论文部分内容阅读
随着放疗技术的发展,精确放疗技术越来越被重视。动态肿瘤跟踪放射技术相对于针对呼吸所引起的肿瘤移动问题的其他解决技术,可以更加精确和高效的照射规定的剂量。然而,动态肿瘤跟踪放射法中的使用的多叶准直器(Multi-Leaf Collimator,MLC)控制系统存在延迟,这导致本应照射在肿瘤上的射线可能照射到健康的组织上,从而对健康的组织造成损伤,也因为该延迟的存在,使得动态肿瘤跟踪放射技术无法取得理想的治疗效果。因此,本文提出了一种避免该延迟对动态肿瘤跟踪放射法效果影响的方法——通过数学模型构建预测模型预测肿瘤未来的位置。在动态肿瘤跟踪放射技术中的延迟已知约为400-500ms,而预测模型在三维空间内仅允许有1mm的误差。然而国内外的研究者构建的能够预测肿瘤移动位置的模型上都没有达到需要的精确度,因此,提出一种能够满足预测精确度的预测模型显示需求明显,意义重大。论文主要对构建新的预测模型和预测算法对肿瘤移动的位置进行预测两部分进行研究。本次实验的目标是提出新的预测模型对肿瘤位置进行预测,并使其预测结果的平均均方根误差小于1mm。论文主要提出了三种新的预测模型,包括基于循环神经网络、具有外源性输入的非线性自回归网络和长短期记忆网络的预测模型,根据三种模型的结构特点和输入信号的特征对三种模型的进行了调整。同时提出了通过时间传播的反向传播算法和实时循环学习算法两种模型优化算法。论文使用从山口大学医院的肿瘤科获取的七名癌症患者的肿瘤轨迹坐标对预测模型进行训练并进行预测。训练过程包括对输入信号的处理,使用权值调整算法对模型进行优化以及对优化过程的实时反馈。论文使用患者本人的肿瘤轨迹对该患者的预测模型进行训练,每名患者训练包括X轴,Y轴和Z轴的预测模型在内的三个预测模型。使用三个训练完成的预测模型对每名患者500ms后的肿瘤位置进行预测,并使用均方根误差和门控占空比来衡量预测结果的精确性。在所有的预测模型中,基于具有外源性输入的非线性自回归网络的预测模型的预测结果拥有最好的表现,其对七名患者的预测结果的平均均方根误差小于1mm,达到了设计要求。通过对比本次实验所提出的三个预测模型,相关模型和以前研究者提出的预测模型的预测结果,可以得出结论:本次实验提出的预测模型相对于相关模型精确性更高,而基于具有外源性输入的非线性自回归网络的预测模型的预测结果比以前研究人员所得到的最佳结果有了一些进步,这验证了本文所提出的预测模型的合理性,并且表明预测模型相较于其他模型更适合动态肿瘤跟踪放射治疗。