姚曄 戈偉強 周云 張立波

200040 上海，復旦大學附屬華東醫(yī)院放療科

BP神經(jīng)網(wǎng)絡模型預測肝腫瘤運動趨勢可行性研究

姚曄 戈偉強 周云 張立波

200040 上海，復旦大學附屬華東醫(yī)院放療科

目的 利用BP（back propagation）神經(jīng)網(wǎng)絡模型對1例肝癌碘油介入術(shù)后患者的肝腫瘤運動趨勢進行預測。方法 使用X射線容積成像系統(tǒng)對某肝癌患者進行掃描，采集各時相呼吸運動圖像。利用碘油標記方法，對肝癌病灶進行定位，并通過圖像檢測技術(shù)，獲取病灶標記點的運動軌跡。對標記點的運動軌跡數(shù)據(jù)進行分析，建立BP神經(jīng)網(wǎng)絡模型，并用其預測下一時間段的運動曲線，將預測結(jié)果與腫瘤標記點實際的運動軌跡進行比較分析。結(jié)果 利用BP神經(jīng)網(wǎng)絡可以有效預測肝腫瘤的運動趨勢，在一定時間段內(nèi)可保持良好的精準度，誤差在1個像素距離內(nèi)，但在呼吸運動峰值處預測精準度尚不理想，誤差接近2個像素距離。結(jié)論 BP神經(jīng)網(wǎng)絡模型是預測肝腫瘤運動的一種新方法，可能對肝癌的體部立體定向放療以及實時跟蹤放療精準度的提升有一定幫助，且具有一定的臨床價值。

肝腫瘤；BP神經(jīng)網(wǎng)絡；呼吸預測；圖像跟蹤

隨著腫瘤放射治療（簡稱：放療）進入“精確定位、精確計劃、精確治療”時代，對腫瘤的實時跟蹤定位提出了更高要求。放療過程中，胸腹部腫瘤的位移主要是受呼吸運動的影響。腫瘤病灶在呼吸周期內(nèi)隨著時間表現(xiàn)出與呼吸運動相關(guān)性的運動，這使得定位掃描、靶區(qū)勾畫、計劃設(shè)計、實際照射之間存在著偏差，影響了放療的精度。為了減少呼吸運動帶來的影響，放療工作者采取了各種方法，比如：呼吸訓練、門控技術(shù)等。利用電子射野影像裝置或者錐形束計算機斷層成像裝置的圖像引導技術(shù)為腫瘤病灶的實時跟蹤提供了可能，但圖像獲取及分析速度、系統(tǒng)延遲、患者額外照射的劑量等，仍然是有待解決的問題。本研究針對動態(tài)實時跟蹤腫瘤的前沿問題，提出一種呼吸信號預測模型，利用已獲取的呼吸信號數(shù)據(jù)對患者的呼吸運動狀態(tài)進行預測，并對預測數(shù)據(jù)進行驗證和評價。

1 資料與方法

選取1例肝癌碘油介入術(shù)后患者，在透視模式下，使用Elekta公司Synergy-S直線加速器機載的X射線容積成像系統(tǒng)進行錐形束CT掃描，記錄其自由呼吸狀態(tài)下碘油顯影的運動時序。

考慮到呼吸運動在頭腳方向的幅度最為明顯，而且與胸腹部腫瘤運動具有良好的相關(guān)性，本研究僅計算腫瘤在頭腳方向上的運動軌跡。采用小波變換方法對圖像進行增強，對增強后的圖像進行邊緣檢測，使用Canny算子實現(xiàn)膈肌邊緣提取，通過Matlab編程跟蹤碘油標記點的運動軌跡。

利用Matlab軟件建立一套BP（back propagation）網(wǎng)絡，反饋步進為26，將前160個呼吸運動的數(shù)據(jù)作為輸入數(shù)據(jù)。由于BP神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡預測精準度有較大的影響，所以經(jīng)過調(diào)試，創(chuàng)建BP網(wǎng)絡。

使用訓練好的BP模型進行預測，并將預測數(shù)據(jù)與實測的后40個呼吸運動的采樣數(shù)據(jù)進行分析和比較。

2 結(jié)果

根據(jù)掃描的肝癌患者自由呼吸狀態(tài)下碘油顯影的運動時序圖，采得30個呼吸周期，共243幅圖像（圖1）。

圖1 肝癌碘油介入術(shù)后患者在透視模式下X射線容積成像系統(tǒng)錐形束CT掃描圖Fig.1 A liver cancer patient with iodised oil interventional operation in 2 dimensional mode of Cone Beam CT

