基于粒子滤波的放疗机器人肿瘤运动估计预测系统及方法与流程

本发明涉及医疗技术领域，特别是涉及一种基于粒子滤波的放疗机器人肿瘤运动估计预测系统及方法。

背景技术：

目前治疗肺癌的主要方法是立体定向放射治疗，但是人体的呼吸运动严重影响了放疗的准确性。为了减小呼吸运动的影响，最有效的方法是呼吸运动实时跟踪技术，该技术通过建立体内肿瘤和体表标记点之间的关联模型，采用预测算法，根据标记点的运动得到肿瘤未来的运动信息，从而实时调整射线束，保证放射线和肿瘤的相对静止，以达到肿瘤放疗的实时跟踪。

采用预测算法是为了补偿立体放疗系统的时间延迟，提前预测出肿瘤在未来时刻将要达到的位置。目前研究的一些预测算法包括人工神经网络、卡尔曼滤波器、模糊控制等。但是上述算法具有以下缺点：

人工神经网络学习效率低，收敛速度慢，需要长时间的网络训练时间，不适用于实时预测；

卡尔曼滤波器则要求系统是高斯白噪声系统，且只适用于线性系统，而实际的呼吸运动过程是复杂的非线性过程，因此卡尔曼滤波器较不适用于肿瘤运动的预测；

模糊控制预测效果较好，但是这种方法自适应能力有限，复杂度较高。

粒子滤波器解决了系统必须满足高斯分布的制约，适用于任何能用状态空间模型表达的非线性系统，且有较高的精度，将该方法应用于放疗机器人实时跟踪技术中，对于提高患者的生存率以及促进我国的医疗技术发展具有很重要的意义。

因此，针对上述技术问题，有必要提供一种基于粒子滤波的放疗机器人肿瘤运动估计预测系统及方法。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于粒子滤波的放疗机器人肿瘤运动估计预测系统及方法，以解决上述在放疗机器人精准治疗中肿瘤位置的预测问题。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种基于粒子滤波的放疗机器人肿瘤运动估计预测系统，所述系统包括：呼吸跟踪单元、影像定位单元、影像融合单元及治疗计划单元，所述呼吸跟踪单元用于跟踪患者体表标记点的运动数据，所述影像定位单元用于跟踪患者体内肿瘤的运动数据，所述影像融合单元用于对收集的运动数据进行基于粒子滤波的融合并预测肿瘤未来时刻的运动数据，所述治疗计划单元用于实时调整治疗射束进行精确照射。

作为本发明的进一步改进，所述系统还包括病患固定及自动定位单元及机器人投射单元，病患固定及自动定位单元用于固定患者并进行定位，机器人投射单元用于控制治疗射束达到靶区。

作为本发明的进一步改进，所述呼吸跟踪单元为红外跟踪单元，其包括同步追踪摄像机及固定于患者腹部的若干发光二极管。

作为本发明的进一步改进，所述影像定位单元为X射线影像定位单元，其包括X光射源及非晶硅影像接收器。

作为本发明的进一步改进，所述系统还包括呼吸运动模拟器，用于模拟放疗中体内肿瘤和体表标记点之间的运动变化关系。

本发明另一实施例提供的技术方案如下：

一种基于粒子滤波的放疗机器人肿瘤运动估计预测方法，所述方法包括：

S1、利用呼吸跟踪单元和影像定位单元分别采集体表标记点和体内肿瘤的三维运动数据；

S2、根据三维运动数据，建立当前时刻肿瘤和历史时刻肿瘤之间的运动关系模型，并将该模型作为粒子滤波的状态转移方程，建立一段时间内体表标记点和体内肿瘤之间的运动关系模型作为粒子滤波的观测方程；

S3、基于状态转移方程和观测方程，利用粒子滤波算法根据当前时刻体表标记点的运动数据估计出体内肿瘤的运动位置。

作为本发明的进一步改进，所述步骤S3中包括：

通过粒子滤波器估计肿瘤的运动位置，状态转移方程通过肿瘤的运动学过程建立，观测方程通过拟合体内肿瘤和体表标记点之间的运动关系获得。

作为本发明的进一步改进，所述步骤S2中状态转移方程为x_k＝f(x_k-1)，观测方程为z_k＝h(x_k)，其中，x_k为k时刻体内肿瘤的运动数据，z_k为k时刻测得的体表标记点的运动数据。

