射波刀依赖胸部标记点提取体表特征,但存在信息提取不全及易丢失关键数据的问题。此外,呼吸引发的多结构耦合运动使不同胸腹区域的运动特征差异明显,从低相关区域提取特征易降低模型精度。为此,提出基于显著性分析的体表特征提取方法。...射波刀依赖胸部标记点提取体表特征,但存在信息提取不全及易丢失关键数据的问题。此外,呼吸引发的多结构耦合运动使不同胸腹区域的运动特征差异明显,从低相关区域提取特征易降低模型精度。为此,提出基于显著性分析的体表特征提取方法。首先,构建显著性评价函数,以区域三重属性量化显著性,并采用核主成分分析(kernel principal componentanalysis,KPCA)将3个属性值降维至单一显著性值,筛选与肿瘤运动高相关区域;随后,利用Octomap体素化处理目标区域,并借助局部线性嵌入(locally linear embedding,LLE)降维提取低维特征向量,以构建高精度体表-肿瘤运动关联模型。实验结果表明,相较于传统的标记点方法,该方法显著降低了关联误差,提升了模型的鲁棒性与预测精度。展开更多
文摘射波刀依赖胸部标记点提取体表特征,但存在信息提取不全及易丢失关键数据的问题。此外,呼吸引发的多结构耦合运动使不同胸腹区域的运动特征差异明显,从低相关区域提取特征易降低模型精度。为此,提出基于显著性分析的体表特征提取方法。首先,构建显著性评价函数,以区域三重属性量化显著性,并采用核主成分分析(kernel principal componentanalysis,KPCA)将3个属性值降维至单一显著性值,筛选与肿瘤运动高相关区域;随后,利用Octomap体素化处理目标区域,并借助局部线性嵌入(locally linear embedding,LLE)降维提取低维特征向量,以构建高精度体表-肿瘤运动关联模型。实验结果表明,相较于传统的标记点方法,该方法显著降低了关联误差,提升了模型的鲁棒性与预测精度。
