Kurzfassung
Für eine präzise Bestrahlung abdominaler und thorakaler Tumoren ist eine Kompensation der Atembewegung notwendig. Moderne Systeme zur Bewegungskompensation werden häufig mithilfe externer Atemsignale und patientenspezifischer Korrespondenzmodelle gesteuert. Diese Modelle ermöglichen die Prädiktion der internen Bewegung auf Basis des Atemsignals. Durch die Komplexität bzw. Variabilität der Atembewegung werden für eine präzise Bewegungsprädiktion in der Regel mehrdimensionale Atemsignale benötigt, welche z.B. durch die Kombination verschiedener eindimensionaler Signale (Spirometer, Bauchgurt,…) generiert werden können. In diesem Beitrag wird ein Verfahren zur automatischen Auswahl patientenindividuell optimaler Kombinationen von (eindimensionalen) Atemsignalen für die modellbasierte Bewegungsprädiktion vorgestellt. Das Verfahren wird anhand von 12 Lungentumorpatienten und 6 simulierten Atemsignalen evaluiert und mit anderen Methoden zur Generierung mehrdimensionaler Atemsignale (u.a. hochdimensionale Tiefenbilddaten) verglichen. Die Ergebnisse zeigen, dass durch Kombination einfacher 1D Signale die Prädikationgenauigkeit signifikant erhöht werden kann. Durch eine optimale Signalkombination können letztlich zu einer hochdimensionalen Tiefenabtastung gleichwertige Ergebnisse erzielt werden.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Keall PJ, Mageras GS, Balter JM, et al. The management of respiratory motion in radiation oncology report of AAPM Task Group 76. Med Phys. 2006;33:3874–900.
McClelland JR, Hawkes DJ, Schaeffter T, et al. Respiratory motion models: a review. Med Image Anal. 2012; p. 19–42.
Savill F, Schaeffter T, King AP. Assessment of input signal positioning for cardiac respiratory motion models during different breathing petterns. Proc ISBI. 2011; p. 1698–701.
Blendowski M, Wilms M, Werner R, et al. Simulation und Evaluation tiefenbildgebender Verfahren zur Pr¨adiktion atmungsbedingter Organ- und Tumorbewegungen. Proc BVM. 2012; p. 350–5.
Werner R, Wilms M, Ehrhardt J, et al. A diffeomorphic MLR framework for surrogate-based motion estimation and situation-adapted dose accumulation. Proc MICCAI. 2012; p. 42–9.
Lu W, Parikh PJ, Naqa IME, et al. Quantitation of the reconstruction quality of a four-dimensional computed tomography process for lung cancer patients. Med Phys. 2005;32:890–901.
Wu Q, Chung AJ, Yang GZ. Optimal sensor placement for predictive cardiac motion modeling. Proc MICCAI. 2006; p. 512–9.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2014 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Ortmüller, J., Wilms, M., Werner, R., Handels, H. (2014). Kombination von Atemsignalen zur Optimierung der Prädiktion komplexer atmungsbedingter Organ- und Tumorbewegungen. In: Deserno, T., Handels, H., Meinzer, HP., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2014. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-54111-7_18
Download citation
DOI: https://doi.org/10.1007/978-3-642-54111-7_18
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-54110-0
Online ISBN: 978-3-642-54111-7
eBook Packages: Computer Science and Engineering (German Language)