بررسی خطاهای موقعیت مکانی بیمار در پرتودرمانی تومورهای حرکتی با استفاده از روش های غیر خطی

یکی از چالش های اساسی در پرتودرمانی خارجی عدم قطعیت های رخ داده شده در تنظیم کردن هندسه بیمار در مقابل پرتوی تابشی می باشد که در نهایت بر روی مقدار دوز سه بعدی تجویز شده در داخل حجم تومور اثر می گذارد. این عدم قطعیت های رخ داده شده شامل عدم درست تنظیم نشدن تخت درمان در طول جلسات درمان و جابجایی های رخ داده شده بین جلسات درمان می باشد که در نهایت منجر به کاهش دقت درمان می شود. روش های مختلفی برای تنظیم کردن تخت درمان در جهت بیم تابشی مورد استفاده قرار می گیرد که می توان به استفاده از سیستم ثابت نگهدارنده برای ثبت اطلاعات از سطح بدن به صورت تصویربرداری با استفاده از ابزارهای غیرتهاجهی می باشد. در این پژوهش، هندسه قرارگیری بیمار به طور جامع توسط فانتوم شبیه ساز انسان با نام 4d xcat شبیه سازی شده است. این فانتوم از روش غیرخطی به نام nurbs برمبنای روش spline برای شبیه سازی4d ارگان های بدن انسان مورد استفاده قرار گرفته است. در این شبیه سازی تمام موقعیت های رایج تخت درمان که شامل جابجایی و چرخش های واقعی است در نظرگرفته شده است. علاوه براین، برای ادامه تحقیقات داده های شبیه ساز برای پنج بیمار واقعی نیز گسترش پیدا کرده است. در برخی از روش های کلینیکالی از استراتژی های برای تنظیم کردن موقعیت بیمار در جهت پرتوی تابشی استفاده می کنند، در این روش ها از مدل های تصحیح کننده براساس به تصویر کشاندن سطح قفسه سینه، برمبنای نقاط مرجع همزمان سازی شده برای تخمین زدن جابجایی های رخ داده شده استفاده می کنند. در این تحقیق شش مدل هوشمند برای تخمین و محاسبه پارامترهای تنظیم کردن تخت درمان استفاده شده است. این مدل ها شامل شبکه های عصبی مصنوعی، سیستم استنتاج فازی عصبی، استفاده از دو الگوریتم انتخاب گر ورودی با نام های 1) همبستگی کانونیک با ضرایب 99% و 98% به صورت جداگانه که با روش سیستم استنتاج فازی عصبی ترکیب شده و 2) تجزیه مولفه های اصلی با ضرایب 70% و 19% به صورت جداگانه که با روش سیستم استنتاج فازی عصبی ترکیب شده است که برای تخمین زدن جابجایی های رخ داده شده براساس مجموعه دادهای که شامل نشانگرهای خارجی همزمان شده با موقعیت تخت درمان که به صورت نقاط مرجع تعریف شده استفاده گردید. در ساختار داده های آمورش کیفیت و کمیت از لحاظ چرخش و جابجایی تخت درمان لحاظ شده است که در نهایت منجر به دقت و عملکرد مناسب در مدل های هوشمند می شود. نتایج نهایی حاصل شده، توضیح دهنده این است که مدل های شبکه عصبی و سیستم استنتاج فازی عصبی برای تخمین زدن موقعیت تخت درمان مناسب است. علاوه بر این نتایج مدل ها برای هر بیماری به بیمار دیگر فرق می کند. همچنین رنج فازهای مختلف تنفس در ابتدای دم تا انتهای بازدم در مورد مقدار خطای حاصل شده از تنظیم کردن تخت درمان مورد بررسی قرار گرفته است. بهرحال، درست تنظیم کردن بیمار بر روی تخت درمان در جهت پرتوی تابشی به کیفیت و کمیت داده های آموزشی بستگی دارد. بعد از انتخاب بهترین مدل ها، از دو روش ریاضی همبستگی کانونیک و تجزیه مولفه های اصلی برای بررسی مکان های قرارگیری نشانگرهای خارجی برای پیدا کردن بهترین محل و مناسب ترین تعداد نشانگر استفاده می شود. که در نهایت مشاهده می شود که نشانگرهای 1&3&7&9 نسبت به سایر نشانگرهای خارجی از موقعیت مناسب تری با کمترین مقدار خطا برخوردار می باشد.