基于HLA和移动代理的负载平衡控制技术探讨

随着仿真技术的发展、仿真系统规模的不断扩大,基于HLA的仿真系统的负载平衡面临严峻的考验,如何保证仿真试验高效平稳的运行成为当前急需解决的一个问题。移动代理(Agent)已经被证明在平衡负载方面卓有成效。文中将移动Agent引入基于HLA的仿真系统中,主要从动态迁移方面,探讨较合理的仿真控制技术,控制负载平衡的实现过程,最终达到保证仿真运行速率的目的。根据每个仿真试验的不同情况,设置合理的迁移策略,才能提高负载平衡的效果。

CT图像层间插值方法的深入分析验证

目的:通过CT图像层间插值的方法提高图像质量,从而保证放疗中患者摆位验证的精度。方法:采用基于深度卷积神经网络(DCNN)算法,利用图像层间的关联信息重建中间层图像。应用卷积层、膨胀卷积层、池化层和上采样层交织的端到端的神经网络对CT图像进行处理。由于头颈部和胸腹盆部的结构差异,分别采用70例头颈部和75例胸腹盆部患者的图像数据进行训练,建立不同的头颈部和胸腹盆部模型。采用留一交叉验证的方法验证模型,将DCNN与线性插值和生成对抗网络(GAN)的性能进行比较。结果:头颈部患者中,DCNN的平均绝对误差(MAE)为36 HU,优于线性插值和GAN的62 HU和50 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,超过线性插值和GAN的0.88和0.91;胸腹盆部位患者中,DCNN的MAE为29 HU,优于线性插值和GAN的47 HU和34 HU。除此之外,骨骼的DSC为0.94,同样超过线性插值和GAN的0.87和0.91。结论:与线性插值和GAN相比,DCNN算法在重建薄层CT图像方面具有更高的精度;其显著减少了插值伪影、图像失真和锯齿效应,从而提高了放疗患者摆位验证的精度。

基于深度卷积神经网络的CT图像层间插值方法的初步研究

目的:研究一种基于CT图像层间插值的方法,用于放射治疗过程中的患者摆位验证,从而提高放疗精度。方法:采用一种基于3D卷积和膨胀卷积神经网络(3D CNN-DCNN)算法,利用相邻图像层之间的关联信息重建中间层图像。采用U-Net网络架构,通过编码部分的卷积层、膨胀卷积层、池化层和解码部分的上采样层、卷积层、膨胀卷积层,对CT进行端到端的学习。采集20例患者图像数据,采用留一交叉验证的方法训练验证模型,分别对神经网络和线性插值的预测CT与原始薄层CT进行对照比较。结果:3D CNN-DCNN的平均绝对误差(MAE)为34 HU,远小于线性插值的55 HU。除此之外,骨骼的Dice相似系数(DSC)为0.95,大于线性插值方法的0.89。结论:与传统线性插值方法相比,3D CNN-DCNN算法可以更准确的重建薄层CT,明显改善了插值伪影、图像失真和锯齿状现象。

一种用于肺部图像引导放射治疗的双能X射线透视成像方法

目的研究一种双能X线透视成像方法,采集呼吸周期高低能X线图像序列,通过改进双能减影算法获取软组织减影图像,以提高在图像引导放射治疗中无标记肺部肿瘤运动跟踪的肿瘤可视度。方法采用具有C臂旋转结构和高低能快速切换采图机制的双能X线透视成像系统,分别在4个投影方向实时采集呼吸周期9或10个时相的高低能图像对序列。通过优化加权对数减影算法,对去除同一时相高低能图像对中的骨骼,得到软组织减影图。双能减影算法采用CNR作为图像质量评价参数,自动获取最佳软组织减影图像。采集和分析20例患者数据,评价软组织减影图像中肿瘤可视度的提高程度。结果分别在0°、45°、90°和135°投影方向采集198、196、198、和198个高低能图像对,肿瘤可视图像分别为198、38、69和49对。所获软组织减影图像中,肿瘤可视图像分别为198、108、149和159幅。结论本研究提出的双能X线透视成像方法可显著提高肺部肿瘤的可视度。

基于双能X射线透视成像的肺部肿瘤运动跟踪方法及临床评价

目的:利用双能X射线透视成像技术,通过呼吸周期内高低能运动图像序列对软组织剪影图像配准,提供一种无需金属标记的肺部肿瘤呼吸运动跟踪方法。方法:以肺部肿瘤患者的高低能X射线透视图像为研究对象,通过自动双能减影算法获得软组织减影图像,然后采用本研究提出的一种结合自适应参考图像选择和归一化互信息匹配的肿瘤运动跟踪算法,计算肿瘤呼吸运动轨迹和运动幅度。采集并分析19例肺癌患者的临床数据,以人工测量结果为参考基准,评价肿瘤运动跟踪算法的准确性。结果:19例病例分析结果显示,运动跟踪算法计算获得的肿瘤呼吸运动轨迹和运动幅度,与人工测量方法获得的结果具有很好的一致性。对大部分病例,头脚方向运动幅度明显大于左右和腹背方向运动幅度,位于肺下半部分肿瘤的运动幅度明显大于位于肺中上部肿瘤。结论:无需金属标记的肿瘤运动跟踪算法,利用双能减影软组织图像,直接对肿瘤进行图像配准,能够较准确地跟踪肺部肿瘤呼吸运动。

基于单片机的程控电压输出装置

在工业控制中,常常需要可定时的0~10 V电压信号来控制设备。因此,需要设计一种可程控、安全性高、准确性高的电压输出装置。文中以STC12C5A60S2单片机为主控芯片,通过485接口实现主控芯片与上位机的命令交互。利用单片机的定时器实现定时功能,结合DAC8562数模转换芯片,输出两路0~2.5 V的电压,并通过OPA277放大芯片实现4倍放大,从而实现0~10 V的电压。为了实现安全性,通过BL1551模拟开关,选择DAC8562中最接近理论电压的通道输出到OPA277实现放大,最后通过继电器模块输出电压。通过比较10组理论电压与实际电压,得出0~10 V的电压输出平均误差为0.016 V,通过比较10组理论定时时间和实际定时时间,得出定时的平均误差为7.4 ms,满足工业设备远程控制的要求。

基于自适应神经模糊推理系统的呼吸预测算法研究

目的 研究一种对非规则呼吸运动更精确的预测算法，更有效地补偿放疗系统的时间延迟，提高胸腹部肿瘤图像引导跟踪或门控放射治疗的靶点精度。 方法 提出了一种基于自适应神经模糊推理系统（ANFIS）的对非规则呼吸运动的预测算法。该ANFIS模型结构利用呼吸运动的位置和速度作为输入参数，构造一个结合位置和速度的N×N模糊集，并通过历史数据建立训练集。在预测过程中，如最新输入信号的位置或速度超出当前训练集的幅度范围，则对位置或速度进行相应的幅度调整，然后作为ANFIS模型的输入参数进行预测。本研究采集了20例CyberKnife治疗的胸腹部患者的非规则呼吸临床数据，通过回顾性离线分析，对ANFIS、神经网络（NN）、支持向量机（SVM）、CyberKnife系统的Synchrony呼吸同步追踪系统这4种典型预测算法精度进行对照比较。 结果 比较4种预测算法对20例患者数据的结果，证实笔者提出的ANFIS算法预测结果的归一化均方根误差（nRMSE）、最大误差（Max）、大于1 mm误差个数均小于NN、SVM和Synchrony。 结论 ANFIS预测算法的精确性和鲁棒性均优于其他3种算法，能更好地预测非规则呼吸信号。