呼吸同步跟蹤系統的位置信號的模糊預測方法及預測器的製作方法

2023-05-01 15:04:26 1

專利名稱：：呼吸同步跟蹤系統的位置信號的模糊預測方法及預測器的製作方法
技術領域：
：本發明涉及一種位置信號的預測方法及預測器，特別是呼吸同步跟蹤系統的位置信號的模糊預測方法以及按照這種方法設計的預測器。
背景技術：
：放射治療(簡稱放療)已經在醫學臨床得到廣泛應用，成為治療惡性腫瘤的主要手段之一。精確放射治療的目標是最大限度地殺滅腫瘤細胞並有效保護周圍正常組織和重要器官。研究表明，劑量精度每提高1%，治癒率便可提高2%，因此，提高放射治療的精確度是非常重要的。呼吸在引起體外(胸部/腹部)表面的運動的同時，還會導致體內腫瘤(肺部，肝部和胰腺部位的腫瘤)的運動。體內腫瘤由於受呼吸和器官本身的運動影響，其位置有很大的不確定性。通過影像檢查顯示胸部和腹部腫瘤和器官的移動度在1030mm，有時甚至超過30mm，對由於呼吸引起的運動腫瘤，比如肺部和肝臟腫瘤，圖像引導系統需要對腫瘤運動實時追蹤，從而保證在整個治療射線投放過程中，能夠動態地移動或控制治療射線束，使其準確地投放到病灶區，這需要通過呼吸運動跟蹤系統來實現。圖像引導系統拍攝患者體部高清晰的射線影像，通過事先植入腫瘤內部或附近的金屬標記物，構造空間立體結構，通過迭代算法精確算出腫瘤的空間位置；治療中，通過實時的金標影像與定位CT數字生成的DRR中的金標影像位置的對比，可自動進行校正，這稱為金標追蹤。對於隨呼吸運動的腫瘤，記錄患者皮膚運動，形成相應的呼吸曲線。在這個動態連續的呼吸曲線過程中，通過攝影系統在不同的呼吸時相拍攝人體影像，並通過其中的金標確立一個呼吸模型關係。靜態金標影像與動態的外在呼吸曲線相結合確立的關係能準確的反映體內隨呼吸運動的靶區的位移。這樣就可以通過病人體表的位置計算出體內腫瘤的位置。帶有圖像引導的放療系統的治療射線投放裝置的控制指令和實際的響應之間存在時間延遲。處理不好，這種時間延遲將可能在治療期間導致意想不到的、甚至危險的振動。為了獲得更好的跟蹤性能，位置信號的預測可以用來補償時間延遲。在當前的國際和國內流行的商用放療系統裡，呼吸運動跟蹤系統中的同步跟蹤子系統採用的預測方法通常是模式匹配法(Pattern-Matching)。和最小均方(Least-Mean-Square或LMS)。模式匹配算法的總體思路是根據到當前位置為止的一段歷史位置記錄，定義一個模式(即以前的一些位置點)，在該段歷史位置記錄歷史上搜索與預先定義的模式最佳匹配的模式；再從該匹配模式獲取最好的"預測"。也就是說，Y'p二Y一，其中Y'p是我們想要的預測值，Y。是最好的匹配模式，而P是預測步驟。LMS算法是一種最速下降算法地近似算法，它使用了一個瞬時估計來近似代價函數的梯度矢量。梯度的估計數是根據對輸入向量和誤差信號的採樣值。該算法遍歷每個濾波器的係數，並沿近似梯度方向移動。在實際的呼吸同步跟蹤系統中，由於人體呼吸作用的影響，胸/腹部位置以及體內腫瘤的位置信號是隨時間周期性變化的；更關鍵的是，其振幅和周期(或頻率)也隨時間變化。如果目前的呼吸模式在以前的時間框架裡發生過並在歷史記錄裡保存下來，那麼模式匹配能夠提供完善的多步以後的位置信號預測。一旦上述條件不成立，它的預測精度將惡化。在某些情況下可能還會導致預測間斷問題。因此，我們需要一種更好的預測方法，來解決以上存在的問題。
發明內容本發明針對現有技術的不足，提供了一種新的基於模糊算法的同步跟蹤系統的位置信號的預測方法，以解決現有技術中存在的一些困難問題，為放射治療的同步跟蹤提供了一種新的途徑。考慮到如圖2所示的腫瘤位置隨呼吸而變化，而且其隨時間曲線的幅度和周期也是變化的，本發明的具體步驟如下採集病人體表某點的位置Po並計算與其對應的腫瘤位置P(x，y，z)在一段時間內的位置參數(x，y，z)並且存入計算機，根據位置參數計算出相應的速度參數(dx，dy，dz)並存入計算機formulaseeoriginaldocumentpage5根據計算機內存儲的位置參數(x，y，z)，找出最大和最小的位置(Xmax，ymax，Zniax)和(xmin，ymin，zmin)，根據計算機內存儲的速度參數(dx，dy，dz)，找出最大和最小的速度(dxmax，dy隨，dz隨)禾口(dxmin，dymin，dzmin);制定模糊規則根據最大和最小的位置參數，把X模糊劃分出&個子集，這ni個子集的每一個子集再被根據最大和最小的速度參數模糊劃分為n2個子集，得到M=ni*n2個子模型，每個子模型都對應一個規則，在這裡，我們以&取3為例加以說明，ni=3，即得到大(Big)，中(Medium)，小(Small)三個不同的子集，如圖3所示。