BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)肝腫瘤運(yùn)動(dòng)趨勢(shì)可行性研究

姚曄 戈偉強(qiáng) 周云 張立波

200040 上海，復(fù)旦大學(xué)附屬華東醫(yī)院放療科

BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)肝腫瘤運(yùn)動(dòng)趨勢(shì)可行性研究

姚曄 戈偉強(qiáng) 周云 張立波

200040 上海，復(fù)旦大學(xué)附屬華東醫(yī)院放療科

目的 利用BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型對(duì)1例肝癌碘油介入術(shù)后患者的肝腫瘤運(yùn)動(dòng)趨勢(shì)進(jìn)行預(yù)測(cè)。方法 使用X射線容積成像系統(tǒng)對(duì)某肝癌患者進(jìn)行掃描，采集各時(shí)相呼吸運(yùn)動(dòng)圖像。利用碘油標(biāo)記方法，對(duì)肝癌病灶進(jìn)行定位，并通過(guò)圖像檢測(cè)技術(shù)，獲取病灶標(biāo)記點(diǎn)的運(yùn)動(dòng)軌跡。對(duì)標(biāo)記點(diǎn)的運(yùn)動(dòng)軌跡數(shù)據(jù)進(jìn)行分析，建立BP神經(jīng)網(wǎng)絡(luò)模型，并用其預(yù)測(cè)下一時(shí)間段的運(yùn)動(dòng)曲線，將預(yù)測(cè)結(jié)果與腫瘤標(biāo)記點(diǎn)實(shí)際的運(yùn)動(dòng)軌跡進(jìn)行比較分析。結(jié)果 利用BP神經(jīng)網(wǎng)絡(luò)可以有效預(yù)測(cè)肝腫瘤的運(yùn)動(dòng)趨勢(shì)，在一定時(shí)間段內(nèi)可保持良好的精準(zhǔn)度，誤差在1個(gè)像素距離內(nèi)，但在呼吸運(yùn)動(dòng)峰值處預(yù)測(cè)精準(zhǔn)度尚不理想，誤差接近2個(gè)像素距離。結(jié)論 BP神經(jīng)網(wǎng)絡(luò)模型是預(yù)測(cè)肝腫瘤運(yùn)動(dòng)的一種新方法，可能對(duì)肝癌的體部立體定向放療以及實(shí)時(shí)跟蹤放療精準(zhǔn)度的提升有一定幫助，且具有一定的臨床價(jià)值。

肝腫瘤；BP神經(jīng)網(wǎng)絡(luò)；呼吸預(yù)測(cè)；圖像跟蹤

隨著腫瘤放射治療（簡(jiǎn)稱(chēng)：放療）進(jìn)入“精確定位、精確計(jì)劃、精確治療”時(shí)代，對(duì)腫瘤的實(shí)時(shí)跟蹤定位提出了更高要求。放療過(guò)程中，胸腹部腫瘤的位移主要是受呼吸運(yùn)動(dòng)的影響。腫瘤病灶在呼吸周期內(nèi)隨著時(shí)間表現(xiàn)出與呼吸運(yùn)動(dòng)相關(guān)性的運(yùn)動(dòng)，這使得定位掃描、靶區(qū)勾畫(huà)、計(jì)劃設(shè)計(jì)、實(shí)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(yùn)動(dòng)帶來(lái)的影響，放療工作者采取了各種方法，比如：呼吸訓(xùn)練、門(mén)控技術(shù)等。利用電子射野影像裝置或者錐形束計(jì)算機(jī)斷層成像裝置的圖像引導(dǎo)技術(shù)為腫瘤病灶的實(shí)時(shí)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(wèn)題。本研究針對(duì)動(dòng)態(tài)實(shí)時(shí)跟蹤腫瘤的前沿問(wèn)題，提出一種呼吸信號(hào)預(yù)測(cè)模型，利用已獲取的呼吸信號(hào)數(shù)據(jù)對(duì)患者的呼吸運(yùn)動(dòng)狀態(tài)進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證和評(píng)價(jià)。

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(jī)載的X射線容積成像系統(tǒng)進(jìn)行錐形束CT掃描，記錄其自由呼吸狀態(tài)下碘油顯影的運(yùn)動(dòng)時(shí)序。

考慮到呼吸運(yùn)動(dòng)在頭腳方向的幅度最為明顯，而且與胸腹部腫瘤運(yùn)動(dòng)具有良好的相關(guān)性，本研究?jī)H計(jì)算腫瘤在頭腳方向上的運(yùn)動(dòng)軌跡。采用小波變換方法對(duì)圖像進(jìn)行增強(qiáng)，對(duì)增強(qiáng)后的圖像進(jìn)行邊緣檢測(cè)，使用Canny算子實(shí)現(xiàn)膈肌邊緣提取，通過(guò)Matlab編程跟蹤碘油標(biāo)記點(diǎn)的運(yùn)動(dòng)軌跡。

利用Matlab軟件建立一套BP（back propagation）網(wǎng)絡(luò)，反饋步進(jìn)為26，將前160個(gè)呼吸運(yùn)動(dòng)的數(shù)據(jù)作為輸入數(shù)據(jù)。由于BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精準(zhǔn)度有較大的影響，所以經(jīng)過(guò)調(diào)試，創(chuàng)建BP網(wǎng)絡(luò)。

