文摘
respiratory-gated放疗(RGRT)期间,门开关延迟造成偏差的控制窗口,可能导致交付的低收入和高剂量辐射肿瘤和正常组织,分别。目前,没有RGRT系统有明确的工具来弥补延迟。为了解决这一问题,我们提出一个框架包括两个步骤:(1)multistep-ahead预测和(2)prediction-based浇注。对于每一个步骤,我们设计了一个特定的算法来完成这个任务。数值实验使用的呼吸信号执行一个幽灵和十个志愿者,和我们prediction-based RGRT系统表现出优越的性能在多信号样本。然而,在一些信号预测和prediction-based控制没有做好,也许由于信号不均匀性和/或基线漂移。在RGRT拟议的方法有潜在的适用性,还需要进一步的研究来验证和完善构成算法。
1。介绍
Respiratory-gated放疗(RGRT)是一种广泛使用的治疗肿瘤的方法(呼吸一起移动1- - - - - -3]。RGRT,辐射管理病人的呼吸周期的特定阶段内(称为控制窗口),这是由监测呼吸运动形式的呼吸信号使用外部或内部标记。RGRT注意,虽然有一些选项(例如,是否选择amplitude-based或分阶段控制和是否门吸入或呼出),本研究只关注amplitude-based浇注在呼气,在临床实践中是一种常见的设置。几个RGRT系统已经开发出来,一些需要花相当长的时间从一个信号变化的检测到门开/关的执行命令(表1)。门开/关延迟导致传统RGRT偏差控制的窗口(图1),可能导致交付的低收入和高剂量辐射肿瘤和正常组织,分别。目前,没有RGRT系统有明确的技术来弥补延迟。因此,在这里,我们提出一个prediction-based系统来解决这一问题。
(一)
(b)
本文组织如下。节中描述的设计框架2,实验结果部分3结论遵循节4。
2。方法
在本节中,我们描述我们的新方法来弥补门开/关延迟。这包括两个步骤:(1)multistep-ahead预测和(2)prediction-based浇注。
2.1。Multistep-Ahead预测
几个呼吸信号的预测算法已被提出,和对于大部分采用策略(7,8]。然而,在我们的框架中,输出multistep-ahead预测是必需的。因此,我们设计了一个算法。
呼吸信号被认为是一个序列 等间隔的时间序列观测的空间 ,的时间间隔秒(s), 。让和是正整数。每个时间点 ,multistep-ahead预测旨在预测 - - - - - -元组后续的观察,考虑到之前的n元组 。因此,我们的目标是形成一个预测映射来 。假设和一个度量是一个度量空间吗 。让我们有学习 ,在哪里我在一些有限的范围完全有序集(见部分2。3的一个例子学习设置准备)。然后,对于一个测试元组 ,我们预测未来 - - - - - -元组, 在哪里是最大的索引,这样吗对所有 。在这篇文章中,我们假设 ,和 ,等于( ),是一个真正的 - - - - - -与欧几里得度量空间,也就是说,
2.2。Prediction-Based RGRT
让( )是目前的观察,控制阈值,和是时间点的数量对应于门打开和关闭延迟,分别。鉴于学习集和(见部分2。3为例的学习设置施工),这个函数下面是用于定义prediction-based浇注。(1)情况下 : (2)情况下 : 在哪里被定义为(整数的集合) 和 。请注意,表示符号函数,即
在我们prediction-based RGRT系统(pRGRT),门如果发送命令 ,而门如果发送命令 。
2.3。建设一套学习
首先,元组的呼吸信号使用有限的傅里叶变换(平滑9]。详细的映射 下面是申请平滑来定义的。 在哪里傅里叶变换是有限的(一个复杂N定义的讨论) 而它的逆矩阵是由
被定义为
而它的逆矩阵是由
被定义为
和是通过
请注意,W上面定义称为汉明窗(10]。的参数可以自由设置,例如,我们准备好了吗 与频率大于过滤信号组件f赫兹(Hz)。
对一个信号元组 , 被称为平滑信号元组和用于构造一组学习( )通过将
为 。
3所示。数值结果与讨论
验证设计算法,呼吸信号的动态胸幻影(美国弗吉尼亚cir)和10个健康志愿者与Abches测量(顶点医疗公司,东京,日本),这是一个respiration-monitoring设备由馆等。11),通常用于我们的大学医院。请注意,为了简单起见,我们假设尽管实际的时间间隔没有精确地等于0.03 s。信号值给出了mm的单位。
