动态肿瘤实时跟踪方法 【技术领域】
本发明涉及一种图像引导跟踪的方法，尤其是涉及一种图像引导实时跟踪的方法。
背景技术
立体定向放射治疗主要分为60Co立体定向放疗和电子直线加速器立体定向放疗两大类。随着科学技术的进步，精确放射治疗技术的实施，大大提高了肿瘤治疗的准确性和疗效，是整个放疗领域的发展方向。放射治疗中，肿瘤组织随时间动态地变化，如：胸腹部器官肿瘤的放疗很大程度受呼吸运动影响，由此产生的不确定性问题成为当前放射治疗面对的主要问题。传统的基于适形调强技术的放疗模式通常采用等中心位移控制、呼吸训练、呼吸门控放射等技术来应对上述问题。
(1)等中心位移控制技术：如西门子公司的Primaton系统，它利用前若干次摆位时检测到的运动和摆位的系统误差对肿瘤中心的位置进行修正，该方法作为一种近似治疗手段对正常组织伤害较大。
(2)呼吸训练方法中，会迫使患者承受一定的呼吸约束，因而无法保证治疗的稳定性。
(3)呼吸门控放射技术中，只利用呼吸周期的局部时段治疗，效率很低，并且无法估计肿瘤运动的准确时相。
目前采用的适形调强放疗技术治疗静止的肿瘤基本可以达到治疗目的，而对于肺部、腹部等部位的动态肿瘤的治疗很难获得良好效果，主要问题是采用传统的门控和呼吸训练方法治疗时不易掌握门控的时机，且门控的局部治疗时段窄，很影响治疗效率。
专利号为US 20060074292，名称为“Dynamic tracking of moving targets”的美国专利，介绍了一种动态肿瘤跟踪放疗的方法，该方法，在治疗前利用采集的三维CT(3D-CT)序列图像和肿瘤的数字重建X射线图像(肿瘤形态)分析并记录肿瘤在呼吸周期中的位置；治疗中进行肿瘤形态图像与实时X射线图像的配准、利用四维数学模型描述肿瘤解剖学区域的运动与形变，从而完成肿瘤目标的跟踪与实时定位。呼吸周期任意时刻的靶区剂量控制由连接参考结构与解剖学区域的四维数学模型决定。
该专利内容所包含的四维数学模型的形变跟踪需要一定的计算负荷，缺少对治疗延时的计算方案，由于没有考虑延时问题，在实时跟踪放疗中，将产生较大的跟踪误差，影响放射治疗的效果。
【发明内容】
针对现有技术的上述缺陷，本发明提供一种动态肿瘤实时跟踪方法，通过分析计算目标的动态特性，以及通过计算实时图像与预测动态区间的运动矢量场，据此估计出延时的肿瘤形态，实现肿瘤运动的实时跟踪，提高动态肿瘤实时跟踪的效率及其跟踪的精确性。
为了解决以上技术问题，本发明包括以下步骤：
(1)输入：肿瘤解剖结构的图像序列I(k)、呼吸状态特征集R(k)；
(2)建立状态关联数据库，包括：肿瘤解剖结构的图像序列I(k)、肿瘤形态图像序列D(k)、标记物特征集S(k)、呼吸状态特征集R(k)，令T为标准周期长度，上述四种状态数据按照同一时相顺序k＝k1，k2，...kT建立关联；
(3)获取治疗中t＝ti时刻动态肿瘤的实时图像f(ti)和呼吸状态特征R(ti)；
(4)通过预测模型，预测延时Δt后的呼吸状态特征R(ti+Δt)；并在肿瘤形态图像序列中D(k)，确定R(ti+Δt)对应的肿瘤形态变化区间的图像序列D(kj-α)～D(kj+α)，kj∈{1，...，K}；
(5)判别ti时刻下的肿瘤运动与呼吸运动相关性；
(6)将实时图像f(ti)与肿瘤形态变化区间的图像序列，在感兴趣区内逐个进行配准；
(7)从配准结果中选择一幅最佳肿瘤形态图像D(kj+m)，m∈[kj-α，kj+α]，代表ti+Δt时刻的肿瘤形态；
(8)输出描述ti+Δt时刻肿瘤解剖结构的图像I(kj+m)。
本发明步骤(2)中建立关联数据库的具体步骤为：
(a)在患者肿瘤附近体表设置若干标记物；
(b)一个标准呼吸周期下：获取一个呼吸周期中时刻k1，k2，...kT包含体表标记物和肿瘤解剖结构的图像序列I(k)；
