放療中腫瘤運動基于實時跟蹤呼吸預(yù)測的算法研究.pdf

1、放射治療是治療惡性腫瘤的主要手段之一，中國70％上的癌癥患者采用過放射治療。多年來，立體定向放射外科(SRS)、三維適形放療（3D-CRT）、逆向計劃調(diào)強照射（IMRT）以及圖像引導(dǎo)放射治療（IGRT）已經(jīng)得到發(fā)展和應(yīng)用，為腫瘤患者帶來了福音。不過，放療過程中主要由呼吸引起的胸腹部器官運動，可能會使目標腫瘤逸出而腫瘤周圍的正常組織進入計劃靶區(qū)，從而極大的影響了調(diào)強適形放療的效率，增大了發(fā)生并發(fā)癥的概率。目前臨床上對胸腹部腫瘤的常規(guī)放療手

2、段是放大計劃靶區(qū)(PTV)，即把運動幅度劃入計劃靶區(qū)，從而保證放療過程中臨床靶區(qū)(CTV)始終處于PTV內(nèi)部。然而，這意味著會使腫瘤周圍更多的正常組織進入射野，且總放射劑量隨靶區(qū)直徑增大而呈指數(shù)級增大。因此，如何補償呼吸引起的腫瘤運動所造成的誤差已經(jīng)成為實現(xiàn)對胸腹部腫瘤進行精確放射治療不可回避的最大難題。
　　目前國內(nèi)外已經(jīng)提出不少方法來解決放療中呼吸引起的腫瘤運動問題，主要有屏氣技術(shù)或腹部壓縮、呼吸門控技術(shù)、四維放療技術(shù)和實時跟

3、蹤技術(shù)。一、通過屏氣技術(shù)主動或被動控制患者呼吸或者腹部壓縮等來減小腫瘤運動;該方法簡單易行，但耐受性差且精度不高。二、呼吸門控技術(shù)，使射線束曝光與呼吸周期的某一特定時相同步，減小曝光時窗內(nèi)的腫瘤運動;缺點是直線加速器只在特定時相開啟射線束進行放療，從而使直線加速器的工作周期減少，放療時間加長。三、四維放療技術(shù)，在三維放療的基礎(chǔ)上對影像定位、計劃設(shè)計和治療實施階段考慮解剖結(jié)構(gòu)隨時間的變化;缺點是圖像采集時間長，在縱軸方向會產(chǎn)生運動偽影，還

4、需要對患者進行呼吸訓(xùn)練，以盡量保持整個過程呼吸運動一致。四、實時跟蹤技術(shù)，優(yōu)點是患者可以正常呼吸，并能時刻緊跟腫瘤運動，以調(diào)節(jié)射線束或治療床位置來保證射線束與腫瘤之間相對位置固定。目前應(yīng)用最廣泛的跟蹤方法有三種:1、通過X線成像跟蹤植入靶區(qū)或者靶區(qū)附近的金屬標記物，可以準確的獲取體內(nèi)腫瘤的運動信息，缺點是屬于有創(chuàng)技術(shù)，且成像頻率越高，患者接受越多的成像輻射，但頻率過低又會導(dǎo)致精確性低。2、使用光學(xué)定位系統(tǒng)實時采集患者體表的標記物運動數(shù)據(jù)

5、，可以實現(xiàn)完全無創(chuàng)且操作簡單，缺點是體內(nèi)腫瘤運動和體表運動之間的關(guān)系不恒定，僅通過體表運動難以實現(xiàn)準確跟蹤體內(nèi)腫瘤運動;3、最有研究價值和可行性較高的方法是一種間接跟蹤方式，即利用體內(nèi)腫瘤運動與體表運動之間的關(guān)聯(lián)，先同步采集一段時間的體內(nèi)-體表數(shù)據(jù)構(gòu)建關(guān)聯(lián)模型，再通過連續(xù)的體表數(shù)據(jù)計算體內(nèi)腫瘤運動。目前在臨床上最先進的賽博刀（Cyberknife）同步動態(tài)呼吸追蹤系統(tǒng)就是基于這一理念。
　　通過對賽博刀系統(tǒng)的原理的細致研究，課題組