作为本发明的进一步改进，所述步骤S3中通过粒子滤波器估计肿瘤的运动位置具体为：

S31、根据前一时刻肿瘤位置数据及其概率分布生成一组N个随机样本点即N个粒子；

S32、将采样的粒子代入状态转移方程中得到N个肿瘤下一时刻位置的估计值x_k；

S33、把N个肿瘤位置的估计值代入观测方程中得到体表标记点的测量估计值z_k，利用放疗机器人得到标记点的实际测量值z；

S34、根据z_k和z两者之间的误差程度对粒子赋予不同的权值，误差小的粒子赋予较大的权值，误差大的粒子赋予较小的权值，并对粒子进行重采样，经过多次重采样之后，利用最终采样的粒子及其权值计算获得肿瘤位置的最佳估计值；

S35、将最终采样的粒子作为下一轮预测的一组随机样本，重复S32～S34，进行下一轮粒子滤波。

作为本发明的进一步改进，所述步骤S31中，N个粒子的初始状态在全状态空间内平均分布。

本发明的有益效果是：

解决了系统必须满足高斯分布的制约，粒子滤波器利用粒子集表示概率，可以用在任何形式的状态空间模型上，对于变量参数的非线性特性有更强的建模能力，且预测精度较高；

使用呼吸运动模拟器作为实验平台研究同步呼吸跟踪算法，避免了人体长时间受到X射线的照射，能够在实际治疗中有效综合实时影像引导和同步呼吸跟踪技术，确保在病灶得到最大放射剂量的同时避免周围正常的组织受到伤害，减小并发症的发生率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中基于粒子滤波的放疗机器人肿瘤运动估计预测系统的模块示意图；

图2为本发明中基于粒子滤波的放疗机器人肿瘤运动估计预测方法的流程示意图；

图3a～3c为基于粒子滤波的放疗机器人肿瘤运动估计预测方法与线性估计方法的实验验证预测误差对比结果图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

参图1所示，本发明一实施方式中公开了一种基于粒子滤波的放疗机器人肿瘤运动估计预测系统，该系统包括呼吸跟踪单元10、影像定位单元20、影像融合单元30、治疗计划单元40。其中，呼吸跟踪单元10用于跟踪患者体表标记点的运动数据，影像定位单元20用于跟踪患者体内肿瘤的运动数据，影像融合单元30用于对收集的运动数据进行基于粒子滤波的融合并预测肿瘤未来时刻的运动数据，治疗计划单元40用于实时调整治疗射束进行精确照射。

进一步地，本实施方式中的系统还包括病患固定及自动定位单元及机器人投射单元，病患固定及自动定位单元用于固定患者并进行定位，机器人投射单元用于控制治疗射束达到靶区。

优选地，本实施方式中的呼吸跟踪单元10为红外跟踪单元，其包括同步追踪摄像机及固定于患者腹部的若干发光二极管。同步追踪摄像机和固定在患者腹部的三个发光二极管组成体外呼吸追踪单元，用于跟踪体表标记点运动数据。

优选地，本实施方式中的影像定位单元20为X射线影像定位单元，其包括X光射源及非晶硅影像接收器，用于跟踪体内肿瘤的运动数据。

建立两组运动数据之间的关联模型，采用粒子滤波算法预测出肿瘤未来时刻的位置，影像融合单元30和治疗计划单元40根据预测的肿瘤数据实时调整治疗射束进行精确照射。

具体地，治疗过程中，患者躺在放疗机器人并联结构手术台上，呼吸跟踪单元中同步追踪摄像机用于跟踪体表标记点的运动数据，X光射源及非晶硅影像接收器用于跟踪体内肿瘤的运动数据，通过建立标记点和肿瘤之间运动的关联模型，采用粒子滤波算法预测肿瘤未来时刻的运动数据，治疗计划单元和影像融合单元根据得到的肿瘤位置预测数据调整放疗机器人带动直线加速器移动至需要治疗的部位进行照射，从而实现治疗射束对肿瘤的实时跟踪和治疗。

由于连续照射对人体有害，为了避免患者长时间受到X射线的照射，所以采集的体内肿瘤的运动数据是间断的，为了得到连续的呼吸运动数据，呼吸跟踪单元中，可以用呼吸运动模拟器代替患者，用于模拟放疗中体内肿瘤和体表标记点之间的运动变化关系，该模拟器不但可以再现真实的呼吸运动，用NDI Polaris光学定位系统实时测得连续的模拟呼吸运动数据，还可以利用其提供的数据验证预测算法的有效性。如使用专利号为ZL201420836958.X中公开的一种呼吸运动模拟器用于模拟患者的呼吸运动，该呼吸运动模拟器由一个三自由度线性滑台、三个步进电机、一个模拟肿瘤和两根弹簧组成，主要用于模拟放疗中体内肿瘤和体表标记点之间的运动变化关系，该模拟器不但可以再现真实的人体呼吸运动还可以利用其提供的数据验证预测算法的有效性。其中，模拟标记点和模拟肿瘤的运动数据都可以用NDI Polaris光学定位系统实时测得。