建立患者腫瘤運動的碘油運動曲線，去除首尾若干雜散點，本次研究共采用226個有效采樣點。將碘油運動曲線映射為患者的呼吸運動曲線（圖2）。

圖2 肝癌患者的呼吸運動曲線Fig.2 Breath motion curve of the liver cancer patient

網(wǎng)絡創(chuàng)建成功后，對該BP網(wǎng)絡模型進行訓練（圖3），待系統(tǒng)達到收斂條件時，系統(tǒng)自動停止迭代（圖4～5）。

圖3 BP網(wǎng)絡訓練Fig.3 BP network training

圖4 系統(tǒng)訓練收斂圖Fig.4 Convergence of network training

該BP網(wǎng)絡模型較好地預測了呼吸運動的狀態(tài)，在40個測試點中，除了個別幾點外，90%的預測數(shù)據(jù)偏差在2%以內(nèi)，精準度良好，在呼吸運動的峰值處偏差較為明顯（圖6）?？傮w來說達到了臨床的需要。

圖5 系統(tǒng)訓練回歸分析Fig.5 Regression of network training

圖6 BP網(wǎng)絡模型預測結(jié)果及分析 圖中，A：BP網(wǎng)絡預測輸出；B：BP網(wǎng)絡預測誤差。Fig.6 Prediction and analysis of the BP network model

3 討論

作為訓練使用的歷史數(shù)據(jù)量過少無疑會影響預測精度，尤其對于一個處理非線性數(shù)據(jù)的網(wǎng)絡，如果缺乏足夠多的網(wǎng)絡訓練數(shù)據(jù)，網(wǎng)絡預測值可能存在較大的誤差。另外，過多訓練數(shù)據(jù)也會增加計算量，增加了訓練時間，對減少系統(tǒng)延遲無益。因此，歷史數(shù)據(jù)量選擇要合理。

合適的參數(shù)、權(quán)重有利于預測精準度及提高效率。同時BP神經(jīng)網(wǎng)絡構(gòu)建時應注意隱含層節(jié)點數(shù)的選擇，如果隱含層節(jié)點數(shù)太少，BP網(wǎng)絡不能很好地學習，即不能建立復雜的映射關(guān)系，需要增加訓練次數(shù)，訓練的精準度也受影響；節(jié)點數(shù)太多，訓練時間增加，網(wǎng)絡容易過擬合，即僅訓練樣本預測準確，但其他樣本預測誤差較大。究竟如何選擇還需針對不同病例數(shù)據(jù)進行大量實驗后總結(jié)規(guī)律。

本研究發(fā)現(xiàn)，對于本例肝腫瘤運動曲線峰值處的預測誤差較大，可能是由于呼吸運動沒有嚴格的周期性所導致。在今后進一步研究中，將本研究病例中的神經(jīng)網(wǎng)絡預測與呼吸門控技術(shù)相結(jié)合，或許能夠達到比較理想的效果。

與目前大多數(shù)研究方法一樣，本研究所做工作僅為對歷史數(shù)據(jù)做回顧性分析，并驗證其準確率，如若投入臨床，真正實現(xiàn)實時跟蹤放療，還需與測量裝置相連接（例如包括與X射線容積成像系統(tǒng)系統(tǒng)的軟硬件接口等），其有效性和實時性還有待檢驗。

利益沖突 本研究由署名作者按以下貢獻聲明獨立開展，不涉及任何利益沖突。

作者貢獻聲明 戈偉強、周云負責方法建立和命題設(shè)計；姚曄、張立波負責試驗、數(shù)據(jù)獲取與分析；姚曄負責論文起草；戈偉強負責審閱。

［1］Ruan D,Fessler JA,Balter JM.Real-time prediction of respiratory motion based on local regression methods[J].Phys Med Biol,2007, 52（23）：7137-7152.DOI:http://dx.doi.org/10.1088/0031-9155/52/23/024.

［2］Keall PJ,Mageras GS,Balter JM,et al.The management of respiratory motion in radiation oncology report of AAPM Task Group 76 [J].Med Phys,2006,33（10）：3874-3900.DOI:http://dx.doi. org/10.1118/1.2349696.