6、設(shè)想在傳統(tǒng)直線加速器上附加基于體表標記物的紅外攝像系統(tǒng)、一對正交的X線成像系統(tǒng)和由計算機控制的多葉光柵實時跟蹤調(diào)節(jié)隨動系統(tǒng)或者逆向調(diào)床系統(tǒng)，實現(xiàn)基于實時跟蹤呼吸預(yù)測的圖像引導(dǎo)精確放射治療的解決方案。項目的理論基礎(chǔ)是外部呼吸信號和胸腹部腫瘤運動具有很好的關(guān)聯(lián)性，進一步地，有實驗結(jié)果表明體表標記物與腫瘤運動之間的相關(guān)系數(shù)平均為0.77，范圍在0.41至0.97之間。由此可以看出，內(nèi)-外關(guān)聯(lián)并不是簡單的線性關(guān)系，需要更準確的函數(shù)建模。另外，因

7、為胸腹部腫瘤運動在吸氣和呼氣中表現(xiàn)不一樣，造成典型的現(xiàn)象-遲滯現(xiàn)象，這也是需要捕捉的呼吸特性。因此為了實現(xiàn)間接跟蹤系統(tǒng)，關(guān)鍵前提是建立一個關(guān)聯(lián)模型把體內(nèi)-體外運動之間的關(guān)系有效準確的表示出來，并能充分捕捉呼吸運動特性。另外，不管是采集與處理體內(nèi)、體外運動信號，調(diào)用新放射參數(shù)，還是硬件如多葉準直器、治療床的響應(yīng)都需要一定的時間，也即從信號的采集和處理再到射野調(diào)整的過程不可避免地存在系統(tǒng)延遲，因此通過預(yù)測算法補償系統(tǒng)延遲也是必不可少的研究重

8、點。
　　目前國內(nèi)外研究關(guān)聯(lián)模型和預(yù)測算法的文獻已經(jīng)有很多，但這些方法都存在一定問題和缺陷，由此成為制約實時跟蹤放療技術(shù)發(fā)展的瓶頸。因此，本文研究新的算法來構(gòu)建更為準確和穩(wěn)健的關(guān)聯(lián)模型和預(yù)測算法，從而為實現(xiàn)間接跟蹤系統(tǒng)打下理論基礎(chǔ)。
　　本文中，我們提出了基于記憶學(xué)習(xí)法的預(yù)測模型和局部加權(quán)線性回歸的關(guān)聯(lián)模型。它們通過相對簡單的模型擬合局部區(qū)域而不是全局模型，從而能夠準確捕捉極其復(fù)雜的非線性關(guān)系。首先采集一段數(shù)據(jù)作為訓(xùn)練樣本存

9、儲在記憶中，然后從記憶中查找相關(guān)數(shù)據(jù)應(yīng)答特定的查詢。離查詢點越近的數(shù)據(jù)點被賦予越高的相關(guān)性（或者權(quán)重），而距離越遠的點相關(guān)越低。另外，由于加權(quán)函數(shù)的局部特性，該方法對訓(xùn)練樣本數(shù)據(jù)中的異常值有著一定的魯棒性。而且直到需要應(yīng)答特定查詢時才處理數(shù)據(jù)，這使得訓(xùn)練和適應(yīng)新數(shù)據(jù)幾乎都是即時完成的。
　　考慮到對呼吸運動建模的一個難題-遲滯現(xiàn)象，本文采用一種“狀態(tài)增廣法”來解決，即模型在構(gòu)建輸入向量時，把當前時刻的數(shù)據(jù)與一個或幾個時間滯后的歷史

