,Qz； 然后利用实际呼吸信号序列对基于LSTM网络的呼吸运动预测模型进行在线更新； 利用实际呼吸信号序列和实际三维位移变化量序列d'＝{dx1',dy1',dz1',dx2',dy2',dz2',...,dxn-1',dyn-1',dzn-1'}对体表标记点位移预测模型进行在线更新； 利用未来第T1时刻体表标记点三维世界坐标未来第T1时刻体表标记点图像坐标对相机外参矩阵进行在线更新； 利用未来第T1时刻体表标记点图像坐标未来第T1时刻肿瘤靶区中心点预测图像坐标Qx,Qy,Qz对肿瘤靶区中心点预测模型进行在线更新； 所述体表标记点预测模型的构建步骤如下： a1监测患者在Tmax时间内的呼吸信号，并按照预设步长Δt将呼吸信号划分为多个时长T1的呼吸信号序列，并构建呼吸波动矩阵B，即： 式中，为呼吸波动的起始、终止时间；为呼吸波动对应的呼吸状态；呼吸信号序列 在每个呼吸波动的起始、终止时刻，利用体表标记点位置监测模块获取体表标记点的实时三维世界坐标X,Y,Z，并确定每个呼吸信号序列对应的三维位移变化量序列D＝{Dx1,Dy1,Dz1,Dx2,Dy2,Dz2,...,Dxn-1,Dyn-1,Dzn-1}； a2重复步骤a1，获取多组呼吸波动-三维位移变化量样本对，从而构建呼吸波动-三维位移变化量训练样本集C，即： 式中，为呼吸信号序列；为呼吸状态；DEG＝{DEGx1,DEGy1,DEGz1,DEGx2,DEGy2,DEGz2,...,DEGxn-1,DEGyn-1,DEGzn-1}为呼吸信号序列对应的体表标记点三维位移变化量序列； a3构建基于LSTM和TCN的混合网络模型，包括输入层、TCN模块、双向LSTM模块、多头注意力机制模块和输出层； 所述输入层以呼吸信号序列作为输入； 所述TCN模块包括至少四层堆叠的空洞因果卷积层，用于提取呼吸波动的局部形态特征与周期性特征； 所述双向LSTM模块包括两层堆叠的LSTM层，用于构建呼吸信号与体表标记点三维位移变化量的依赖关系； 所述多头注意力机制模块用于强化呼吸峰、谷对体表标记点三维位移变化量的影响权重； 所述多头注意力机制MultiHeadQ,K,V如下所示： MultiHeadQ,K,V＝Concathead1,...,headh5 headi＝AttentionQWiQ,KWiK,VWiV6 式中，Q、K、V分别表示查询矩阵、键矩阵、值矩阵；为缩放因子；W、W、W表示投影矩阵；AttentionQ,K,V表示注意力权重；上标T表示转置；head表示第i个注意力计算单元； 所述输出层用于输出体表标记点三维位移变化量序列； a4利用呼吸波动-三维位移变化量训练样本集C对基于LSTM和TCN的混合网络模型进行训练和验证，得到体表标记点预测模型； 所述体表标记点坐标转换模块将未来时刻体表标记点的三维世界坐标转换为未来时刻体表标记点图像坐标的步骤包括： b1将三维世界坐标转换为相机坐标，即： 式中，为相机坐标；R、R为旋转矩阵和平移向量； 其中，旋转矩阵R如下所示： b2将相机坐标转换为图像坐标即： 式中，深度信息 其中，内参矩阵K如下所示： 式中，fx、fy为焦距；cx、cy为图像中心点坐标； 肿瘤靶区中心点预测模型的构建步骤如下： c1在相同呼吸状态下，获取在T1时段体表标记点及体内肿瘤靶区图像； c2提取T1时段体表标记点的图像坐标序列以及第T1时刻体内肿瘤靶区中心点的图像坐标，并构建映射关系； c3重复步骤c1-步骤c2，从而得到肿瘤靶区中心点预测训练样本集M，即： 式中，为体表标记点图像坐标；为体表标记点深度信息；M2mx,M2my为体内肿瘤靶区中心点图像坐标；M2mz为体内肿瘤靶区中心点深度信息；M1m为体表标记点图像坐标序列； c3构建因果卷积神经网络模型，包括多个扩张因果卷积层、多个残差块、门控激活层、跳跃连接层和输出层； 其中，扩张因果卷积层用于提取T1时段体表标记点的图像坐标序列特征； 在时间步t下，扩张因果卷积层的输出如下所示： 式中，ωl为卷积核的权重；d为扩张因子；L为扩张因果卷积层的层数；xt-d·l为扩张因果卷积层的输入； 残差块的输出如下所示： E'＝w2σw1x'+w3x'14 式中，E'为残差块的输出；x'为与当前所述残差块邻接的上一卷积层的输出；w1、w2为残差块参数；σ为ReLU激活函数；w3为线性变换函数，用于确保相邻两个残差块的维度一致； 所述跳跃连接层将不同层的信息传输至输出层； 所述输出层用于输出第T1时刻体内肿瘤靶区中心点的图像坐标； c4利用肿瘤靶区中心点预测训练样本集对双向因果卷积模型进行训练，得到肿瘤靶区中心点预测模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。