在肿瘤治疗的过程中,放射治疗已经成为一个非常重要的治疗手段,这就不可避免的提高了对放射治疗的精度的要求。放射治疗的最理想目的是能够准确的对患者的肿瘤区进行高剂量放射,同时尽可能的减少照射到靶区周围正常的组织和器官,也就是更准确的杀死肿瘤细胞,避免破坏正常的组织和细胞。但是,在真正的操作过程中,由于呼吸运动的原因导致胸部和腹部组织和器官的位置和形状发生变化,很有可能导致实际的肿瘤超出靶区,或者低剂量照射,正常的组织和器官也有可能进入计划的靶区范围,遭受一定剂量的照射,从而很大程度上影响放射治疗的效果,更严重的可能会引发正常组织的并发症。如何减少呼吸运动在放疗中的不利因素,已经成为一个我们必须要考虑的难题。在放射治疗过程中,呼吸运动会造成某些器官组织如肺、肝等区域的靶区发生变化,从而降低了放疗的效果,并且加大了对正常组织器官的伤害。目前的常用的减少呼吸运动对肿瘤放射治疗影响的方法很多,最常用的有:1)加大放射治疗范围法。此技术由于扩大了靶区范围会加大对病人的辐射量;2)深吸气再屏气技术。此技术需要病人屏住呼吸,但许多病人不能长时间屏住呼吸;3)Four dimensional computed tomography(4D-CT)。4D-CT用的是病人多个呼吸周期内的平均呼吸轨迹来代表病人真实呼吸轨迹,很显然,这是不准确的;4)呼吸门控技术。Real-time Position Management?System(RPM)是一种重要的呼吸门控技术,它利用身体外标记物以及红外相机之间的距离来估计肿瘤的实际位置。技术要求实时获得肿瘤的运动轨迹,然而机器对于指令是有延迟的,为了减少机器延迟对放疗的影响,需要预测病人的呼吸轨迹来提前调整Multi-Leaf Collimator(MLC)。目前国内外很多学者提出了多种预测方法,本文主要介绍了最常用的三种呼吸信号的预测方法,即线性预测方法、卡尔曼滤波的方法和神经网络方法。每种方式都有一定的优缺点,已有学者通过大量对比试验证实神经网络预测方法是这三种预测方法里面最有效的。由于具备较好的非线性拟合能力,优化反向传播神经网络(Back Propagation Neural Network,BP-NN)已经被广泛应用于呼吸的预测,然而BP-NN容易陷入局部最优值。本文提出一种应用粒子群算法(Particle Swarm Optimization,PSO)优化BP-NN的方法减少陷入局部最优值的几率,提高呼吸运动预测的精度。通过十一组临床病人呼吸运动预测实验对比结果表明本文算法(PSO-NN)相比单纯应用BP-NN的平均绝对误差由0.24减少到0.18(25%),互相关系数由0.82提高到0.86,可以看出本文提出的算法可以有效的减少BP-NN陷入局部最优值的几率,提高预测的精度。另外,本文针对模型中输入层节点数(1、3、5、7、9)、隐含层节点数(1、2、3、4、5)、初始学习率(0.001、0.01、0.1、1、10)以及损失函数精度(0、0.05、0.1、0.15、0.2)进行了探索。实验证明输入层节点数、隐含层节点数以及损失函数精度对效果影响较大,初始学习率对呼吸预测效果影响很小。