(c)同步获取该周期下对应时刻地呼吸状态特征集R(k)，k＝k1，k2，...kT；
(d)依据该呼吸周期的肿瘤解剖结构图像序列I(k)，k＝k1，k2，...kT，通过目标的投影衰减模型分别计算各时刻对应的肿瘤形态图像序列D(k)；
(e)从肿瘤形态图像序列D(k)中，按时相顺序k＝k1，k2，...kT通过图像分割模型分别提取体表标记物和体内参照物，由此建立标记物特征集S(k)，该特征集包含了体表标记物的空间位置数据和相对体内静态参照物的位移数据；
(f)按照时相对应关系，顺序建立该呼吸周期的肿瘤解剖结构图像序列I(k)、肿瘤形态图像序列D(k)、标记物特征集S(k)、呼吸状态特征集R(k)的关联数据库，在后续应用中由R(k)或S(k)的数值进行关联状态的检索。
本发明步骤(3)中获取治疗中肿瘤的实时图像，具体步骤为：
(a)利用两套成像系统建立空间光路相交叉的投影成像方式，每套成像系统由源和探测板构成；
(b)上述光路交叉区域覆盖了体表标记物、肿瘤运动区、设备等中心点；
(c)ti时刻，i∈{1，...，N}，可通过两套系统采集的肿瘤投影图像f1(ti)和f2(ti)计算出肿瘤三维实时图像f(ti)。
本发明步骤(3)中还包括对呼吸状态特征集R(ti)，i∈{1，...，N}，进行状态的判别，具体步骤为：
(a)获取治疗中t＝ti时刻动态肿瘤的实时图像f(ti)和呼吸状态特征R(ti)
(b)将呼吸状态特征R(ti)输入状态判别模型；
(c)依据了呼吸时变信号的速率和方向、或一阶导数过零点、或时变信号的半周期和周期的范围，判断ti时刻的呼吸状态，
若呼吸状态正常，则执行步骤(d)；
否则，进入下一时刻t＝ti+1，并执行步骤(a)；
(d)进行标记物特征匹配和呼吸状态预测
本发明步骤(4)中预测延时Δt后的呼吸状态特征，确定肿瘤形态变化区间的图像序列，具体步骤为：
(a)将ti时刻的呼吸状态特征R(ti)输入呼吸预测模型，预测延时Δt后的呼吸状态特征R(ti+Δt)；
(b)通过R(ti+Δt)检索参考数据库中对应的肿瘤形态图像D(kj)，j∈{1，...T}，并选择适当的偏离度α，从而生成ti+Δt时刻的肿瘤形态变化区间的图像序列D(kj-α)～D(kj+α)；
本发明步骤(5)中判别肿瘤运动与呼吸运动相关性的具体步骤为：
(a)建立匹配函数F1(·)，输入项为实时图像f(ti)的标记物特征S(ti)和肿瘤形态图像序列D(k)中的标记物的特征集S(k)，输出项为标记物的相似性测度ρ(S(ti)，S(k))；
(b)利用F1(·)进行标记物特征S(ti)与标记物特征集S(k)的快速匹配；选择最大的相似性测度ρmax(kj)，1≤j≤T对应的肿瘤形态图像Dmax(kj)作为实时图像f(ti)对应的肿瘤状态；
(c)建立相似度函数F2(·)，输入包含感兴趣区的f′(ti)和D′max(kj)图像的灰度数据，在最小均方误差约束条件下，输出为感兴趣区中肿瘤形态偏差δ(ti)；
若δ(ti)符合要求，则执行步骤(7)，
否则执行步骤(3)，进入下一时刻t＝ti+1的计算。
本发明步骤(7)中从配准结果中选择一幅最佳肿瘤形态图像，具体步骤为：
(a)采用基于图像特征的方法建立配准算法模型，并将感兴趣区内肿瘤容积图像f′(ti)与肿瘤形态变化区间的图像序列D(kj-α)～D(kj+α)中的各个图像D′(kj+m)，m＝-α，...，+α，逐个配准；
(b)依据计算出的若干配准结果，分别得到运动矢量场V′(ti，m)，i∈{1，...，N}；
(c)构造能量代价函数H(·)，该函数的输入为ti-1时刻和ti时刻肿瘤目标的运动矢量场V′(ti-1，m)和V′(ti，m)，i∈{1，...，N}，在运动平滑性和连续性约束条件下，该函数的输出为动态区间中运动连续性的平均测度E~m,m∈{-α,...,+α}.]]>
