相空间时序吸引子分布驱动心血管病灶跟踪方法

本公开实施例涉及辅助医疗智能化，尤其涉及一种相空间时序吸引子分布驱动心血管病灶跟踪方法及系统。背景技术：1、目前在肿瘤的临床治疗中，放疗因适应症比较宽泛，选择性较大，大多数恶性肿瘤患者在其治疗的某个阶段都需要接受放疗。放射治疗可以最大限度地将放射剂量集中到病灶区（靶区）内以杀灭肿瘤细胞。而心血管靶区不同于其他实体静态病灶，其是动态变化的，因此放射治疗的前提是需要准确预测心血管病灶运动轨迹。相关技术中提出的预测心血管病灶运动轨迹的方案，仅考虑了心血管靶区是动态变化的因素，忽略了心脏病灶如心血管靶区的运动实际受心脏和肺部双重驱动的特点，这导致预测的心血管病灶运动轨迹的准确性依然不高。技术实现思路1、为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种相空间时序吸引子分布驱动心血管病灶跟踪方法及系统。2、第一方面，本公开实施例提供了一种相空间时序吸引子分布驱动心血管病灶跟踪方法，包括：3、获取患者的心血管病灶区相关的术中心肺状态检测数据，所述术中心肺状态检测数据包括多个不同类型的数据；4、将所述术中心肺状态检测数据输入病灶跟踪模型，以得到心血管病灶区的预测运动轨迹；其中，所述病灶跟踪模型是基于训练数据对目标机器学习模型训练得到的，所述训练数据包括历史病患的心肺状态多模态数据，所述心肺状态多模态数据是时序数据，所述目标机器学习模型的训练过程包括：通过对所述心肺状态多模态数据进行相空间重构、相空间流形学习，获得所述心肺状态多模态数据在相空间分布流形，利用所述训练数据的时序信息在分布流形上求解时序演化方向分布场，基于所述时序演化方向分布场、所述相空间分布流形和对所述训练数据标注得到的病灶运动标注信息共同训练所述目标机器学习模型以得到病灶跟踪模型。5、在一个实施例中，所述心肺状态多模态数据包括术中心肺状态多模态数据和术前心肺状态多模态数据；所述目标机器学习模型的训练过程包括：6、分别构建所述术中心肺状态多模态数据和术前心肺状态多模态数据各自对应的术中心肺状态数据张量和术前心肺状态数据张量；将所述术中心肺状态数据张量和术前心肺状态数据张量投影至共享特征空间；基于投影后的所述术前心肺状态数据张量对应的特征信息确定所述术中心肺状态数据张量的维度缺失信息，基于所述维度缺失信息补全所述术中心肺状态数据张量得到维度补全张量，基于所述维度补全张量进行相空间重构及相空间流形学习。7、在一个实施例中，所述利用所述训练数据的时序信息在分布流形上求解时序演化方向分布场，基于所述时序演化方向分布场、所述相空间分布流形和对所述训练数据标注得到的病灶运动标注信息共同训练所述目标机器学习模型，包括：8、先验编码器基于时序演化方向分布场、相空间分布流形生成所述训练数据对应的第一轨迹相关编码特征和第一轨迹无关编码特征；9、后验编码器基于病灶运动标注信息生成所述训练数据对应的第二轨迹相关编码特征和第二轨迹无关编码特征；10、构建所述目标机器学习模型训练收敛时的约束条件，所述约束条件包括编码相似约束条件，其包括：所述先验编码器生成的第一轨迹相关编码特征和第一轨迹无关编码特征与所述后验编码器生成的第二轨迹相关编码特征和第二轨迹无关编码特征的相似度小于或等于预设相似度；11、基于所述第一轨迹相关编码特征、所述第二轨迹相关编码特征以及所述约束条件迭代更新所述目标机器学习模型直至收敛。12、在一个实施例中，所述约束条件还包括以下一项或多项：13、分布/标注独立约束条件，即所述第一轨迹无关编码特征和第二轨迹无关编码特征关于心肺状态多模态数据的病灶运动轨迹标注信息的条件分布之间的交叉熵小于预设值；14、标注监督约束条件，包括：所述目标机器学习模型基于目标相关特征生成输出的预测轨迹与真实标注轨迹的差值小于指定值；所述目标相关特征包括所述第一轨迹相关编码特征和第二轨迹相关编码特征；15、数据重构误差约束条件，包括：由所述目标相关特征和目标无关特征解码重构的数据与对应编码前的数据的误差小于预设误差值；其中，所述目标无关特征包括所述第一轨迹无关编码特征和第二轨迹无关编码特征。