[发明专利]呼吸运动预测方法

说明书

技术领域

本发明涉及一种放射治疗的呼吸运动预测方法，尤其是涉及一种放射治疗中呼吸信号的跟踪与预测方法。

背景技术

胸腹部器官肿瘤的放疗很大程度受呼吸运动影响。治疗中，肿瘤组织随时间动态地变化。由此产生的不确定性问题成为当前放射治疗面对的主要问题，并且解决的方法和手段还远未完善。传统的基于适形调强技术的放疗模式应对上述情况时通常采用等中心位移、呼吸训练、门控放射等技术。采用图像引导放疗应对这一情况时，需要分析肿瘤随呼吸运动的变化情况。

当前所采用的肿瘤跟踪算法，主要有：线性估计算法(LP)、线性外推算法(LE)；其中，线性估计算法(LP)算法将当前时刻肿瘤位置X_t表示为前n+1个状态的线性组合，对于一套训练样本X₁，X₂，...X_n，系数a_k可以通过解一组线性方程来最小化均方误差，不易选择最优历史状态数，线性估计只适用于延时很小的系统；线性外推算法(LE)，在假设信号变化维持一个速度常量的条件下，利用最近两个时刻的样本值估计信号的变化速度，只能在极短时间内将肿瘤的运动视为常量，因此，线性外推算法(LE)算法只适用于延时很小的系统。

上述传统的预测和跟踪技术的主要问题是：没有利用训练样本和先验知识的条件下，进行对象的局部线性化假设或非正则化数学建模；在对象形态发生随机变化时，无法有效逼近目标，从而导致较大的计算误差。

发明内容

针对现有技术的缺陷，本发明提供一种呼吸运动预测方法，通过最大后验概率算法构建模型，充分利用了呼吸的局部和全局特征，提高了呼吸运动预测的精度。

针对上述技术问题的解决，本发明包括以下步骤：

(1)输入：状态特征集R(k)；

(2)获取治疗中t＝t_i时刻的呼吸信号f(t)及其状态特征R(t)；

(3)通过概率似然模型建立状态特征R(t)与状态特征集R(k)的相似性约束条件；通过概率先验模型建立相邻状态特征R(t_i)与R(t_i+1)的连续性约束条件。

(4)通过最大后验概率模型从候选集中筛选满足步骤(3)所述条件的特征元素，并预测呼吸信号。

(5)输出延时Δt后的呼吸信号f(t+Δt)。

所述步骤(1)中状态特征集R(k)取得的具体步骤为：

(a)获取某个对象的一个周期T的正常呼吸信号f(k)，k＝k₁，k₂，...k_T；

(b)提取该周期T下的状态特征集R(k)，k＝k₁，k₂，...k_T；

(c)状态特征集R(k)包含了呼吸信号的方向、速率、幅度、一阶导数过零点，以及呼吸信号周期等元素。

所述步骤(3)中概率似然模型为P(Y/X)；

其中：X代表某一时刻t的状态特征R(t)中的元素，

Y代表状态特征集R(k)中对应状态的相应元素。

似然模型P(Y/X)给出了相应元素之间的相似度。

令Δt＝t_i-t_i-1，则某一t_i时刻和t_i-1时刻呼吸运动的相似性似然模型分别为：