癌症仍然是当今世界上死亡率最高的疾病之一,癌症严重威胁着全人类的健康生活。大约70%的癌症病例需要放射治疗,其中,胸腹部的癌症患者占所有癌症患者的大部分。胸腹部肿瘤的治疗相对其他肿瘤更加困难,该部位肿瘤在体内的位置会随着呼吸运动改变,这对肿瘤的治疗造成极大的阻碍。放疗的过程中,放疗辐射束很可能由于呼吸运动的影响照射到健康的组织,这会令患者出现一系列的并发症,精准放疗技术迫在眉睫。由于胸腹部肿瘤目标区域运动,实时精确地跟踪运动肿瘤区域对于精准放疗和提升放疗效率有重大意义。本文提出一种基于循环神经网络(Recurrent Neural Network,RNN)的呼吸运动补偿方法。本文采用的呼吸运动补偿方法分为两部分,首先是根据体外标记物呼吸运动数据训练的预测算法,其次是基于体内和体外两部分呼吸数据学习的关联模型。通过这两个模型可以预测400ms左右的体内肿瘤位置,该预测时间是克服放疗时的系统延迟,达到精准放疗的目的。对于呼吸预测算法,本文使用103个志愿者的呼吸数据库。首先对体外呼吸运动数据进行预处理,其中包括去除噪声数据、对数据归一化、平滑。然后把整个数据集分成训练集(80%)、测试集(20%),再把处理好的数据用于我们的Deep Bi-LSTM网络训练。长短时记忆网络(Long Short-Term Memory,LSTM)是一种特殊的RNN,更适合处理时间序列数据,由LSTM构成的网络相比于普通RNN网络也容易训练,并且可以很大程度上消除RNN在训练过程中出现的梯度爆炸和梯度消失问题。我们的Deep Bi-LSTM网络包含1层输入层,7层LSTM层;每层LSTM输出都连接Dropout层,参数(Dropout Ratio)设为0.2,最后一层采用双曲正切函数作为激活函数的全连接层。由于关联数据量的限制,关联模型使用的是相对简单的多层感知机(MultiLayer Perceptron,MLP)。MLP仅仅包含输入层、输出层、隐藏层共三层。Deep Bi-LSTM呼吸预测算法相比传统的预测方法有更好的效果,用均方根误差(Root-Mean-Square Error,RMSE)评价模型的表现。本实验中,普通的深度全链接网络RMSE=0.432mm,我们的Deep Bi-LSTM预测算法效果提升显著,RMSE=0.097mm,比普通的方法提升约5倍。预测算法和关联模型结合起来,RMSE=0.572mm,满足精准放疗的精度需求。基于LSTM的呼吸运动补偿方法可以准确预测病人的呼吸运动,该方法可应用到胸腹部肿瘤的实时跟踪,提高肿瘤放疗过程的精准程度和效率,具有很高的临床意义。