X射线引导放疗中肿瘤追踪的最优间歇测量

在放射治疗中，肿瘤追踪是一项具有挑战性的任务，可实现更好的剂量投递。一种做法是在治疗期间实时获取X射线图像，用于估计肿瘤位置。这些信息被用来预测近未来的肿瘤轨迹。卡尔曼预测是此项任务的经典方法。X射线获取的主要缺点在于它会使患者及其健康组织受到照射。在经典卡尔曼框架中，X射线测量是定期进行的，即以恒定速率进行。本文提出一种新方法，放宽该约束以便在测量最有用时进行测量。我们的目标是在给定测量预算下优化追踪过程。这一想法自然引出了一种最优间歇卡尔曼预测器，其测量时刻的选择使整个分次治疗中的均方预测误差最小化。当呼吸模型已被辨识时，该优化问题可直接求解，最优采样时刻可一次性算出。这些最优测量时刻通过遗传算法求解组合优化问题获得。我们基于一名患者验证过的轨迹建立了测试基准。该新预测方法与常规卡尔曼预测器比较，在均方根位置估计误差上观察到9.8%的相对改善。