(d)从配准图像中选择最大测度值对应的肿瘤形态图像D(kj+m′)，m′∈{-α，...，+α}，作为最佳肿瘤形态图像。
所述肿瘤解剖结构的图像序列I(k)可以是临床获取的多种模态的医学图像数据，包括：CT、MRI、PET等；关于肿瘤形态图像，主要指从数学上模拟CT的成像几何原理，依据投影衰减模型计算出肿瘤的数字重建X射线图像；进一步，在三维重建算法下获取肿瘤形态图像序列D(k)，(k＝k1，k2，...kT)。
所述内容中ti时刻下的f′(ti)，V′(ti)分别为f(ti)，V(ti)的感兴趣区表达方式；同样D′(kj)分别为D(kj)的感兴趣区。所述感兴趣区内的动态肿瘤目标覆盖了各类图像中肿瘤目标运动的最大区域，具有统一的空间尺寸，在各类计算步骤和实现方式中下可以是二维或者三维数据形态。
所述呼吸状态特征R(t)的获取手段包括：
(a)通过测量体表标记物相对静态参照物的位移信号变化，提取呼吸状态特征；
(b)呼吸条件下，通过呼吸测量设备获取呼吸信号，提取呼吸状态特征；
本发明采用的技术方案包括：(1)在正确判别呼吸状态的基础上，进行肿瘤的解剖学形态和空间位置的精确估计和实时跟踪，真正达到动态适形、实时调强的治疗效果；(2)用状态空间取代传统时间变量空间，从而使得治疗过程中的呼吸运动无需符合特定的规律和时相约束；(3)采用非线性呼吸运动跟踪模型处理局部运动和动态范围变化。由于采用了该技术方案，产生了如下技术效果：
第一，能够处理任意部位和类型特征的肿瘤
本发明可以解决任意呼吸状态下、任意形状的肿瘤定位和形态跟踪问题。能够连续、自动、全周期地精确治疗受呼吸运动影响大的肺部/腹部的肿瘤，也包括治疗人体任何普通部位静止的肿瘤。
第二，肿瘤局部控制率更高、跟踪定位更准
原因在于：(1)利用呼吸信号进行状态判别和预测，比起单纯利用实时图像与肿瘤形态/3D-CT序列进行肿瘤的运动的配准/跟踪来说，能够极大地减少计算负荷、从而减少计算延时、进而降低跟踪误差；(2)非线性呼吸运动跟踪模型不同于传统线性估计模型，能够估计和计算局部发生的更多运动细节，因此可减少估计结果和实际结果间的偏差。(3)不加任何呼吸约束条件下，呼吸状态当然可能表现出非常复杂和预测不准的情况，本发明提出的状态判别模型和状态控制策略能够给治疗系统提供实时反馈，以避免较大误差出现。(4)呼吸运动下，肿瘤的所有形状和解剖学结构信息被事先存储起来，治疗中，肿瘤的任何变化形式可以从先前存储的数据中快速检索到。因此，真正达到了实时的动态适形效果。
第三，速度更快、效率更高
本发明的速度优势体现在：在呼吸预测的基础上，“由n时刻的肿瘤位置/形态，估计n+1时刻肿瘤位置/形态”实际上完成了一种仅针对序列中局部动态区间的匹配，因而比美国专利中采用实时X图像与肿瘤形态全序列匹配更加简捷和高效。
【附图说明】
图1是本发明的流程框图
图2是本发明的治疗前的信号与图像采集
图3是本发明的目标与参照物关系示意图
图4是本发明的放射治疗系统的立体结构示意图；
图5是本发明的放射治疗系统的侧向结构示意图；
图6是呼吸信号与解剖形态之间的关系示意图；
图7是包含体表标记物和肿瘤的肺部横断面图像；
图8是图7中体表标记物与肿瘤的运动波形；
图9是呼吸运动预测示意图
图10是呼吸运动状态判别示意图
