放射治疗的效果始终是临床关心的重要问题。理想放射治疗的目的是精确给予肿瘤高剂量的同时尽量减少对靶区周围正常组织的照射。以“精确定位、精确计划、精确治疗”为特征的精确放射治疗技术基本要求是在肿瘤治疗上实现高精度、高剂量、高疗效和低损伤(三高一低)。近年来放疗领域出现的适形、三维适形调强放疗技术和图像引导放疗技术对于体积较小,靶区容积固定的肿瘤的有良好的剂量分布和治疗效果,很大程度上解决了静止且似刚性靶区的剂量适形放射问题。这些技术使得计划中的肿瘤靶区的容积和形状(PTV)更加贴近临床靶区容积(CTV),靶区剂量与分布适形性得到更好的调整。随着成像技术的进一步发展,图像引导放疗成为解决放疗中的分次间摆位和分次内呼吸条件下肿瘤不确定性问题的关键,且后者始终是该领域研究的热点和难点。基于IGRT的分次间摆位技术已经比较成熟：较早的定位技术是在加速器位置集成了电子端口成像系统(EPID),针对精确的初始摆位,EPID利用骨结构和植入的基准标记进行目标确认。单平板X射线成像系统被用于IGRT,不仅能够得到更好的透视图像,而且能够通过X射线探测系统围绕等中心点旋转一周进行锥束断层成像,以此获取软组织分辨效果较好的三维目标成像数据。随着实时成像技术的发展,动态自适应放疗作为一种实时图像引导放疗形式得以发展,并且分次内肿瘤跟踪技术正成为其研究热点,也是极富挑战性的难题。放射治疗分次内的器官运动严重影响着当前临床放疗的效果：为确保射束充分覆盖肿瘤,通常勾画足够的靶区边缘,尤其是胸部、腹部肿瘤的治疗。在肿瘤靶区的精确放射治疗中,靶区随着人体固有的呼吸运动而不断改变位置,于甬华[2]等人使用美国picker公司生产的picker-2000sCT机对54例周围型肺癌靶区的呼吸位移量进行了测量,并用spss统计软件包对测量数据进行多元线性回归分析,结果显示,Z轴方向位移量(0.66±0.46)cm(范围0.10-2.00)cm,X轴方向为(0.30±0.25)cm(范围0.00-0.90)cm,Y轴方向为(0.37±0.34)cm(范围0.00-0.90cm)；Erridge[3]等利用射野影像系统监测了25例非小细胞肺癌患者肺部肿瘤的运动,发现肿瘤侧向运动距离为7.3mm±2.7mm,头脚方向为12.5mm±7.3mm,前后方向为9.4mm±5.2mm；Shimizu等[4]在患者自由呼吸状态下对下肺部肿瘤进行CT扫描,利用三角形的各个边长之间的关系计算出肿瘤的位移,结果显示,肺下叶肿瘤头脚方向平均位移10.1mm(3.4～24.0mm),左右方向平均位移9.1mm(0-22.0mm),上中叶肿瘤头脚方向平均位移是6.2mm(2.4～11.3mm),因此,Shimizu等人认为制定放疗计划时有必要外放一个安全的边界；Seppenwoolde等[5]在治疗前将直径为2mm的金制标记放置在20例患者的肿瘤内或附近,以金制标记的运动代表肺部肿块的运动情况。在平静呼吸的条件下进行CT扫描,发现位于肺下叶、末侵犯脊柱或胸壁等固定结构的肿瘤在头脚方向的运动幅度为12mm±6mm,位于肺上叶或侵犯固定结构的肿瘤在头脚方向的运动幅度2mm±2mm。基于以上分析,胸腹部肿瘤靶区的呼吸运动位移会对放疗靶区精确定位构成较大的不利影响,于是为了确保临床肿瘤靶区(CTV)要接收到高剂量的照射,传统的做法是,当肿瘤的临床靶区(CTV)被医生勾画出来之后,考虑到靶区的呼吸运动位移,在此基础之上再继续扩大CTV的靶区边界变为计划靶区(PTV)[6,7],在制订放疗计划时将PTV做为高剂量参考区。这样做虽然最终能够确保肿瘤靶区接收到足够高的剂量,但与此同时,临近靶区周围的更多正常组织也会被包括进高剂量区域,故会增加了发生正常组织并发症的概率。扩大靶区边界的做法并不满足精确放射治疗的要求和期望。为了控制肿瘤靶区的呼吸动度对精确放疗疗效的不利影响,根据国内外相关文献的报道,传统的呼吸控制技术与方法在临床肿瘤放疗领域中得到应用和推广,主要包括：1)深吸气屏气方法[8];2)胸腹部被动加压技术[9];3)主动呼吸控制技术[10]；4)呼吸门控技术[11]；5)扩大放射治疗靶区边界等。