使用訓(xùn)練好的BP模型進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)的后40個(gè)呼吸運(yùn)動(dòng)的采樣數(shù)據(jù)進(jìn)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(yùn)動(dòng)時(shí)序圖，采得30個(gè)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(yùn)動(dòng)的碘油運(yùn)動(dòng)曲線，去除首尾若干雜散點(diǎn)，本次研究共采用226個(gè)有效采樣點(diǎn)。將碘油運(yùn)動(dòng)曲線映射為患者的呼吸運(yùn)動(dòng)曲線（圖2）。

圖2 肝癌患者的呼吸運(yùn)動(dòng)曲線Fig.2 Breath motion curve of the liver cancer patient

網(wǎng)絡(luò)創(chuàng)建成功后，對(duì)該BP網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練（圖3），待系統(tǒng)達(dá)到收斂條件時(shí)，系統(tǒng)自動(dòng)停止迭代（圖4～5）。

圖3 BP網(wǎng)絡(luò)訓(xùn)練Fig.3 BP network training

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

該BP網(wǎng)絡(luò)模型較好地預(yù)測(cè)了呼吸運(yùn)動(dòng)的狀態(tài)，在40個(gè)測(cè)試點(diǎn)中，除了個(gè)別幾點(diǎn)外，90%的預(yù)測(cè)數(shù)據(jù)偏差在2%以?xún)?nèi)，精準(zhǔn)度良好，在呼吸運(yùn)動(dòng)的峰值處偏差較為明顯（圖6）。總體來(lái)說(shuō)達(dá)到了臨床的需要。

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

圖6 BP網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果及分析 圖中，A：BP網(wǎng)絡(luò)預(yù)測(cè)輸出；B：BP網(wǎng)絡(luò)預(yù)測(cè)誤差。Fig.6 Prediction and analysis of the BP network model

3 討論

作為訓(xùn)練使用的歷史數(shù)據(jù)量過(guò)少無(wú)疑會(huì)影響預(yù)測(cè)精度，尤其對(duì)于一個(gè)處理非線性數(shù)據(jù)的網(wǎng)絡(luò)，如果缺乏足夠多的網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，網(wǎng)絡(luò)預(yù)測(cè)值可能存在較大的誤差。另外，過(guò)多訓(xùn)練數(shù)據(jù)也會(huì)增加計(jì)算量，增加了訓(xùn)練時(shí)間，對(duì)減少系統(tǒng)延遲無(wú)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(yù)測(cè)精準(zhǔn)度及提高效率。同時(shí)BP神經(jīng)網(wǎng)絡(luò)構(gòu)建時(shí)應(yīng)注意隱含層節(jié)點(diǎn)數(shù)的選擇，如果隱含層節(jié)點(diǎn)數(shù)太少，BP網(wǎng)絡(luò)不能很好地學(xué)習(xí)，即不能建立復(fù)雜的映射關(guān)系，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精準(zhǔn)度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時(shí)間增加，網(wǎng)絡(luò)容易過(guò)擬合，即僅訓(xùn)練樣本預(yù)測(cè)準(zhǔn)確，但其他樣本預(yù)測(cè)誤差較大。究竟如何選擇還需針對(duì)不同病例數(shù)據(jù)進(jìn)行大量實(shí)驗(yàn)后總結(jié)規(guī)律。

本研究發(fā)現(xiàn)，對(duì)于本例肝腫瘤運(yùn)動(dòng)曲線峰值處的預(yù)測(cè)誤差較大，可能是由于呼吸運(yùn)動(dòng)沒(méi)有嚴(yán)格的周期性所導(dǎo)致。在今后進(jìn)一步研究中，將本研究病例中的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與呼吸門(mén)控技術(shù)相結(jié)合，或許能夠達(dá)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(duì)歷史數(shù)據(jù)做回顧性分析，并驗(yàn)證其準(zhǔn)確率，如若投入臨床，真正實(shí)現(xiàn)實(shí)時(shí)跟蹤放療，還需與測(cè)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(shí)時(shí)性還有待檢驗(yàn)。

利益沖突 本研究由署名作者按以下貢獻(xiàn)聲明獨(dú)立開(kāi)展，不涉及任何利益沖突。

作者貢獻(xiàn)聲明 戈偉強(qiáng)、周云負(fù)責(zé)方法建立和命題設(shè)計(jì)；姚曄、張立波負(fù)責(zé)試驗(yàn)、數(shù)據(jù)獲取與分析；姚曄負(fù)責(zé)論文起草；戈偉強(qiáng)負(fù)責(zé)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(yáng)斌,盧文婷,竇建洪,等.基于非參數(shù)回歸的呼吸運(yùn)動(dòng)預(yù)測(cè)方法在實(shí)時(shí)跟蹤放療中的應(yīng)用[J].南方醫(yī)科大學(xué)學(xué)報(bào),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(qiáng)，Email：gortonge@sina.com

10.3760/cma.j.issn.1673-4114.2016.01.005

2015-07-19）