胸腹部肿瘤放射治疗过程中,呼吸运动会改变肿瘤靶区的体积和位置,造成肿瘤溢出靶区或者正常组织进入靶区。开展呼吸运动预测研究工作,有利于实现胸腹部肿瘤动态跟踪放疗,提高放疗效果。早期出现的预测方法将呼吸运动视为一种单周期的简单重复运动,但由于呼吸不具有严格的周期性,因此预测结果与实际情况偏差较大;后来又出现了模型预测方法,基于呼吸运动历史数据,通过建立数学模型,实现对未来呼吸运动的预测,这种方法能够克服呼吸的不严格周期性,有效提高预测精度;近些年,又出现了非参数预测方法,能够充分利用历史数据间的耦合关系,进一步提高了预测精度,其中,高斯过程回归预测方法,以均值和方差的形式给出了呼吸预测统计结果,为呼吸运动预测提供了一种全新的技术手段。然而,高斯过程回归本身为一种数学方法,如果将其与呼吸运动的特性参数相结合,则有利于进一步提高预测精度。本文将呼吸运动的时间阈值和空间阈值作为约束条件,提出了一种基于时空约束的高斯过程回归呼吸运动预测方法,通过利用呼吸运动时间空间的关联信息,并利用呼吸运动时间范围和空间范围,实现了提高预测效果的研究目的。论文的主要研究内容如下:1.呼吸数据采集及约束参数获取。首先采用FASTRAK运动跟踪定位系统对呼吸信号进行采集,然后根据呼吸运动的特性阐述了时间约束和空间约束能够提高预测精度的原理,由于在呼吸运动预测过程中将时间分布和空间分布限定在合理的阈值范围内,因此能够滤除传统高斯过程回归预测方法所包含的不合理结果,进而提高预测精度,最后基于呼吸信号获取实验者时间约束和空间约束参数。2.建立基于时空约束的高斯过程回归呼吸运动预测模型。首先介绍了高斯过程回归的基本原理,然后在权重空间观点下,从时间上和空间上对传统高斯过程回归模型的预测范围进行约束,将时间约束参数和空间约束参数分别与高斯过程回归方法结合,构造基于时间约束的高斯过程回归预测模型和基于空间约束的高斯过程回归模型;最后,将上述两种模型结合,从而满足时间上和空间上的同时约束,构造基于时空约束的高斯过程回归预测模型。3.预测实验与对比分析。将基于时空约束的高斯过程回归预测模型的预测结果与未加入约束条件的传统高斯过程回归模型以及非参数回归、线性预测和BP神经网络预测算法的预测结果进行实验对比分析。实验结果表明,本文方法预测结果的相对误差范围为0.08%,小于传统高斯过程回归模型、BP神经网络、线性预测和非参数回归的0.31%、0.46%、0.46%和0.55%,表明本文方法的稳定性优于以上四种对比方法;采用均方根误差的平均值(ARMSE)来评价预测结果与真实呼吸运动的误差,本文方法的ARMSE为0.1547,低于传统高斯过程回归、非参数回归、线性预测和BP神经网络的0.2145、0.894、0.5651、0.5207,表明本文方法的预测精度高于以上四种对比方法。