［3］Zhao B,Yang Y,Li T,et al.Statistical analysis of target motion in gated lung stereotactic body radiation therapy[J].Phys Med Biol, 2011,56（5）：1385-1395.DOI:10.1088/0031-9155/56/5/011.

［4］Murphy MJ.Tracking moving organs in real time[J].Semin Radiat Oncol,2004,14（1）：91-100.DOI:10.1053/j.semradonc.2003. 10.005.

［5］歐陽斌,盧文婷,竇建洪,等.基于非參數(shù)回歸的呼吸運動預測方法在實時跟蹤放療中的應用[J].南方醫(yī)科大學學報,2011,31（10）：1682-1686.DOI:CNKI:44-1627/R.20111004.1152. 009.Ouyang B,Lu WT,Dou JH.Prediction of respiratory motion based on nonparametric regression for real-time tumor-tracing radiotherapy[J].J South Med Univ,2011,31（10）：1682-1686.

［6］Hoisak JD,Sixel KE,Tirona R,et al.Correlation of lung tumor motion with external surrogate indicators of respiration[J].Int J Radiat Oncol Biol Phys,2004,60（4）：1298-1306.DOI:10.1016/j.ijrobp.2004.07.68.1.

［7］Ahn S,Yi B,Suh Y,et al.A feasibility study on the prediction of tumour location in the lung from skin motion[J].Br J Radiol,2004, 77（919）：588-596.DOI:http://dx.doi.org/10.1259/bjr/ 64800801.

［8］Ozhasoglu C,Murphy MJ.Issues in respiratory motion compensation during external-beam radiotherapy[J].Int J Radiat Oncol Biol Phys,2002,52（5）：1389-1399.DOI:10.1016/S0360-3016（01）02789-4.

［9］Ruan D.Kernel density estimation-based real-time prediction for respiratory motion[J].Phys Med Biol,2010,55（5）：1311-1326. DOI:10.1088/0031-9155/55/5/004.

［10］Krauss A,Nill S,Oelfke U.The comparative performance of four respiratory motion predictors for real-time tumour tracking[J].Phys Med Biol,2011,56（16）：5303-5317.DOI:10.1088/0031-9155/56/16/015.

［11］Murphy MJ,Pokhrel D.Optimization of an adaptive neural network to predict breathing[J].Med Phys,2009,36（1）：40-47.DOI:10. 1118/1.3026608.

［12］Ramrath L,Schlaefer F,Ernst A,et al.Prediction of respiratory motion with a multi-frequency based Extended Kalman Filter[J].Int J CARS,2007,2（Suppl 1）：S56-60.DOI:10.1007/s11548-007-0083-7.

［13］Kakar M,Nystr?m H,Aarup LR,et al.Respiratory motion prediction by using the adaptive neuro fuzzy inference system（ANFIS）[J].Phys Med Biol,2005,50（19）：4721-4728.DOI:http://dx. doi.org/10.1088/0031-9155/50/19/020.

Feasibility study on liver tumor motion prediction based on back propagation neural network

Yao Ye,Ge Weiqiang,Zhou Yun,Zhang Libo
Departmentof RadiationOncology,HuadongHospitalAffliatedtoFudanUniversity,Shanghai200040,China

Ge Weiqiang,Email:gortonge@sina.com

Objective This study was performed to determine the feasibility of liver tumor motion prediction based on back propagation（BP）neural network．MethodsA liver cancer patient was scanned using X-ray volume imaging， and all breath motion figures were recorded．The tumor was located using an iodized oil mark．The mark motion track was gathered through image processing．A BP model was established based on the marked track．This model was used for tumor prediction．The results were compared with the true mark track．ResultsAccurate prediction of liver tumor was achieved via BP neural network， with a deviation of less than 1 pixel．However，the predicted value was less accurate at the peak of the breath motion curve，with a deviation of less than 2 pixels．ConclusionsBP neural network is proposed as a new approach for liver tumor motion prediction．This network is beneficial to enhance the accuracy of liver stereotactic body radiation therapy and real-time adaptive radiation therapy．The proposed approach could be applied clinically．

Liver neoplasms;BP neural network;Breath prediction;Image track

戈偉強，Email：gortonge@sina.com

10.3760/cma.j.issn.1673-4114.2016.01.005

2015-07-19）