3.1。呼吸信号的平滑
测试算法的平滑呼吸信号,幽灵的信号测量20年代(667时间点)和人为噪声添加(13.65 - -13.7),形成一个元组的信号 。然后计算(方程(8)- (8 d)),滤除高频(赫兹)组件。如图2,我们成功地消除嘈杂的组成部分 。
3.2。呼吸信号的预测
预测算法进行了测试使用十个志愿者呼吸信号,测量为300年代(10000年时间点)(图3)。每个时间点的信号样本,观察在过去的120年代(4000分)被用来建造一套学习和预测形成预测下一个0.3秒(10分)考虑到之前的3 s(100分)。在细节,让 , , ,和表示一个信号样本, 。为每一个 ,信号元组是用来构造一套学习在节2。3。然后,计算(部分2。1), 。评估预测精度,米th的坐标 ,表示为 ,与相应的实际观察吗 。按照先前的研究预测呼吸运动(7),均方根误差(RMSE)(毫米) 预测误差的计算作为一个指示器(图4)。信号样本RMSE小于1.5毫米似乎是可预测的方法(图5),而一些人似乎并没有意识到(图6)。因此,前样品编号0,1,2、7、8被选为下一个实验。
3.3。Prediction-Based RGRT
pRGRT我们prediction-based浇注系统,使用选定的五个信号样本进行测试。在接下来的实验中,门开关延迟被设置为0.336和0.088年代,分别按照Abches系统(表1)。每个时间点的一个示例 ,信号元组被用来构建学习集和就像在2.3节,在那里(300年代),(120年代),(3 s),(0.336秒)(0.088秒)。我们把和在算法1和算法2分别在哪里β是固定的中位数 。
|
|
为 ,我们假设门在执行命令j,(我)当且仅当(在传统RGRT)。(2)当且仅当(在pRGRT)。
在每个RGRT模拟,让的设置在门上执行命令,并把 。量化RGRT期间可能不合适的辐照,值 计算和表示nErr(归一化误差),这里的单位是毫米。代表一组的特征函数年代定义为 ,和 。图解插图nErr pRGRT如图7。因此,nErr值的下降在pRGRT(图五个样品8)。关于这四个样品,控制窗口变化观察到在传统RGRT似乎在pRGRT(图的改善9)。至于其他的样品(编号8),相当多的观察基线漂移(图10),这是一个不受欢迎的特性对浇注系统与固定阈值(12]。
(一)
(b)
上述情况 。是否pRGRT当工作 ,类似的模拟进行了门打开和关闭延迟0.356秒( )和0.529秒( ),分别按照AlignRT系统(表1)。结果是,所有样品nErr值减少pRGRT(图11)和控制窗口变化在传统RGRT在pRGRT改善(图12)。
4所示。结论
在本文中,我们提出了一个框架,以弥补在RGRT门开/关延迟。它包括两个步骤:(1)multistep-ahead预测和(2)prediction-based浇注。每一步,我们设计了一种特定的算法来完成这个任务。数值实验使用的呼吸信号执行一个幽灵和十个志愿者,和我们prediction-based RGRT系统,pRGRT,显示性能优越的不少信号样本。然而,在一些信号预测和prediction-based控制没有做好,可能是因为信号的不规则性和/或基线漂移。
在RGRT发达方法具有潜在的适用性,但有几个问题需要解决,例如,(1)有更好的multistep-ahead预测算法?(2)有更好的算法prediction-based闸门吗?(3)是否可以处理基线漂移?(4)是否可以提供理论基础的方法吗?(5)是有效的方法在实际临床吗?
进一步的研究需要在这些问题上的实际应用的系统。
数据可用性
在当前的研究中使用的呼吸信号数据中可用Figshare库(https://doi.org/10.6084/m9.figshare.6290924)。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由顶点医药有限公司(日本东京)。我们想要感谢其它Nakamoto(山梨县大学)仔细校对草案。我们感激Editage (http://www.editage.jp)英语编辑。