10、數(shù)據(jù)相結(jié)合，這樣更能把握最近的呼吸動力學(xué)特征。一般來說，算法準確性隨著訓(xùn)練集的增大而提高。然而訓(xùn)練集太大會導(dǎo)致運算速度過慢。另外，呼吸運動隨時間變化而不規(guī)則變化，時間相近的采樣點比時間間隔遠的采樣點有更好的關(guān)聯(lián)。因此，為了將該特性考慮進算法中，不管是構(gòu)建關(guān)聯(lián)模型或預(yù)測模型，我們都采用“滑窗法”動態(tài)更新訓(xùn)練集，即先采集一段數(shù)據(jù)構(gòu)成合適大小訓(xùn)練集，隨著測量的進行，每當采集到新的數(shù)據(jù)，采用“先進先出”規(guī)則，替換掉原訓(xùn)練集中最舊的數(shù)據(jù)點。這樣既

11、能使訓(xùn)練集保持合適大小又能始終包含最新數(shù)據(jù)，提高算法的準確性。本文采用高斯核作為距離加權(quán)函數(shù)為訓(xùn)練集中的每一個數(shù)據(jù)賦予適當?shù)臋?quán)重，并采用局部模型解得模型參數(shù)的最優(yōu)值，再依據(jù)當前輸入推算出輸出值。算法在某些情況下可能會面臨回歸分析法容易出現(xiàn)的“病態(tài)矩陣”問題，這會大大增加回歸系數(shù)的誤差均方，從而影響算法的準確性和穩(wěn)健性。本文創(chuàng)新性地引入脊回歸來消除“病態(tài)矩陣”的影響，從而提升基于記憶學(xué)習(xí)法和局部加權(quán)線性回歸的總體性能。脊回歸簡單地說，就是

12、給“病態(tài)矩陣”的主對角線元素上加入一個合適的非負因子，從而使回歸系數(shù)的估計稍有偏差卻能顯著提高估計值的穩(wěn)定性。實際上，目前應(yīng)用各式各樣的回歸分析法構(gòu)建關(guān)聯(lián)模型或預(yù)測模型的研究很多，通常都會遇到異常狀態(tài)，不過一般采用擴大訓(xùn)練樣本的方法來解決，但這通常會造成運算速度的下降，難以滿足實時性要求。因此，本文提出的脊回歸方法對其他回歸分析法也有很好的借鑒意義。
　　為了證明基于記憶學(xué)習(xí)法預(yù)測呼吸運動的性能表現(xiàn)，本文基于POLARIS光學(xué)定位

13、系統(tǒng)的采集了10名受試者的體表標記物的運動數(shù)據(jù)(平均運動幅度為20mm)，然后分別使用線性回歸法、常規(guī)的基于記憶學(xué)習(xí)法和本文提出的脊回歸改進后的基于記憶學(xué)習(xí)法進行預(yù)測，實驗結(jié)果表明本文提出的新方法即使在長延遲的條件下(1s)也有著很高的預(yù)測精度，平均絕對誤差約為0.3mm，而且每次估值耗時僅約1ms，能夠?qū)崟r地實現(xiàn)對呼吸運動的精準預(yù)測，不僅遠優(yōu)于線性回歸法，而且脊回歸能夠消除異常狀態(tài)，極大地提升基于記憶學(xué)習(xí)法的性能。更進一步地，本文采用

14、accuTrack250系統(tǒng)的體表標記物的運動數(shù)據(jù)再次證明了基于記憶學(xué)習(xí)法預(yù)測模型的有效準確性和穩(wěn)健性。本文提出的局部加權(quán)線性回歸關(guān)聯(lián)模型，也使用了脊回歸對其改進，結(jié)果表現(xiàn)出魯棒性強、準確度高的和實時性好的性能優(yōu)勢。實驗使用7例體內(nèi)-體外同步運動數(shù)據(jù)樣本驗證局部加權(quán)線性回歸關(guān)聯(lián)模型的準確有效性，其中體內(nèi)數(shù)據(jù)為通過超聲獲取的肝臟內(nèi)血管的運動數(shù)據(jù)，體外數(shù)據(jù)為通過光學(xué)測量系統(tǒng)獲得的體表標記物的運動數(shù)據(jù)。結(jié)果表明局部加權(quán)線性回歸的估值誤差遠小于