放療中腫瘤運動基于實時跟蹤呼吸預測的算法研究.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）、逆向計劃調強照射（IMRT）以及圖像引導放射治療（IGRT）已經得到發(fā)展和應用，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成為實現對胸腹部腫瘤進行精確放射治療不可回避的最大難題。
　　目前國內外已經提出不少方法來解決放療中呼吸引起的腫瘤運動問題，主要有屏氣技術或腹部壓縮、呼吸門控技術、四維放療技術和實時跟

3、蹤技術。一、通過屏氣技術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，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，在三維放療的基礎上對影像定位、計劃設計和治療實施階段考慮解剖結構隨時間的變化;缺點是圖像采集時間長，在縱軸方向會產生運動偽影，還

4、需要對患者進行呼吸訓練，以盡量保持整個過程呼吸運動一致。四、實時跟蹤技術，優(yōu)點是患者可以正常呼吸，并能時刻緊跟腫瘤運動，以調節(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腫瘤的運動信息，缺點是屬于有創(chuàng)技術，且成像頻率越高，患者接受越多的成像輻射，但頻率過低又會導致精確性低。2、使用光學定位系統(tǒng)實時采集患者體表的標記物運動數據

5、，可以實現完全無創(chuàng)且操作簡單，缺點是體內腫瘤運動和體表運動之間的關系不恒定，僅通過體表運動難以實現準確跟蹤體內腫瘤運動;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，即利用體內腫瘤運動與體表運動之間的關聯，先同步采集一段時間的體內-體表數據構建關聯模型，再通過連續(xù)的體表數據計算體內腫瘤運動。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節(jié)隨動系統(tǒng)或者逆向調床系統(tǒng)，實現基于實時跟蹤呼吸預測的圖像引導精確放射治療的解決方案。項目的理論基礎是外部呼吸信號和胸腹部腫瘤運動具有很好的關聯性，進一步地，有實驗結果表明體表標記物與腫瘤運動之間的相關系數平均為0.77，范圍在0.41至0.97之間。由此可以看出，內-外關聯并不是簡單的線性關系，需要更準確的函數建模。另外，因

7、為胸腹部腫瘤運動在吸氣和呼氣中表現不一樣，造成典型的現象-遲滯現象，這也是需要捕捉的呼吸特性。因此為了實現間接跟蹤系統(tǒng)，關鍵前提是建立一個關聯模型把體內-體外運動之間的關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、體外運動信號，調用新放射參數，還是硬件如多葉準直器、治療床的響應都需要一定的時間，也即從信號的采集和處理再到射野調整的過程不可避免地存在系統(tǒng)延遲，因此通過預測算法補償系統(tǒng)延遲也是必不可少的研究重

8、點。
　　目前國內外研究關聯模型和預測算法的文獻已經有很多，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發(fā)展的瓶頸。因此，本文研究新的算法來構建更為準確和穩(wěn)健的關聯模型和預測算法，從而為實現間接跟蹤系統(tǒng)打下理論基礎。
　　本文中，我們提出了基于記憶學習法的預測模型和局部加權線性回歸的關聯模型。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雜的非線性關系。首先采集一段數據作為訓練樣本存

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

10、數據相結合，這樣更能把握最近的呼吸動力學特征。一般來說，算法準確性隨著訓練集的增大而提高。然而訓練集太大會導致運算速度過慢。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聯。因此，為了將該特性考慮進算法中，不管是構建關聯模型或預測模型，我們都采用“滑窗法”動態(tài)更新訓練集，即先采集一段數據構成合適大小訓練集，隨著測量的進行，每當采集到新的數據，采用“先進先出”規(guī)則，替換掉原訓練集中最舊的數據點。這樣既

11、能使訓練集保持合適大小又能始終包含最新數據，提高算法的準確性。本文采用高斯核作為距離加權函數為訓練集中的每一個數據賦予適當的權重，并采用局部模型解得模型參數的最優(yōu)值，再依據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的“病態(tài)矩陣”問題，這會大大增加回歸系數的誤差均方，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習法和局部加權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，目前應用各式各樣的回歸分析法構建關聯模型或預測模型的研究很多，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習法預測呼吸運動的性能表現，本文基于POLARIS光學定位

13、系統(tǒng)的采集了10名受試者的體表標記物的運動數據(平均運動幅度為20mm)，然后分別使用線性回歸法、常規(guī)的基于記憶學習法和本文提出的脊回歸改進后的基于記憶學習法進行預測，實驗結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，能夠實時地實現對呼吸運動的精準預測，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習法的性能。更進一步地，本文采用

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