图中30.多叶准直器的机械部分，31.第一套成像系统的X射线球管，32.直线加速器发射的治疗射束，33.用于呼吸信号采集和处理的体表标记系统跟踪记录仪，34.治疗床，35.治疗床的传动系统，36.第二套成像系统的平板探测器，37.第一套成像系统的平板探测器，38.第二套成像系统的X射线球管，39.直线加速器，40.体表标记物，41.治疗的等中心点，42.患者，44.肿瘤，50.参照物骨骼，110-160.分别为呼吸过程中六个不同状态的图像编号，401.第一个体表标记物，402.第二个体表标记物，403.第三个体表标记物。
【具体实施方式】
下面结合附图对本发明作进一步说明。
如图4、图5所示，放射治疗系统中，多叶准直器的机械部分30与直线加速器39相连接，多叶准直器的机械部分30下方设有治疗床的传动系统35支撑的治疗床34，治疗床34上载有患者42，治疗床的传动系统35接收控制指令后，可以带动治疗床34进行多维运动，治疗时，患者42体内的肿瘤位于治疗的等中心点上41，患者的肿瘤附近分布有体表标记物40，用于呼吸信号采集和处理的体表标记系统跟踪记录仪33位于治疗床旁，通过探测装置与患者42相连接，第一套成像系统的X射线球管31和第二套成像系统的X射线球管38位于多叶准直器的机械部分30的两侧，分别与治疗床34下方的第一套成像系统的平板探测器37和第二套成像系统的平板探测器36相对应，球管发出的X射线穿过患者体内的肿瘤和体表标记物，被相对应的平板探测器接收，通过球管和平板探测器组成的成像系统获取实时X射线图像中的肿瘤44位置形态，直线加速器39发出的射束32经过多叶准直器的机械部分30，穿过治疗的等中心点上41。
实施动态肿瘤实时跟踪的步骤如下：
1.如图1中的10：治疗前，在患者肿瘤附近体表放置若干标记物，该标记物为X射线不透明的密度较高的材料，其作用：一是通过体表标记跟踪系统记录呼吸信号，并转换成呼吸特征数据的时间序列；二是通过获取包含脊柱、标记物等参照物的解剖结构图像-CT容积图像、肿瘤形态图像-肿瘤形态图像、呼吸信号、标记物特征集，构造状态关联数据库；三是通过实时成像系统记录治疗过程中的参照物、肿瘤的相对空间变化情况，以判断肿瘤运动和呼吸的相关性程度。
2.输入：肿瘤解剖结构的图像序列I(k)、呼吸状态特征集R(k)；
如图1中的11所示：解剖结构的图像序列I(k)；
治疗前，一个标准呼吸周期下：获取一个呼吸周期中时刻k1，k2，...kT包含体表参照物和肿瘤解剖结构的图像序列I(k)。该数据作用有二：一是用于生成肿瘤形态图像序列-肿瘤形态图像序列，二是治疗计划系统用其进行定位和剂量计算的参考。
如图1中的14所示：相同周期的呼吸信号、呼吸状态特征集R(k)；
在该呼吸周期中，同步获取相同周期下对应时刻的呼吸信号，提取呼吸状态特征集R(k)，k＝k1，k2，...kT，呼吸状态特征集用来进行呼吸状态的判别、依靠状态关联库进行肿瘤形态检索、呼吸预测和动态区间估计；呼吸状态特征R(t)的获取手段包括：
(a)通过测量体表标记物相对静态参照物的位移信号变化，提取呼吸状态特征；
(b)呼吸条件下，通过呼吸测量设备获取呼吸信号，提取呼吸状态特征；
3.建立状态关联数据库
如图1中的12所示：肿瘤形态图像序列D(k)；
依据该呼吸周期的肿瘤解剖结构图像序列I(k)，k＝k1，k2，...kT，通过目标的投影衰减模型分别计算各时刻对应的肿瘤形态图像序列D(k)；该计算过程利用了现有成熟的投影、衰减、重建模型。肿瘤形态图像与X射线实时图像有着一致的投影衰减性质和点扩散原理，因此可用来与实时X射线图像进行治疗过程中的匹配、配准、状态判别、运动估计等一系列计算操作；
如图1中的13所示：标记物特征集S(k)；
从肿瘤形态图像序列D(k)中，按时相顺序k＝k1，k2，...kT通过图像分割模型分别提取体表标记物和体内参照物-脊柱，依据体表标记物相对体内参照物-脊柱的位移变化和相互距离的变换，建立标记物特征集S(k)，该特征集包含了体表标记物的空间位置数据和相对体内静态参照物-脊柱的位移数据；
