[发明专利]一种基于支持向量回归的热消融模型数据处理方法

说明书

一种基于支持向量回归的热消融模型数据处理方法，涉及支持向量机领域。其包括数据集训练获取模块、图像数据差值处理模块、样本选取模块、分类模型生产模块以及数据识别模块；其中，数据集训练获取模块用于获取数据样本训练集，数据样本训练集中包含有多个类别的数据样本集合，每个类别的数据样本集合中包含多个数据样本；图像数据差值处理模块用于对数据训练集中的图像数据进行插值计算处理；样本选取模块用于选取同类样本和异类样本；分类模型生产模块用于对于差样本对集合采用支持向量机训练得到相似性判断模型，并根据相似性判断模型得到分类模型；数据识别模块包括待识别数据样本获取单元，用于获取待识别数据样本。

技术领域

本发明涉及支持向量机领域，尤其涉及一种基于支持向量回归的热消融模型数据处理方法。

背景技术

目前射频消融治疗脊柱肿瘤的方法已经得到临床的认可，但基于脊柱肿瘤的多样性和不规则性，治疗参量(电压和时间)的设置是目前的难点和重点。在手术决策过程中，凭借临床多年的经验，根据脊柱肿瘤的大小和形状进行粗略判断治疗的电压和时间。此方法的应用虽然具有一定的效果，但具有很大隐患和不稳定性，不仅会引起消融过度或者未完全消融等问题，甚至会过度损害正常组织。因此为了减少人为误差和不安全的因素，大量的离体实验或数值仿真的数据可以更准确地为临床实践提供参考数据，从而保证设置射频消融电压和时间的科学性，确保术前手术决策的正确性。

由于射频消融脊柱肿瘤的离体实验具有一定的难度，因而本研究采用数值仿真的方式模拟其过程，并计算其消融区域的结果，分析讨论温度场的特征，为临床实践提供参考依据。

支持向量机是在统计学习理论的基础上发展起来的一种新的机器学习方法，它是建立在统计学习理论的VC维理论和结构风险最小化原则上的，避免了局部极小点，并能有效地解决过学习问题，具有良好的推广性能和较好的分类精确性。支持向量机在解决小样本、非线性及高维模式识别问题中表现出的许多特有的优势，使它成为一种优秀的机器学习算法。支持向量机目前已经广泛地应用于模式识别、回归估计、概率密度估计等各个领域。不仅如此,支持向量机的出现推动了基于核的学习方法(Kernel-basedLearningMethods)的迅速发展,该方法使得研究人员能够高效地分析非线性关系,而这种高效率原先只有线性算法才能得到。

射频消融的数值仿真过程，根据电极结构的不同仿真分为两类：单极电极和多子针电极的数值仿真。

数值仿真过程主要研究了不同电压和时间下的温度场特性。同时根据温度场的分布，选择脊柱肿瘤的消融区域，并计算消融区域的横径、纵径、深度、体积和最小半径。

1.1单电极的数值仿真

本研究采用单极电极进行射频消融的数值仿真。研究表明，射频消融治疗脊柱肿瘤的电压范围在5-30V之间，消融时间需高于1min，通常为2-20min。但由于射频消融的过程中，若中心的最高温度高于120℃，可致组织过度碳化并损害电极；而脊柱肿瘤完全灭活的最低温度为54℃，因此本研究可根据最高温度和最低温度的限制选择了更适合的治疗参量。从图中可直观看到，当消融时间为20min时，电压为5V，其最高温度为46.1℃；电压为7V，其最高温度为54.9℃。因此电压的数值应该高于7V才可达到肿瘤灭活的最低温度。因此本研究的电压范围为应高于8V，消融时间的范围是2-20min。

根据图3所示，单极电极下的消融区域呈现为类椭球形或类球形，因而为更好的描述消融区域的特征，本研究对其横径、纵径、深度和体积进行了测量和计算，具体参数如图3所示。

1.2不同电压下的温度场分布