论文部分内容阅读
随着技术的不断发展,放疗依然是肿瘤患者治疗的三大手段之一,国内数据显示70%的癌症患者都接受过放疗。但是放疗过程中环节众多且均有引入误差的可能,减少误差是目前放疗的挑战,尤其在胸腹部肿瘤放疗中,胸腹部器官会受到呼吸运动的影响而产生运动,这种运动可能会导致肿瘤靶区溢出照射野而使周围正常组织进入,造成肿瘤靶区欠剂量而增加周围正常组织或器官的受量,导致不必要的放疗副反应。因此研究一种新技术,使其能够精确的补偿呼吸运动造成的靶区移动而同时保证肿瘤剂量受量足够,周围正常组织剂量受量尽可能小。呼吸运动对放疗的影响主要体现在三个方面:(1)呼吸运动引起的器官移动;(2)影像结构与解剖结构之间存在误差;(3)剂量分布发生形变。这一问题的多种解决方法中实时跟踪技术不仅可以让患者自由呼吸,且通过无创的标识来寻找体内信号与体外信号的关系,实现了通过改变照射野或逆向调节治疗床使射野中心与靶区的相对位置保持不变。临床上已经使用的赛博刀系统便是利用这一理念实现了肿瘤靶区的实时跟踪。从现有研究来看,实时跟踪技术是解决胸腹部肿瘤放疗中呼吸运动问题的最有前景的研究方向。实时跟踪技术是利用体内肿瘤与体外标记物之间的位置关系,首先同步采集一段时间的体内-体外数据,并通过训练得到它们之间的关系,即为关联模型;结合该模型与得到的体外数据计算体内肿瘤的位置,调整照射野或治疗床来补偿呼吸运动引起的误差。其中包括两个重要的算法:呼吸运动预测算法与关联算法。呼吸运动预测是由于硬件响应等因素的影响,整个系统不可避免的会产生一定的延时,因此先要对体外信号进行预测来补偿系统延时。本文中提出了基于支持向量回归的呼吸运动预测算法和关联模型。基于支持向量回归算法的基本思路是先选取一段历史数据作为训练集,选择合适的输入输出映射关系,核函数,参数优化方法,通过训练得到回归模型,当有新的呼吸运动信号时,对其延时进行预测补偿。其中关键的问题有训练集大小的确定,输入特征向量的个数的确定,最优参数寻找。本文依据文献中提出的基于训练集数据与噪声水平来确定惩罚函数C与不敏感损失函数ε。传统支持向量机训练过程中将新来的数据都加入到训练集,也就是说每次有新的数据都需要重新训练,据此问题提出了精确在线支持向量回归(AOSVR),这种方法是在传统方法的基础上实现了在线学习和更新训练模型,AOSVR与传统模型的不同之处在于:当数据更新时,不需要重新训练得到SVR模型,而是采用直接增加一个或者去掉一个数据,在线调整SVR模型及对应训练集数据的特征,使得模型仍然符合预测条件。为了证明上述方法做的性能,文中采用德国吕贝克大学认知与机器人研究所免费下载的体内-体外同步数据来进行试验。首先对7例样本的体外数据进行预测来验证基于支持向量回归的呼吸运动预测算法的性能,同时与K近邻回归,线性回归,传统支持向量回归(GA-SVM)进行比较。结果显示当延时为300毫秒时,K近邻回归,线性回归,GA-SVM,AOSVR几种方法的平均绝对误差(MAE)均值为 1.24 mm,0.44 mm,0.42mm,0.30mm;均方根误差(RMSE)均值分别为1.67 mm,0.60 mm,0.88 mm,0.37 mm。从评价指标可以看出,GA-SVM与线性回归相比,其各项指标都优于线性回归,充分体现了支持向量机的强鲁棒性。AOSVR与GA-SVM相比,同一样本在算法精度与耗时方面,AOSVR都有比较好的表现,因此在线支持向量回归解决了传统离线模型耗时长的问题。支持向量机用于关联模型时属于直接关联模型,文中7例样本关联模型的nRMSE平均值为0.51。能基本满足实际应用中的需求,但支持向量回归用于关联模型还需要进一步优化,使其实用性更强。在论文最后对研究工作进行了小结和展望,也总结了目前研究中的问题,并介绍了今后的工作方向。