CN101843955B - 一种用于放射治疗的同步跟踪定位系统 - Google Patents

Abstract

呼吸同步跟踪系统在治疗射线投放时，可以监测病人的呼吸，并对肿瘤目标运动作出补偿。在治疗射线投放系统的指令和响应之间存在时间延迟，这种延迟可能会导致意外的、甚至危险的振动。为了提高同步跟踪性能，可以用信号预测技术来弥补时间延迟。本发明提供了一种用于放射治疗的同步跟踪定位系统，包括含有模式匹配预测器，LMS预测器和模糊预测器的计算机，该计算机还包含计算模块，该计算模块能够把模式匹配预测器，LMS预测器和模糊预测器的预测结果按照混合预测方法进行处理。

Description

一种用于放射治疗的同步跟踪定位系统

技术领域

本发明涉及一种位置信号的预测器，特别是一种用于放射治疗的同步跟踪定位系统。

背景技术

放射治疗(简称放疗)已经在医学临床得到广泛应用，成为治疗恶性肿瘤的主要手段之一。精确放射治疗的目标是最大限度地杀灭肿瘤细胞并有效保护周围正常组织和重要器官。研究表明，剂量精度每提高1％，治愈率便可提高2％，因此，提高放射治疗的精确度是非常重要的。

呼吸在引起体外(胸部/腹部)表面的运动的同时，还会导致体内肿瘤(肺部，肝部和胰腺部位的肿瘤)的运动。体内肿瘤由于受呼吸和器官本身的运动影响，其位置有很大的不确定性。通过影像检查显示胸部和腹部肿瘤和器官的移动度在10～30mm，有时甚至超过30mm，对由于呼吸引起的运动肿瘤，比如肺部和肝脏肿瘤，图像引导系统需要对肿瘤运动实时追踪，从而保证在整个治疗射线投放过程中，能够动态地移动或控制治疗射线束，使其准确地投放到病灶区，这需要通过呼吸运动跟踪系统来实现。

图像引导系统拍摄患者体部高清晰的射线影像，通过事先植入肿瘤内部或附近的金属标记物，构造空间立体结构，通过迭代算法精确算出肿瘤的空间位置；治疗中，通过实时的金标影像与定位CT数字生成的DRR中的金标影像位置的对比，可自动进行校正，这称为金标追踪。对于随呼吸运动的肿瘤，记录患者皮肤运动，形成相应的呼吸曲线。在这个动态连续的呼吸曲线过程中，通过摄影系统在不同的呼吸时相拍摄人体影像，并通过其中的金标确立一个呼吸模型关系。静态金标影像与动态的外在呼吸曲线相结合确立的关系能准确的反映体内随呼吸运动的靶区的位移。这样就可以通过病人体表的位置计算出体内肿瘤的位置。

带有图像引导的放疗系统的治疗射线投放装置的控制指令和实际的响应之间存在时间延迟。处理不好，这种时间延迟将可能在治疗期间导致意想不到的、甚至危险的振动。为了获得更好的跟踪性能，位置信号的预测可以用来补偿时间延迟。在当前的国际和国内流行的商用放疗系统里，呼吸运动跟踪系统中的同步跟踪子系统采用的预测方法通常是模式匹配法(Pattern-Matching)。和最小均方(Least-Mean-Square或LMS)。模式匹配算法的总体思路是：根据到当前位置为止的一段历史位置记录，定义一个模式(即以前的一些位置点)，在该段历史位置记录历史上搜索与预先定义的模式最佳匹配的模式；再从该匹配模式获取最好的“预测”。也就是说，Y’p＝Y0+p，其中Y′p是我们想要的预测值，Y0是最好的匹配模式，而p是预测步骤。LMS算法是一种最速下降算法地近似算法，它使用了一个瞬时估计来近似代价函数的梯度矢量。梯度的估计数是根据对输入向量和误差信号的采样值。该算法遍历每个滤波器的系数，并沿近似梯度方向移动。

在实际的呼吸同步跟踪系统中，由于人体呼吸作用的影响，胸/腹部位置以及体内肿瘤的位置信号是随时间周期性变化的；更关键的是，其振幅和周期(或频率)也随时间变化。如果目前的呼吸模式在以前的时间框架里发生过并在历史记录里保存下来，那么模式匹配能够提供完善的多步以后的位置信号预测。一旦上述条件不成立，它的预测精度将恶化。在某些情况下可能还会导致预测间断问题。

因此，我们需要一种更好的预测方法，来解决以上存在的问题。

发明内容

本发明针对现有技术的不足，提供了一种新的基于模式匹配算法、LMS算法以及模糊算法的同步跟踪系统的位置信号的混合预测方法，以解决现有技术中存在的一些困难问题，为放射治疗的同步跟踪提供了一种新的途径。

