Funkcinio objekto padėties prognozavimas kompensuojant kvėpavimo sukelta judėjimą radioterapijoje

Abstract

Radioterapijos procedūros metu radiacijos doze pataikyti tiesiai į auglį, nepažeidžiant aplinkinio sveiko audinio, yra sudėtinga dėl kvėpavimo sukelto judejimo. Siekiant pagerinti gydymo efektyvumą, ieškoma neinvazinių metodikų, kurios leistų kontroliuoti šį judejimą. Vienas iš būdų yra funkcinio objekto (auglio) padėties prognozavimas pagal išorinio markerio padėtį, naudojant matematinį modelį. Šiame darbe yra pristatomos keturios metodikos: porinės tiesinės regresijos, daugialypės tiesinės regresijos, porinės tiesinės regresijos su ARIMA paklaidomis, ARIMA bei SARIMA modeliai. Visi modeliai buvo pritaikyti tyrimo duomenis, ištirtos septynios serijos su vidiniais funkciniais objektais ir išoriniais markeriais. Skirtingų modelių tinkamumui įvertinti yra atsižvelgiama į funkcinio objekto padėties prognozavimo tikslumą, t. y. siekiama gauti kuo mažesnę vidutinę absoliuciąją paklaidą (MAE) bei šaknį iš vidutinės kvadratinės paklaidos (RMSE). Išanalizavus gautus rezultatus, nustatyta, jog iš visų nagrinėtų metodikų funkcinio objekto padėtis prognozuojama tiksliausiai naudojant porinės tiesineės regresijos modelį su prielaida, kad funkcinio objekto padėtis priklauso nuo išorinio markerio koordinatės su didžiausia amplitude.

During radiotherapy procedure it is difficult to emit a radiation dose straight to the tumour, without impact on the surrounding healthy tissue, due to respiratory motion. In order to improve efficiency of the treatment, attempts have been made to find non-invasive techniques which allow to control this motion. One of the techniques is position prediction of functional target (tumour), using mathematical model. This work presents four methodologies: simple linear regression, multiple linear regression, simple linear regression with ARIMA errors, ARIMA and SARIMA models. All models were applied to the research data, seven sets containing internal functional targets and external markers were analysed. Prediction accuracy of functional target position is the key factor in order to evaluate different models’ validation, i. e. the goal is to estimate mean absolute error (MAE) and root mean square error (RMSE) as small as possible. The analysis of the results showed that functional target position is predicted most precisely by using the simple linear regression model with an assumption that functional target position depends on the external marker’s coordinate with the largest amplitude.