一种维持肿瘤放疗患者规律呼吸的系统的制作方法

1.本实用新型属于医疗设备技术领域，具体涉及一种维持肿瘤放疗患者规律呼吸的系统。


背景技术：

2.肺部恶性肿瘤致使患者常伴有呼吸功能不全，尤其随着为期近2个月的放射治疗疗程的推进，辐射损伤的累积会加剧患者呼吸规律紊乱风险，由此造成分次治疗时患者体位重复性较差，一定程度上影响治疗精度和治疗效果，甚至有脱靶风险。
3.针对上述问题，现有呼吸运动监测和管理的产品，从原理上主要区分为两大类：
4.(1)第一类主要原理是预先对肺部肿瘤患者进行呼吸训练，使其呼吸运动尽量控制在一个可控的范围内，然后把双标记rpm盒放在患者胸腹部位置，利用外部红外探测设备监测患者治疗过程中在三维方向的最大呼吸范围，如超过允许误差，则给直线加速器一个触发信号，迫使其中断照射，直至呼吸运动误差恢复到允许范围内。
5.(2)另一类产品主要采用自主屏气和自由呼吸技术，方法是给患者戴上呼吸面罩和可视化视频眼镜，设备可通过呼吸面罩获取患者呼吸运动规律，并通过视频眼镜传递给患者，通过前期模拟训练的患者，可以自主控制呼吸运行，从而在一定程度上保证治疗过程中的顺利进行。
6.现有两种类型呼吸监测设备的不足之处在于：
7.(1)第一种红外探测设备对双标记rpm盒的摆放位置、倾斜度，检查室灯光入射方向和灯光强度等因素比较敏感，直接影响患者呼吸波形各项参数指标，从而对治疗中断和精度造成较大影响。另，频繁和不规律的治疗中断，无疑延长了单个患者的治疗时间，增大临床治疗压力和治疗设备故障隐患。
8.(2)深吸气屏气治疗技术，对于呼吸功能不全的肺部肿瘤患者不太适用，尤其随着治疗流程的推进，将会加剧呼吸功能不全症状，从而直接影响后续治疗。
9.另外，上述两种辅助治疗设备比较昂贵，一般基层医院的放疗中心处于成本问题的考虑，不会选择配置。加之，上述技术对临床物理师和治疗师的经验和技术水平要求较高，牵涉到全流程质控等问题，限制了其在基层医院的推广应用。
10.以上方法均属于被动式监测，无法从根本上改善患者呼吸运动规律，有效规避偶发性呼吸不畅或咳嗽引起的治疗中断或位置偏差引起的辐射损伤。