如图3所示，依据衰减模型、肿瘤目标分割和增强算法，对肿瘤形态图像进行处理得到的包含体表标记物、体内静态参照物-脊柱、肿瘤的图像，令X、Y、Z分别代表侧向、前后向、和头脚向，则对应三个时刻tj(j＝l)、tj(j＝m)、tj(j＝n)，子图a，b，c为三维空间关系示意图；子图a′，b′，c′为沿Y轴投影得到的平面关系示意。针对呼吸周期的3D-CT图像序列的获取主要依据呼吸信号的相位关系分析产生。
如图1中的15所示：建立R(k)、S(k)和I(k)、D(k)状态关联数据库；顺序建立该呼吸周期的肿瘤解剖结构图像序列I(k)、肿瘤形态图像序列D(k)、体表标记物特征集S(k)、呼吸状态特征集R(k)，并按照相同的时间相位顺序组成序列，形成关联数据库，序列中相邻数据形态具有呼吸变化的连续性和平滑性特点，在后续应用中由呼吸状态特征集R(k)或特征集S(k)的数值进行关联状态的检索。
如图2所示，首先，在治疗前利用高排数CT扫描仪获取患者一个呼吸周期中各个状态区间的3D-CT图像序列，并同步记录该呼吸周期下体表标记物的呼吸运动波形信号、建立标记物特征集、呼吸特征集；其次，依据投影衰减模型和重建模型，将对应CT图像转换成相应的肿瘤形态图像序列，构造呼吸/肿瘤形态的状态关联数据库。该数据库所反映的器官、肿瘤形态图像与解剖结构图像，是一一对应的、不随治疗环境和治疗间隔的改变而变化；而标记物特征集S(k)、呼吸状态特征集R(k)与以上参考图像数据的对应关系会随着治疗环境和治疗间隔发生局部改变，原因在于肿瘤的动因有两种：一是呼吸，二是体内器官之间压力变化。
4.如图1中的16所示：获取实时图像f(t＝ti)；实时呼吸状态特征R(t＝ti)获取治疗中肿瘤的实时图像f(ti)的步骤为：
(a)利用两套成像系统建立空间光路相交叉的投影成像方式，每套成像系统由X射线球管31、38和平板探测器36、37组成；
(b)球管发出X射线的交叉区域覆盖了体表标记物、肿瘤运动区、设备等中心点；
(c)ti时刻，i∈{1，...，N}，可通过两套系统采集的肿瘤投影图像f1(ti)和f2(ti)计算出肿瘤三维实时图像f(ti)。
5.如图1中的17所示：判别呼吸状态是否正常，具体步骤为：
(a)将呼吸状态特征R(ti)输入状态判别模型；
正常呼吸状态模式下，可以用特征集R(kj)，j＝1，...，T，记录了一个自然呼吸周期的各个采样点对应的特征矢量；如果采样点数为T，特征矢量长度为M，则特征集描述了一个对象的T×M大小的呼吸状态矩阵。矩阵每一列为呼吸特征矢量，它的组成定义如下：
[状态标识s]：对应正常和非正常状态；[状态方向d]：[EX，EOE，IN]；[变化幅度r]：参照物之间的距离；[变化速度v]：距离的变化方向与速率；
[一阶导数过零点]：反应时变信号的半周期和周期的范围。
(b)依据了呼吸时变信号的速率和方向、或一阶导数过零点、或时变信号的半周期和周期的范围，判断ti时刻的呼吸状态，
若呼吸状态正常，则执行步骤(6)；
否则，进入下一时刻t＝ti+1，并执行步骤(4)，采集下一时刻的动态肿瘤的实时图像和呼吸状态特征
治疗中ti时刻，如果满足呼吸状态正常条件，肿瘤状态单纯受呼吸运动影响，肿瘤和其附近体表标记物的运动完全同步、并存在特定的相位差；肿瘤运动轨迹相对于体表标记物运动轨迹具有一定的相关性。如果在非正常呼吸状态，如：发生咳嗽、哮喘、和情绪波动等，会引起患者体内的肿瘤形态的气质性变化，所述的相关性会变差。通过判别呼吸状态，可以提高预测的精度。
如图7、图8所示，利用实时X射线图像中反应呼吸运动的体表动态标记物401、402、403、肿瘤位置形态、参照物骨骼-脊柱的空间关系，通过测量得到的X射线不透明标记物的运动波形；443为肿瘤44在呼气末端的位置；442为肿瘤44在吸气末端的位置；441指肿瘤随呼吸运动的波形。
