表面引导呼吸信号集成在智能4DCT中的原型实现及与红外标记系统的比较

本研究针对呼吸自适应智能四维计算机断层扫描(i4DCT)中运动伪影问题，创新性地将表面引导放射治疗(SGRT)这一无标记技术集成至i4DCT采集工作流。研究人员通过原型CT扫描仪实验验证，发现SGRT系统虽存在约63ms延迟，但通过运动校正和50ms预测算法可显著提升精度，肿瘤质心偏差降至<0.5mm。该研究为i4DCT提供了临床可行的非接触式替代方案，对精准放疗具有重要意义。

　　

在精准放疗领域，呼吸运动一直是困扰临床医生的难题。当患者进行胸部或腹部肿瘤放射治疗时，随着呼吸起伏，肿瘤位置会发生显著移动，这种移动可能导致影像模糊、靶区划定不准确，最终影响治疗效果。传统的四维计算机断层扫描(4DCT)技术通过回顾性排序投影数据来表征运动，但在不规则呼吸模式下容易产生运动伪影，进而影响肿瘤勾画精度，甚至需要扩大治疗边界或重复扫描。

为解决这一难题，智能4DCT(i4DCT)技术应运而生。这种创新技术能够实时分析呼吸信号，仅在特定呼吸状态和数据完整性条件下触发X射线采集，从而即使在不规则呼吸情况下也能完整捕获数据。然而，现有i4DCT系统主要依赖红外(IR)标记或压力传感带，这些方法各有局限：IR标记需要精确定位标记块，压力带则设置繁琐且依赖患者配合。

表面引导放射治疗(SGRT)作为一种无标记技术，通过追踪患者皮肤表面来推导呼吸信号，已在放疗定位和实时运动监测中得到广泛应用。但SGRT能否满足i4DCT对实时替代信号集成的严格要求，特别是其实际可行性如何，仍有待验证。此前的研究多局限于模拟和实验，缺乏直接控制扫描仪的实证研究。

研究人员利用原型多排CT扫描仪(SOMATOM go.Open Pro)开展了系统研究，该设备允许通过呼吸门控接口实现SGRT系统的实时控制。实验采用动态胸部模体(CIRS model 008A)，模拟临床相关的规则和不规则呼吸信号。研究团队比较了SGRT系统(SimRT)与成熟的IR系统(RGSC)在替代信号准确性、延迟和运动重建精度方面的表现。

为提升SGRT替代信号的准确性，研究人员经验性地建模了扫描床运动校正曲线，并实施了供应商特定的预测算法。该预测算法基于多项式外推最近呼吸振幅，通过定义的时间偏移预测未来信号值。实验设置了50ms和100ms两种固定预测偏移，前者基于先前观察到的延迟，后者用于测试超出报告延迟的更强预测校正效果。

在信号准确性评估方面，研究采用了均方根误差(RMSE)、平均绝对误差(MAE)和皮尔逊相关系数(r)等指标。运动重建精度则通过振幅基(AB)和相位基(PB)重建来评估，提取球形肿瘤插入物的质心(COM)位置进行分析。

系统延迟测量

时序分析显示，SGRT系统相对于参考系统的绝对延迟约为63ms，而IR系统约为23ms。这种延迟差异在快速呼吸情况下可能影响相位分配和运动分档的时序准确性。

模体测量中的呼吸信号评估

across all regular breathing signals, IR系统(RGSC)与参考信号表现出极好的一致性，RMSE和MAE值通常低于0.2mm，相关系数r=1.0。SGRT系统(SimRT)显示出较高的RMSE值(最高达1.5mm)，特别是在较大振幅(25mm)或不规则呼吸期间，但相关性仍然较高(r=1)。预测算法的应用对呼吸信号质量影响 negligible，50ms和100ms预测设置的RMSE和MAE值几乎不变。

模体测量中的运动重建精度评估

相位基重建通常优于振幅基重建。例如，在12BPM/15mm条件下，IR系统在PB呼气期和AB呼气期的COM偏差分别为-0.1±0.1mm和0.5±0.2mm，而SGRT系统相应为0.1±0.1mm和0.9±0.3mm。振幅基重建 consistently 显示较大偏差，因其对不规则或变化呼吸行为更加敏感。

预测算法的应用显著改善了SGRT系统的COM精度。在20BPM/15mm条件下，无预测时SGRT的AB呼气期偏差达1.5±0.5mm，而应用50ms预测后降至0.4±0.2mm。值得注意的是，在20BPM/15mm条件下，SGRT配合50ms预测的AB偏差低于IR系统，证实了延迟补偿的有效性。

研究结论强调，表面引导放射治疗(SGRT)结合运动校正和预测建模后，可作为i4DCT中红外追踪的临床可行替代方案。尽管SGRT系统存在较高延迟，但通过适当的预测算法可以有效补偿，实现与成熟IR系统相当的运动重建精度。这一发现为无标记呼吸监测技术在精准放疗中的应用开辟了新途径，有望提高4D成像质量，减少运动伪影，最终提升治疗效果。

该研究的创新之处在于首次实现了SGRT与i4DCT的原型集成，并系统评估了其在控制实验环境下的性能。未来工作应集中于临床验证此方法，并探索与多供应商平台的集成，以实现广泛临床应用。同时，针对低振幅信号和高度不规则呼吸模式的鲁棒性仍需进一步研究，可能通过结合机器学习预测器和患者指导来优化延迟补偿策略。