首先，我们需要介绍一下模糊预测算法，模糊预测算法的步骤如下：

考虑到如图2所示的肿瘤位置随呼吸而变化，而且其随时间曲线的幅度和周期也是变化的，本发明的具体步骤如下：采集病人体表某点的位置Po，设P是该体表位置Po对应的体内病灶的位置向量。P由x，y和z组成，即P(x，y，z)，不失一般性，先选择它的y分量来建立模糊预测模型，x，z采用相同的方法建立模糊预测模型。这里，采集Po并计算与其对应的肿瘤位置P(x，y，z)在一段时间内的位置参数(x，y，z)并且存入计算机，根据位置参数计算出相应的速度参数(dx，dy，dz)并存入计算机：

${\mathrm{dx}}_{i+1}=\frac{x_{i+1}-x_i}{t_{i+1}-t_i}$

${\mathrm{dy}}_{i+1}=\frac{y_{i+1}-y_i}{t_{i+1}-t_i}$

${\mathrm{dz}}_{i+1}=\frac{z_{i+1}-z_i}{t_{i+1}-t_i}$

根据计算机内存储的位置参数(x，y，z)，找出最大和最小的位置(x_max，y_max，z_max)和(x_min，y_min，z_min)，根据计算机内存储的速度参数(dx，dy，dz)，找出最大和最小的速度(dx_mx，dy_max，dz_max)和(dx_min，dy_min，dz_min)；

制定模糊规则：根据最大和最小的位置参数，把x模糊划分出n1个子集，这n1个子集的每一个子集再被根据最大和最小的速度参数模糊划分为n2个子集，得到M＝n1*n2个子模型，每个子模型都对应一个规则，在这里，我们以n1取3为例加以说明，n1＝3，即得到大(Big)，中(Medium)，小(Small)三个不同的子集，如图3所示。接下来，每个子集可以根据速度再分为n2个子集，这里我们n2也取3，即负(Negative)，零(Zero)和正(Positive)。这样我们一共就有M＝n1*n2个子模型。每个子模型都给出了一个线性方程组，其广义方程是这样的：

${\hat{y}}_m(k+p)=a_{m,0}y\left(k\right)+...+a_{m,r}y(k-r)+c_m$

是第m规则的模式输出，m的范围是在1-M，而M是方程的总数，p是预测步骤，r是预测阶数，可以选择2-15中任意一个数字，a和c是参数。在n1取3，n2取3的情况下，这些规则是：

R1：如果y(k)是Big而且dy(k)是Positive那么

${\hat{y}}_1(k+p)=a_{1,0}y\left(k\right)+...+a_{1,r}y(k-r)+c_1$

R2：如果y(k)是Big而且dy(k)是Zero那么

${\hat{y}}_2(k+p)=a_{2,0}y\left(k\right)+...+a_{2,r}y(k-r)+c_2$

……

Rm：如果y(k)是Medium而且dy(k)是Positive那么

${\hat{y}}_m(k+p)=a_{m,0}y\left(k\right)+...+a_{m,r}y(k-r)+c_m$

……

RM：如果y(k)是Small而且dy(k)是Negative那么

${\hat{y}}_M(k+p)=a_{M,0}y\left(k\right)+...+a_{M,r}y(k-r)+c_M$

那么，最后的预测结果即是以上子模型输出的综合结果的加权平均值

$\hat{y}(k+p)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_i\·{\hat{y}}_i(k+p)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_i}$

这里μ_i是模糊模型的隶属度，M＝9是模糊规则的数目。

采用同样的步骤，我们可以得到我们所想要的x和z的预测。

这样，我们就得到了位置P(x，y，z)的预测值。

参数的训练

所有的参数可以用梯度下降算法来训练，根据各个子模型所对应的计算机内已经存储的已知的位置参数(x，y，z)、速度参数(dx，dy，dz)以及该体表位置在相应时间点上的所对应的体内病灶的位置参数采用梯度下降算法，训练出对应子模型的参数a_m和c_m；

这样我们就得到了模糊算法的预测结果P3，再根据现有的模式匹配和LMS算法，

分别得到预测结果P1和P2，然后：

计算P1，P2和P3相互之间的距离：d12＝|P1-P2|；d13＝|P1-P3|；

d23＝|P2-P3|；

找到最小的距离：dmin＝min(d12，d23，d13)；

对应于dmin的Pi(i＝1，2or3)将被用于计算最终的预测结果。假设它们是Pa和Pb。那么最终的预测是P＝(Pa+Pb)/2。

对随机选来的10组病人数据进行验证后，我们得到了类似的结果。

表1显示了不同预测器对其中一个病人的比较结果。这里p＝3。

表1不同预测器对同一病人的比较结果

(单位为mm。ex，ey和ez分别是X，Y和Z方向的预测误差，|ex|表示ex的绝对值，Max是最大值，Mean是平均值，#|ex|＞1则表示|ex|中大于1mm的样本点数目，STD是标准差，样本总数是12.5万)