如图10所示，利用有限状态模型判别呼吸状态并控制跟踪的过程，呼吸的状态变化被分为四种模式，即：呼气、呼气末、吸气、不规则状态，其中Rex、Reoe、Rin、Rirr分别为呼气EX、呼气末EOE、吸气IN、不规则状态IRR的转移条件；各模式可以用呼吸特征集描述。状态判别时，本发明提出了判别模型，该模型按照状态转移条件进行控制，状态转移条件依据了呼吸特征的参数分布范围。状态判别贯穿了呼吸预测和肿瘤跟踪的整个过程，当测量到的呼吸特征属于某一确定状态的模式时，状态模型的转移条件起作用，完成从一个状态向该状态的跳变。当不满足跳变条件的情况下，则继续进行当前状态下的跟踪和预测。
呼吸状态的判别时需测量个体对象在正常呼吸条件下的状态特征的参数分布范围，实际测量和计算过程中，可以用上述特征矢量构成的特征集描述整个呼吸过程。依据体表标记物，呼吸预测模型可以实时跟踪肿瘤的位置和形状。
6.如图1中的21、22所示：通过预测模型，估计下一时刻的呼吸状态特征；
确定肿瘤形态变化区间的图像序列，具体步骤为：
(a)将ti时刻的呼吸状态特征R(ti)输入呼吸预测模型，预测延时Δt后的呼吸状态特征R(ti+Δt)；用于估计肿瘤形态的搜索区域。
(b)通过R(ti+Δt)检索参考数据库中对应的肿瘤形态图像D(kj)，j∈{1，...T}，并选择适当的偏离度α，从而生成ti+Δt时刻的肿瘤形态变化区间的图像序列D(kj-α)～D(kj+α)；
其中，肿瘤形态图像序列D(kj)，j＝1，...，T，中包含了一个呼吸周期的所有肿瘤状态，在实时治疗时，只关心预测出的肿瘤动态区间D(kj-α)～D(kj+α)。确定动态区间中心的肿瘤图像D(kj)时：利用子块21中产生的预测结果在状态关联数据库中检索得到。区间的产生是在肿瘤形态序列的kj处，左右各增加同等长度的观察范围α。
如图9所示，呼吸预测时采用非线性模型可以达到比传统线性模型更加准确的跟踪效果。非线性运动估计算法采用了最大后验概率准则：
P(X/Y)＝P(X)P(Y/X)，其中X代表实时呼吸特征、Y代表标准呼吸特征。概率建模过程中的局部约束规则为：定义先验约束条件P(X)为实际呼吸过程相邻时刻的连续性或相似性；定义似然约束条件P(Y/X)为当前呼吸过程与观测的标准呼吸过程的状态特征相关性。呼吸运动预测是在每一个呼吸状态下按照采样的顺序连续进行的。最大化上述两项局部概率的乘积，可以使得估计的结果向平滑性、实际与测量的相似性逼近。在此基础上，如果将逐段估计结果有效地连接起来(是指将相邻采样点处估计的结果用直线或曲线连接起来，或称线段或曲线拟合)，便可以连续完整地描述出呼吸运动轨迹。呼吸运动预测的结果按时间均匀分布在拟合后的轨迹中。
肿瘤跟踪过程中，呼吸预测和状态判别过程交替工作的控制策略如下：
(a)从吸气末端一点开始跟踪，起始点作为初始种子点注册下来，有限状态模型记录当前状态类别为EX。
(b)定义概率跟踪的候选集{Y}EX为标准呼吸信号周期中的某一段数据分布集，分布集的起点与实际呼吸信号的当前特征点有相同的幅值，分布集的终点为与实际呼吸信号有相同状态方向d的一阶导数过零点处。
(c)依据当前点的特征参数和概率候选集{Y}EX，用概率模型预测下一点的值为如果仍属于样本集{Y}EX，则继续进行当前状态下的概率跟踪。
(d)当估计到t+1时刻，如果出现x~t+1∉{Y}EX]]>且x~t+1∈{Y}EOE,]]>则跳转到相应状态EOE，并且后续概率候选集使用{Y}EOE；鉴于状态变化的规则，如果x~t+1∈{Y}IN,]]>则跳转到IRR。