技术实现要素：

11.本实用新型的目的在于，提供一种维持肿瘤放疗患者规律呼吸的系统，该系统可以在治疗前采集患者分次治疗数据，利用深度学习模型输出预期呼吸机工作模态和各项重要设置参数，从而指导患者当次治疗过程中的呼吸运动，维持患者呼吸运动规律，顺利完成全流程治疗周期，从根本上解决呼吸功能不全肺癌患者放射治疗精度和疗效问题。
12.为达到上述目的，本实用新型采用了如下的技术方案：
13.一种维持肿瘤放疗患者规律呼吸的系统，所述系统包括：
14.呼吸机、数据采集单元、深度学习单元；
15.所述呼吸机包括主控模块、无线或有线数据传输模块、电源管理模块和显示模块；
16.所述主控模块包括传感器数据采集模块、呼吸波形数据存储器以及初始参数设置模块；
17.数据采集单元包括呼吸面罩以及呼吸数据传感器；
18.呼吸面罩连接呼吸机的通气出口，呼吸数据传感器与传感器数据采集模块相连接，传感器数据采集模块与呼吸波形数据存储器通过数据传输连接，呼吸波形数据存储器通过无线或有线数据传输模块连接深度学习单元，深度学习单元还通过无线或有线数据传输模块连接初始参数设置模块；主控模块与电源管理模块和显示模块分别连接。
19.优选地，主控模块还包括peep控制模块，用于设置peep值。
20.优选地，所述深度学习单元包括深度学习服务器，该服务器中内嵌卷积网络模型及相关的网络加深、增强卷积模块功能的相关拓展模型。
21.本实用新型所采用的深度学习模型都是开源的，是可免费获取的资源，也可商业购买得到。
22.深度学习单元以及相关的深度学习服务器均可直接购买即可。
23.本实用新型在呼吸机中增加数据传输模块、存储模块和外置的深度学习模块，拓展了呼吸机在放疗这个临床应用环境中的应用。
24.数据传输模块和存储模块可采用商业购买得到。
25.一种维持肿瘤放疗患者规律呼吸的方法，所述方法包括以下步骤：
26.1)数据采集：
27.数据采集单元在定位模具制作、ct定位和分次放射治疗过程中采集肿瘤放疗患者的呼吸波形数据，将呼吸波形数据存储在呼吸波形数据存储器中，并定期转存至深度学习单元中，同时以肿瘤放疗患者为单位进行归类存储；
28.2)深度学习训练：
29.深度学习单元训练处理肿瘤放疗患者的呼吸波形数据，输出训练后的呼吸波形和量化后的呼吸机可识别的参数，作为呼吸机的初始设置，同时利用呼吸模拟测试设备对参数进行测试，对比呼吸机的输出波形与呼吸模拟测试设备的输出波形的差异，对深度学习模型进行深度优化，并得到深度学习优化后的呼吸机可识别的参数；
30.3)呼吸维持：
31.呼吸机依据深度学习优化后的呼吸机可识别的参数，辅助肿瘤放疗患者在放疗过程中的呼吸，并采集当次放疗过程中的呼吸波形数据并存储在深度学习单元中，作为下一次放射治疗的数据分析基础。
32.本实用新型中，所述呼吸波形数据是指以时间为横轴，呼吸数据为纵轴的，可以文本方式存储的呼吸波形数据，包括采样区间内的压力容积环、峰值压力、平台压力、呼气终末正压、气阻、顺应性、潮气量、总频率和自主频率。
33.本实用新型中，所述呼吸机可识别的参数，包括潮气量、目标压力、呼吸频率、吸呼比、呼气末压力、压力上升时间、氧浓度、触发压力、触发流速。
34.本实用新型中，所述呼吸模拟测试设备包括模拟肺。
35.本实用新型在肺部肿瘤患者放疗周期内，利用机器学习模型训练得到的波形数据和初始参数，对便携式呼吸机进行设置，以辅助放射治疗时患者的呼吸运动，保证患者呼吸运动在一个相对合理的幅度，避免由无节律呼吸引起患者位置误差，造成脱靶和正常肺组织或重要脏器受到额外照射。
36.技术方案主要分为三大部分，分别为：数据采集和传输至服务器，机器学习模型训练和训练结果传递至呼吸机完成初始化，治疗端应用呼吸机辅助患者完成治疗。
37.本实用新型利用机器学习方法解决适用于当次治疗时肺部肿瘤患者呼吸功能状态的呼吸机各项参数设置；解决呼吸机内置存储设备与计算网络通过有线和无线方式进行数据交互问题；优化辅助呼吸功能，提高其便携性；
38.本实用新型基于肺部肿瘤患者呼吸功能障碍和随着放疗进程推进可能引起的呼吸功能持续恶化的现实情况，利用肺部肿瘤患者在治疗周期内持续变化的呼吸规律波形数据，建立机器学习模型预测该波形的变化规律，从而动态设置呼吸机初始参数并在治疗过程中辅助患者把呼吸运动限制在一个合理的范围内，并一定程度上改善患者呼吸功能，保证其完成周期较长的放疗流程，最终实现肿瘤放疗精度和疗效的提高。
附图说明
39.图1为本实用新型系统的架构示意图；
40.图2为本实用新型方法的流程图。
具体实施方式
41.下面以附图和具体实施方式对本实用新型作进一步详细的说明。
42.实施例1
43.如图1所示，一种维持肿瘤放疗患者规律呼吸的系统，所述系统包括：
44.呼吸机、数据采集单元、深度学习单元；
45.所述呼吸机包括主控模块、无线或有线数据传输模块、电源管理模块和显示模块；
46.所述主控模块包括传感器数据采集模块、呼吸波形数据存储器以及初始参数设置模块；
47.数据采集单元包括呼吸面罩以及呼吸数据传感器；