从表1的验证结果来看，与所有其他预测器相比，新的混合预测器的整体性能表现是最好的。混合预测器的结果具有小的最大误差，小的平均误差，小的STD，同时介于1～5毫米范围的较大或大误差的数目也少。此外，在混合预测器的结果里没有观察到任何预测误差的突变，这一性能改善是非常重要的。

附图说明

图1是同步跟踪子系统的结构图

图2是人体胸部位置信号由于呼吸作用而随时间变化示意图

图3是模糊位置模型的模糊划区图

图4是混合预测器原理示意图，Ts是采样时间间隔，p是预测步骤

具体实施方式

下面给出本发明的一个较好的实施例，并予以详细描述，以使能更好的本发明的结构特征、功能，而不是用来限制本发明的权利要求保护范围。

如图1所示，本发明装置包括数据采集模块，计算机，功率放大器，驱动电路以及动作机构。根据现有的模式匹配和LMS算法以及新的模糊算法，分别得到预测结果P1和P2和P3，如图4所示，然后：

计算P1，P2和P3相互之间的距离：d12＝|P1-P2|；d13＝|P1-P3|；d23＝|p2-P3|；

找到最小的距离：dmin＝min(d12，d23，d13)；

对应于dmin的Pi(i＝1，2or3)将被用于计算最终的预测结果。假设它们是Pa和Pb。那么最终的预测是P＝(Pa+Pb)/2。

Claims (1)

1.一种用于放射治疗的同步跟踪定位系统，包括：数据采集装置，同步跟踪子系统，执行机构，数据采集装置将采集到的数据送到同步跟踪子系统，处理放大后传送到执行机构，其特征在于：所述同步跟踪子系统包括含有模式匹配预测器，LMS预测器和模糊预测器的计算机，该计算机还包含计算模块，该计算模块能够把模式匹配预测器，LMS预测器和模糊预测器的预测结果按照混合预测方法进行处理；

所述混合预测方法包括以下步骤：

(1)P1，P2，P3分别是采用了模式匹配预测器，LMS预测器和模糊预测器的预测结果；

(2)获得P1，P2和P3相互之间的距离：d12＝|P1-P2|；d13＝|P1-P3|；d23＝|P2-P3|；

(3)找到最小的距离：dmin＝min(d12，d23，d13)；

(4)最终的预测结果是产生最小距离dmin的两种预测器产生的预测结果的平均值；

所述模糊预测器的预测结果通过模糊预测算法来实现，所述模糊预测算法的步骤如下：

采集病人体表某点的位置Po，设P是该体表位置Po对应的体内病灶的位置向量；P由x，y和z组成，即P(x，y，z)，不失一般性，先选择它的y分量来建立模糊预测模型，x，z采用相同的方法建立模糊预测模型；采集Po并计算与其对应的肿瘤位置P(x，y，z)在一段时间内的位置参数(x，y，z)并且存入计算机，根据位置参数计算出相应的速度参数(dx，dy，dz)并存入计算机：

${\mathrm{dx}}_{i+1}=\frac{x_{i+1}-x_i}{t_{i+1}-t_i}$

${\mathrm{dy}}_{i+1}=\frac{y_{i+1}-y_i}{t_{i+1}-t_i}$

${\mathrm{dz}}_{i+1}=\frac{z_{i+1}-z_i}{t_{i+1}-t_i}$

根据计算机内存储的位置参数(x，y，z)，找出最大和最小的位置(x_max，y_max，z_max)和(x_min，y_min，z_min)，根据计算机内存储的速度参数(dx，dy，dz)，找出最大和最小的速度(dxmax，dymax，dzmax)和(dxmin，dymin，dzmin)；

制定模糊规则：根据最大和最小的位置参数，把y模糊划分出n1个子集，这n1个子集的每一个子集再被根据最大和最小的速度参数模糊划分为n2个子集，得到M＝n1*n2个子模型，每个子模型都对应一个规则，每个子模型都给出了一个线性方程组，其广义方程是这样的：

${\hat{y}}_m(k+p)=a_{m,0}y\left(k\right)+...+a_{m,r}y(k-r)+c_m$

是第m规则的模式输出，m的范围是在1-M，而M是方程的总数，p是预测步骤，r是预测阶数，选择2-15中任意一个数字，a和c是参数；最后的预测结果即是以上子模型输出的综合结果的加权平均值

$\hat{y}(k+p)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_i\·{\hat{y}}_i(k+p)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_i}$

这里μ_i是模糊模型的隶属度，M是模糊规则的数目；

采用同样的步骤，得到所要的x和z的预测，就得到了位置p(x，y，z)的预测值。