(e)控制过程的状态跳变逻辑条件定义为：Rex↔x~t+1∈{Y}ex;]]>Reoe↔x~t+1∈{Y}eoe;]]>Rin↔x~t+1∈{Y}in;]]>Rirr↔x~t+1∉{Y|Y∈EX|Y∈EOE|Y∈IN}.]]>
以此类推，利用上述策略可以完成呼吸跟踪的过程控制。
7.判别ti时刻下的肿瘤运动与呼吸运动相关性，具体步骤为：
(a)建立匹配函数F1(·)，输入项为实时图像f(ti)的标记物特征S(ti)和肿瘤形态图像序列D(k)中的标记物的特征集S(k)，输出项为标记物的相似性测度ρ(S(ti)，S(K))。
(b)利用F1(·)进行标记物特征S(ti)与标记物特征集S(k)的快速匹配；选择最大的相似性测度ρmax对应的肿瘤形态图像Dmax(kj)作为对应于f(ti)肿瘤状态图像，即当前时刻肿瘤运动状态相关的目标图像；如图1中的18所示：标记物特征S(ti)和S(k)进行匹配；
(c)分别获取实时图像f(ti)和肿瘤形态图像Dmax(kj)中的感兴趣区数据f′(ti)，D′max(kj)；
(d)建立相似度函数F2(·)，输入包含感兴趣区的f′(ti)和D′max(kj)图像的灰度数据，感兴趣区实时图像f′(ti)与感兴趣区目标图像D′max(kj)通过相似度函数F2(·)进行匹配，在最小均方误差约束条件下，输出为如图1中的19所示：感兴趣区中肿瘤形态偏差δ(ti)；
(e)如图1中的20所示：判断肿瘤形态偏差δ(ti)，若符合要求δ(ti)＜ε，则执行步骤(8)，否则，执行步骤(4)，进入下一时刻t＝ti+1的计算。判断肿瘤形态偏差，利用一个阈值参数ε来评价感兴趣区目标的差异，当δ(ti)小于阈值时认为肿瘤运动来自正常呼吸和体内压力均衡条件；当δ(ti)大于阈值时，认为肿瘤运动部分来自非正常呼吸和体内压力改变等情况。
如图6所示，上图中，不均匀呼吸条件下，肿瘤附近体表标记物在若干连续周期中随呼吸运动的波形；中图，对应于若干呼吸时刻，相同扫描参数下同步获得的肺部弧状面CT图像；下图，对应每幅CT图像的感兴趣区的肿瘤位置和形态。110～160分别为呼吸过程中六个不同的状态；上、中、下图中分别描述了不同时刻状态下，对应的标记物、CT图像解剖结构、感兴趣区肿瘤目标的形态。
8.如图1中的23所示：实时图像f(ti)与肿瘤形态变化区间的图像序列，在感兴趣区内逐个进行配准；首先采用基于图像特征的方法建立配准算法模型，并将感兴趣区内肿瘤容积图像f′(ti)与肿瘤形态变化区间的图像序列D(kj-α)～D(kj+α)中的各个图像D′(kj+m)，m＝-α，...，+α，逐个配准，然后，依据计算出的若干配准结果，分别得到运动矢量场V′(ti，m)。
9.如图1中的24所示：从配准结果中选择一幅最佳肿瘤形态图像D(kj+m)，m∈[kj-α，kj+α]，代表ti+Δt时刻的肿瘤形态；首先，构造能量代价函数H(·)，该函数的输入为ti-1时刻和ti时刻肿瘤目标的运动矢量场V′(ti-1，m)和V′(ti，m)，i∈{1，...，N}，在运动平滑性和连续性约束条件下，该函数的输出为动态区间中运动连续性的平均测度E~m,m∈{-α,...,+α},]]>然后，从配准图像中选择最大测度值对应的肿瘤形态图像D(kj+m′)，m′∈{-α，...，+α}，作为最佳肿瘤形态图像。
10.输出描述ti+Δt时刻肿瘤解剖结构的图像I(kj+m′)；
如图1中的25所示：依据关联数据库中肿瘤形态图像所对应的解剖结构图像，计算所需的放射剂量分布；由D(kj+m′)对应的呼吸状态特征检索出对应的肿瘤解剖结构图像I(kj+m′)，以此实施剂量分布的计算。
11.如图1中的26所示：射束传输；照射方位和剂量的选择依据放射治疗中剂量学或放射医学中关于人体组织受量的标准计算方法进行分析和规划，计划结果通过控制系统执行射束传输。