这些技术的产生为胸腹部肿瘤的放射治疗有着积极的意义,但是人们很快发现,这些技术并不能很好地达到人们期望的目的。呼吸保持方法要求病人在治疗过程中保持某一呼吸状态,这个要求对于那些有肺功能缺损的病人来说耐受性是很差的；被动加压技术虽然简单易行,但是此方法精度较差；主动呼吸控制技术的缺点在于每次呼吸控制前,因患者的功能残气量不同、重复吸气控制造成疲劳以及肺肿瘤患者多伴有呼吸系统症状而致耐受性较差；门控技术要求放射线和病人呼吸周期同步,只在一个很小的呼吸期内打开射线经行照射,这样增加了治疗的时间；扩边增加了肿瘤周围健康组织的照射体积。传统的方法对患者的呼吸状态要求严格,治疗效率较低,且正常组织仍然受到较大的伤害。所以肿瘤跟踪技术越来越成为关注的热点。但是由于人体呼吸和肿瘤运动的密切相关性,在每次放疗中实施治疗时,都需要分析肿瘤目标随呼吸运动的变化情况。放射治疗过程中肿瘤随呼吸运动已经引起业内的广泛重视。针对动态肿瘤治疗的研究由两部分组成：其一是实时跟踪肿瘤的位置和形状,其二是肿瘤形态变化情况下剂量传输方法。前者考虑了空间物理定位和射束跟踪问题；后者考虑了治疗计划中与肿瘤特性相适应的生物放射剂量学问题。针对胸腹部呼吸运动下的肿瘤治疗,第一类研究尤为重要。但是目前图像引导放射治疗技术由于图像采样率的限制和系统延迟,最近可用的图像不能精确地反映肿瘤在治疗时刻的位置。因此,利用呼吸信号控制动态放疗过程中,为了有效应对上述系统延时,必须进行呼吸信号预测或肿瘤运动估计[12]。由于呼吸信号本身具有很强的特异性,不同人之间与同一个人在不同的时间段呼吸的模式都会有发生变化,所以精确且高效的呼吸信号预测算法成为放疗领域研究的一个重要方向。本文致力于研究胸腹部肿瘤随呼吸运动的预测技术。由于呼吸节律的复杂性和不确定性,需要一种合理的数学模型来提高呼吸运动实时预测的精度。本文采用一种结合遗传算法(Genetic Algorithm, GA)优化BP(Back Propagation,BP)神经网络参数的呼吸运动预测方法。该方法主要由三部分构成：(1)构建BP神经网络结构,确定神经网络的系数包括各个节点的权重和偏移值作为遗传算法对BP神经网络优化的参数集,文中采用实数编码的方式对待优化的神经网络参数进行编码；(2)采集呼吸运动数据选取数据对GA-BP神经网络进行训练,在神经网络训练和预测中样本的选取对最后的结果有非常重要的影响,一般地要求训练的样本必须大于一个周期并且能够体现总体数据的基本特征,通过选取的数据训练获得参数优化的BP神经网络；(3)当获得满足要求的优化参数后,我们就可以利用参数优化的BP神经网络对呼吸运动预测。需要注意的是,因为呼吸运动具有很强的特异性,所以训练好的神经网络只能确定对特定个体(提供训练样本的个体)有良好的预期效果。本文的数据来源是通过视频采集的方式对胸壁标记物随呼吸产生运动位移的视频进行检测、跟踪并记录标记物运动坐标数据；由于在视频采集和运动目标检测的过程中存在着一定的噪声,为了获得良好的优化、训练和预测的效果,利用了Matlab7.6对胸壁标记物运动的运动坐标数据在试验的过程中进行平滑滤波预处理。为了评价呼吸轨迹的预测精度,本文分析了胸壁随呼吸运动的基准点的运动轨迹和预测算法得到的运动轨迹之间的均方根误差和平均绝对百分差作为标准评价预测算法的精度。同时为了体现算法的有效性,本文采用同样的数据和相同的算法精度评价标准比较研究了目前存在的预测方法包括BP神经网络、线性预测、MRS(most recent sample)方法,实验结果证明,文中提出的方法对不同的延迟时间能有效地减少了预测误差。此外,文中还尝试了用多点预测的方法对胸壁基准点的运动轨迹进行预测,数据的来源仍然采用视频采集的方法,在胸壁放置一个待预测点和三个参考点[13、14、15],对这四个点进行运动检测和跟踪,利用三个参考点的数据经过遗传算法优化和BP神经网络训练对待预测点的运动进行预测。实验的结果表明,多个标记点预测在总体的表现比单个标记点预测更加地稳定和精确。