接下來，每個子集可以根據速度再分為化個子集，這裡我們n2也取3，即負(Negative)，零(Zero)和正(Positive)。這樣我們一共就有M=n^化個子模型。每個子模型都給出了一個線性方程組，其廣義方程是這樣的formulaseeoriginaldocumentpage5》是第m規則的模式輸出，m的範圍是在1M，而M是方程的總數，p是預測步驟，r是預測階數，可以選擇2-15中任意一個數字，a和c是參數。在ni取3，n2取3的情況下，這些規則是Rl:如果y(k)是Big而且dy(k)是Positive那麼j)，(A:+/)=^,o少(A:)+…+a—r)+qR2:如果y(k)是Big而且dy(k)是Zero那麼formulaseeoriginaldocumentpage5採用同樣的步驟，我們可以得到我們所想要的x和z的預測。這樣，我們就得到了位置P(x，y，z)的預測值。參數的訓練所有的參數可以用梯度下降算法來訓練，根據各個子模型所對應的計算機內已經存儲的已知的位置參數(x，y，z)、速度參數(dx，dy，dz)以及該體表位置在相應時間點上的所對應的體內病灶的位置參數採用梯度下降算法，訓練出對應子模型的參數a^和cm;根據存儲的點的歷史記錄，對參數am和cm進行訓練。先定義成本函數J如下1^17每個參數的更新如下formulaseeoriginaldocumentpage6a和c的初始值可以在-0.001到0.001之間隨機選擇，但不為0這裡，formulaseeoriginaldocumentpage6n,和n。是學習率.慣量P可以被添加到Aa禾PAc來加速訓練的收斂。我們i和n。取o.3，e取o.oiformulaseeoriginaldocumentpage6根據之前存儲的數據，對a和c進行訓練，得到a和c的值。對隨機選來的10組病人數據進行驗證後，我們得到了類似的結果。表1顯示了不tableseeoriginaldocumentpage7預測的位置將被用來指揮治療射線投放裝置作相應的移動。如果預測誤差較大，人體器官中好的一部分就有可能將受射線的影響。如果預測誤差有太多的高頻成分，可能會導致治療射線投放裝置振動。此外，一般期望射線能夠均勻地治療腫瘤。因此，最好是使得平均預測誤差接近於零。從表1所列的測試結果和詳細的數據觀測，我們發現該自適應模糊預測器能夠處理隨時間變化的幅度和頻率問題。具體而言0與模式匹配相比，它的預測中的大值誤差的數目更小。0與模式匹配和LMS相比，它的預測的最大誤差最小。0與模式匹配和LMS相比，它的預測的平均誤差最小。0不象LMS，它從沒有導致預測誤差的大的突變。0它的預測誤差具有更少量的高頻噪音。這對模式匹配是個問題，對LMS更是個大問題。當採用ni=5，n2=5時，並沒有觀察到明顯的差異。不同的應用可以相應調整或比較幾種情況後選取最佳值。圖1是同步跟蹤子系統的結構圖圖2是人體胸部位置信號由於呼吸作用而隨時間變化示意圖圖3是模糊位置模型的模糊劃區圖具體實施例方式下面給出本發明的一個較好的實施例，並予以詳細描述，以使能更好的本發明的結構特徵、功能，而不是用來限制本發明的權利要求保護範圍。如圖1所示，本發明裝置包括數據採集模塊，計算機，功率放大器，驅動電路以及動作機構。數據採集器將採集到的前30000個點的位置，以及在該時刻對應的體內的腫瘤的位置數據存入計算機，根據位置參數計算出相應的速度參數(dx，dy，dz)並存入計算機formulaseeoriginaldocumentpage8formulaseeoriginaldocumentpage8formulaseeoriginaldocumentpage8根據計算機內存儲的位置參數(x，y，z)，找出最大和最小的位置(xmax，ymax，zmax)和(xmin，ymin，zmin);根據計算機內存儲的速度參數(dx，dy，dz)，找出最大和最小的速度(dxmax，dymax，dzmax)和(dxmin，dymin，dz幽)，根據模糊劃分的特徵以及已經記錄的最大和最小值，把x分為5個子集，它們可以是非常小(VerySmall)，小(Small)，零(Zero)，大(Big),非常大(VeryBig);y和z也各被分成5個子集；同樣的，根據模糊劃分的特徵以及已經記錄的最大和最小值，把速度也分為5個子集，可以是負大(NegativeBig)，負小(NegativeSmall)，零(Zero)，正小(PositiveSmall)禾口正大(PositiveBig)。