16、在一个实施例中，所述对所述心肺状态多模态数据进行相空间重构，包括：针对所述心肺状态多模态数据，通过迭代求解方法逐步优化时序嵌入维度与延迟间隔，直至嵌入维度与延迟间隔满足对应设定阈值时完成相空间重构。17、在一个实施例中，所述获得所述心肺状态多模态数据在相空间分布流形，包括：获得所述心肺状态多模态数据在相空间运动轨迹分布信息；基于所述相空间运动轨迹分布信息建立相空间分布流形。18、在一个实施例中，所述术中心肺状态检测数据包括超声图像、呼吸波形数据、心电图数据、x光射线图像和ct图像；所述心肺状态多模态数据包括依序多个时刻的超声图像、呼吸波形数据、心电图数据、x光射线图像和ct图像。19、第二方面，本公开实施例提供一种相空间时序吸引子分布驱动心血管病灶跟踪系统，包括：20、数据获取模块，用于获取患者的心血管病灶区相关的术中心肺状态检测数据，所述术中心肺状态检测数据包括多个不同类型的数据；21、轨迹预测模块，用于将所述术中心肺状态检测数据输入病灶跟踪模型，以得到心血管病灶区的预测运动轨迹；其中，所述病灶跟踪模型是基于训练数据对目标机器学习模型训练得到的，所述训练数据包括历史病患的心肺状态多模态数据，所述心肺状态多模态数据是时序数据，所述目标机器学习模型的训练过程包括：通过对所述心肺状态多模态数据进行相空间重构、相空间流形学习，获得所述心肺状态多模态数据在相空间分布流形，利用所述训练数据的时序信息在分布流形上求解时序演化方向分布场，基于所述时序演化方向分布场、所述相空间分布流形和对所述训练数据标注得到的病灶运动标注信息共同训练所述目标机器学习模型以得到病灶跟踪模型。22、第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述相空间时序吸引子分布驱动心血管病灶跟踪方法。23、第四方面，本公开实施例提供一种电子设备，包括：24、处理器；以及25、存储器，用于存储计算机程序；26、其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述相空间时序吸引子分布驱动心血管病灶跟踪方法。27、本公开实施例提供的技术方案与现有技术相比具有如下优点：28、本公开实施例提供的相空间时序吸引子分布驱动心血管病灶跟踪方法及系统，获取患者的心血管病灶区相关的术中心肺状态检测数据，所述术中心肺状态检测数据包括多个不同类型的数据；将所述术中心肺状态检测数据输入病灶跟踪模型，以得到心血管病灶区的预测运动轨迹；其中病灶跟踪模型是基于训练数据对目标机器学习模型训练得到的，所述训练数据包括历史病患的心肺状态多模态数据，所述心肺状态多模态数据是时序数据，所述目标机器学习模型的训练过程包括：通过对所述心肺状态多模态数据进行相空间重构、相空间流形学习，获得所述心肺状态多模态数据在相空间分布流形，利用所述训练数据的时序信息在分布流形上求解时序演化方向分布场，基于所述时序演化方向分布场、所述相空间分布流形和对所述训练数据标注得到的病灶运动标注信息共同训练所述目标机器学习模型以得到病灶跟踪模型。这样，本实施例的方案中，模型训练时考虑心肺系统双重驱动下病灶运动的特性，采用历史病患的心肺状态多模态数据进行相空间重构及相空间流形学习方法训练建立病灶运动分析模型即病灶跟踪模型，其基于心血管动力学系统的相空间分布流形学习在相空间有效描述多模态数据流形，可准确挖掘心肺状态多模态数据即时序数据序列中隐含的动态信息如时空特征信息，从而获得病灶运动的精细模式信息，也即获得对病灶运动的精准描述，进而可以据此病灶跟踪模型准确地预测心血管病灶运动轨迹，提高患者放射治疗的安全性。