目前研究的一些预测算法包括人工神经网络、卡尔曼滤波器、模糊控制等，但是这些算法对于复杂的非线性呼吸运动过程都有或多或少的不足之处。粒子滤波器解决了系统必须满足高斯分布的制约，适用于任何能用状态空间模型表达的非线性系统，而且有较高的精度，适用于呼吸运动肿瘤位置的预测。

参图2所示，本发明另一实施方式中公开了一种基于粒子滤波的放疗机器人肿瘤运动估计预测方法，该方法包括：

S1、利用呼吸跟踪单元和影像定位单元分别采集体表标记点和体内肿瘤的三维运动数据；

S2、根据三维运动数据，建立当前时刻肿瘤和历史时刻肿瘤之间的运动关系模型，并将该模型作为粒子滤波的状态转移方程，建立一段时间内体表标记点和体内肿瘤之间的运动关系模型作为粒子滤波的观测方程；

S3、基于状态转移方程和观测方程，利用粒子滤波算法根据当前时刻体表标记点的运动数据估计出体内肿瘤的运动位置。

优选地，本实施方式的步骤S3中通过粒子滤波器估计肿瘤的运动位置，状态转移方程通过肿瘤的运动学过程建立，观测方程通过拟合体内肿瘤和体表标记点之间的运动关系获得。

具体地，步骤S2中状态转移方程为x_k＝f(x_k-1)，观测方程为z_k＝h(x_k)，其中，x_k为k时刻体内肿瘤的运动数据，z_k为k时刻测得的体表标记点的运动数据。

通过粒子滤波器估计肿瘤的运动位置具体为：

S31、根据前面两个时刻肿瘤位置数据x_k-1和x_k-2及其概率分布生成一组随机样本点即粒子，假设有N个粒子，由于初始状态是未知的，就认为x₀和x₁在全状态空间内平均分布；

S32、将采样的粒子代入状态转移方程x_k＝f(x_k-1)中得到N个肿瘤下一时刻位置的估计值x_k；

S33、把N个肿瘤位置的估计值x_k代入观测方程z_k＝h(x_k)中得到体表标记点的测量估计值z_k，利用放疗机器人系统可以得到标记点的实际测量值z；

S34、根据z_k和z两者之间的误差程度对粒子赋予不同的权值，误差小的粒子赋予较大的权值，误差大的粒子赋予较小的权值，并对粒子进行重采样，经过多次重采样之后，利用最终采样的粒子及其权值计算获得肿瘤位置的最佳估计值；

S35、将最终采样的粒子点作为下一轮预测的一组随机样本，重复S32～S34，进行下一轮粒子滤波。

为了验证基于粒子滤波器的放疗机器人肿瘤运动估计预测系统及方法的有效性，将基于粒子滤波的放疗机器人肿瘤运动估计预测与线性估计方法的实验验证预测误差进行对比。将2000组真实的呼吸运动数据导入呼吸运动模拟器进行实验，把采集到的模拟呼吸运动数据应用到两种预测算法中，得到的实验结果如图3a～3c所示，是XYZ三个方向上实验验证预测误差结果图，分别采用临床上应用的线性估计方法和粒子滤波算法预测肿瘤的运动，图中为两种预测算法的呼吸周期预测误差之差，即线性估计方法的误差数据减去粒子滤波算法的误差数据得到的结果，因此数据大于零表示基于粒子滤波算法误差较小，若数据小于零，说明传统的线性估计方法误差较小。从图3a～3c中可以看出，在整个呼吸运动过程中，在零以上的数据所占的比例较大，说明采用粒子滤波预测肿瘤运动时预测精度较高。

由以上技术方案可以看出，与现有技术相比，本发明具有如下有益效果：

解决了系统必须满足高斯分布的制约，粒子滤波器利用粒子集表示概率，可以用在任何形式的状态空间模型上，对于变量参数的非线性特性有更强的建模能力，且预测精度较高；

使用呼吸运动模拟器作为实验平台研究同步呼吸跟踪算法，避免了人体长时间受到X射线的照射，能够在实际治疗中有效综合实时影像引导和同步呼吸跟踪技术，确保在病灶得到最大放射剂量的同时避免周围正常的组织受到伤害，减小并发症的发生率。

本发明可应用于肺部肿瘤的治疗中，这对于提高患者的生存率以及促进我国医疗技术的发展具有很重要的意义。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。