這樣對於x—共就有5*5=25個子模型，y，z同理。所有的子模型都可以用以下方程表示formulaseeoriginaldocumentpage8義是第m規則的模式輸出，m的範圍是在1M，而M是方程的總數，p是預測步驟，r是預測階數，可以選擇2-15中任意一個數字，這裡我們選5，~和cm是參數。權利要求一種呼吸同步跟蹤系統的位置信號的模糊預測方法，其特徵在於包括以下步驟(1)在病人體表確定一體表位置P0並計算出相對應的體內病灶的目標位置參數P(x，y，z)；(2)採集該位置P(x，y，z)在一段時間內的位置參數(x，y，z)存入計算機；(3)根據P(x，y，z)的位置參數計算出相應的速度參數(dx，dy，dz)並存入計算機dxi+1=xi+1-xiti+1-tidyi+1=yi+1-yiti+1-tidzi+1=zi+1-ziti+1-ti;(4)根據計算機內存儲的位置參數(x，y，z)，找出最大和最小的位置(xmax，ymax，zmax)和(xmin，ymin，zmin)；(5)根據計算機內存儲的速度參數(dx，dy，dz)，找出最大和最小的速度(dxmax，dymax，dzmax)和(dxmin，dymin，dzmin)；(6)制定模糊規則根據最大和最小的位置參數，把x模糊劃分出n1個子集，這n1個子集的每一個子集再被根據最大和最小的速度參數模糊劃分為n2個子集，得到M＝n1*n2個子模型，每個子模型都對應一個規則，該規則用線性方程x^m(k+p)=am,0x(k)+...+am,rx(k-r)+cm表示，是第m規則的模式輸出，m的範圍是在1～M，而M是規則的總數，p是預測步驟，r是預測階數，am和cm是在第m規則的參數；對於y，z作同樣處理；(7)根據各個子模型所對應的計算機內已經存儲的已知的位置參數(x，y，z)、速度參數(dx，dy，dz)，採用梯度下降算法，訓練出對應子模型的參數am和cm；(8)採集下一時間點體表目標的位置參數，並計算出該位置參數對應的體內病灶的位置參數，根據已經制定的模糊規則，把計算出的參數映射到相應的子模型裡，得到輸出對相應映射的子模型的輸出結果加權平均，即為所需要的預測結果，x^(k+p)=i=1Mix^i(k+p)i=1Miy^(k+p)=i=1Miy^i(k+p)i=1Miz^(k+p)=i=1Miz^i(k+p)i=1Miμi是子模型的隸屬度。FSA00000065570600015.tif,FSA00000065570600021.tif2.根據權利要求1所述的模糊規則，其特徵在於把x模糊劃分出5個子集，這5個子集再被根據速度模糊劃分為5個子集，得到M=25個子模型。3.根據權利要求1所述的線性方程，其特徵在於所述預測階數r為5。4.一種用於放射治療的同步跟蹤定位系統，包括數據採集裝置，同步跟蹤子系統，執行機構，數據採集裝置將採集到的數據送到同步子系統，處理放大後傳送到執行機構，其特徵在於所述同步跟蹤子系統包括有內建有如權利要求1所述的模糊規則以及所述子模型的計算機。全文摘要呼吸同步跟蹤系統在治療射線投放時，可以監測病人的呼吸，並對腫瘤目標運動作出補償。在治療射線投放系統的指令和響應之間存在時間延遲，這種延遲可能會導致意外的、甚至危險的振動。為了提高同步跟蹤性能，可以用信號預測技術來彌補時間延遲。本發明提供了一種新的同步跟蹤系統的位置信號的模糊預測方法以及預測器，該預測器能夠處理隨時間變化的幅度和頻率問題，比較好的解決了放射治療中同步跟蹤的問題。文檔編號A61N5/00GK101794357SQ201010134869公開日2010年8月4日申請日期2010年3月30日優先權日2010年3月30日發明者盛曄申請人:江蘇瑞爾醫療科技有限公司