48.呼吸面罩连接呼吸机的通气出口，呼吸数据传感器与传感器数据采集模块相连接，传感器数据采集模块与呼吸波形数据存储器通过数据传输连接，呼吸波形数据存储器通过无线或有线数据传输模块连接深度学习单元，深度学习单元还通过无线或有线数据传输模块连接初始参数设置模块；主控模块与电源管理模块和显示模块分别连接。
49.主控模块还包括peep控制模块，用于设置peep值。
50.所述深度学习单元包括深度学习服务器，该服务器中内嵌卷积网络模型及相关的网络加深、增强卷积模块功能的相关拓展模型。
51.如图2所示，一种维持肿瘤放疗患者规律呼吸的方法，所述方法包括以下步骤：
52.1)数据采集：
53.在定位模具制作、ct定位和分次放射治疗过程中采集肿瘤放疗患者的呼吸波形数据，将呼吸波形数据存储在控制模块的存储器中，并定期转存至深度学习单元中，同时以肿
瘤放疗患者为单位进行归类存储采集肿瘤放疗患者的呼吸波形数据，存储在内置存储设备中，并定期通过有线/无线的方式转存至模型训练服务器，以肿瘤放疗患者为单位进行归类存储；由此逐渐形成大量肺部肿瘤患者整个治疗周期内的呼吸波形数据。
54.其中，呼吸波形数据是指，以时间为横轴，呼吸数据为纵轴的，可以文本方式(可用记事本打开)存储的呼吸波形数据(采样区间内的压力流速潮气量波形，包括pv环，峰值压力，平台压力，peep，气阻，顺应性，潮气量，总频率，自主频率等数据)。文件头需包括患者基本信息(姓名、性别、年龄，以及与放疗相关影像数据关联的病历id或治疗id)、采集时间，数据采样率和缩放比等，以及当前呼吸机基本设置参数等。
55.2)构建深度学习模型：
56.采用深度学习模型处理模型训练服务器存储的肿瘤放疗患者的呼吸波形数据，输出训练后的呼吸波形和量化后的呼吸机可识别的参数，作为指导呼吸机辅助呼吸功能的初始设置，并利用呼吸模拟测试设备按照上述参数进行测试，对比呼吸机输出波形与模型输出波形的差异，对训练模型进行深度优化；
57.其中，深度学习模型：采用卷积网络(convolutional neural networks，cnn)模型及相关的网络加深、增强卷积模块功能的相关拓展模型进行机器学习。同时根据实际情况，加入患者三维定位ct图像，提取患者全肺、肿瘤病灶大小等影像学特征，参与模型搭建和优化工作。
58.呼吸机可识别参数，指影像便携式呼吸机支持通气功能的所有参数，如潮气量，目标压力，呼吸频率，吸呼比，呼气末压力，压力上升时间，氧浓度，触发压力，触发流速等。
59.呼吸模拟测试设备：一种用于模拟患者呼吸运动的设备，如模拟肺(test lung)。目的是生成一组模拟的呼吸波形，用于测试整个系统的稳定性与可靠性。
60.比如，imt analytics模拟肺产品为准确可靠地测试呼吸机和麻醉机的功能和精度提供了一种简单而且高效的方法。由于其强大的适配性，这些模拟肺产品非常适合作为训练的一部分来模拟不同的通气类型。例如，用于模拟由于意外泄漏引起的通气不足，或者用于测试早产儿呼吸机的准确性。
61.呼吸机输出波形与模型输出波形指的是模拟肺生成的实际呼吸波形，和该波形数据经过深度学习网络输出呼吸机相应设置参数，并在该参数集(所有初始参数设置的组合)的干预下，呼吸机输出端产生的波形数据(预测波形数据)。
62.两种类型波形数据可用于整个系统的稳定性与可靠性以及深度学习模型精度测试和调试(深度学习模型的调参)。
63.3)维持肿瘤放疗患者规律呼吸：
64.患者实际治疗时，依然按照上述步骤在各个环节采集患者呼吸波形数据，用于上述模型的训练和验证，进一步优化网络结构和相关权重。在治疗环节，患者戴上呼吸面罩，连接便携式呼吸机，按照模型训练得到的参数进行设置，在整个治疗过程中辅助患者呼吸，并搜集当次治疗的呼吸波形数据并存储在模型训练服务器，作为下一次放射治疗的数据分析基础。
65.其中，患者在实际治疗时，需要利用呼吸机辅助患者调节呼吸运动。此处牵涉到以下几点：
66.1、每次治疗前，利用具有数据采集和传输功能的呼吸机采集治疗前的呼吸波形数
据(一个特定时间段，如平静呼吸状态，采集5～10分钟)。
67.该过程形成了两组数据：
①
治疗前的呼吸波形数据集(5～10分钟)
②
呼吸机初始设置参数集；
68.2、将该数据传输至(有线/无线皆可)机器深度学习服务器，输出呼吸机所需初始设置参数(适合当前条件下患者的呼吸状态)，在当次治疗时，辅助患者完成整个治疗期间的呼吸运动，维持其节律呼吸，避免大的呼吸波动导致的误照射(避免额外放射损伤)；该过程生成一组数据：治疗期间的患者呼吸波形数据集。
69.治疗前的呼吸波形数据集、呼吸机初始设置参数集和治疗期间的患者呼吸波形数据集，这三组数据可以作为深度学习模型进一步训练和测试(验证)，优化主要是指网络结构优化和相关权重的调节，测试是指预测精度的测试。
70.本实用新型未详细说明的内容均可采用本领域的常规技术知识。
71.最后所应说明的是，以上实施例仅用以说明本实用新型的技术方案而非限制。尽管参照实施例对本实用新型进行了详细说明，本领域的普通技术人员应该理解，对本实用新型的技术方案进行修改或者等同替换，都不脱离本实用新型技术方案的精神和范围，其均应涵盖在本实用新型的权利要求范围当中。