TIÊN đoán CHUYỂN ĐỘNG KHỐI u PHỔI dựa TRÊN GIẢI THUẬT NLMS

Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV TIÊN ĐOÁN CHUYỂN ĐỘNG KHỐI U PHỔI DỰA TRÊN GIẢI THUẬT NLMS MOTION PREDICTION OF LUNG TUMOR BASED ON NLMS ALGORITHM Lê Phan Hưng1a, Nguyễn Trường Thịnh2b Trường ĐH Cần Thơ Trường ĐH Sư phạm Kỹ thuật TPHCM a lephanhung@ctu.edu.vn; bthinhnt@hcmute.edu.vn TÓM TẮT Trong xạ trị robot, vấn đề cần quan tâm thời gian trễ hệ thống việc xác định vị trí khối u đáp ứng hệ thống robot nhằm đạt đến vị trí mong muốn Để đáp ứng hệ thống dịch chuyển xác, thuật toán tiên đoán chuyển động sử dụng để bù trừ cho khoảng thời gian trễ hệ thống cách tiên đoán trước vị trí khối u khoảng thời gian xác định Trong nghiên cứu này, phân tích tính xác ba thuật toán tiên đoán vị trí khối u Các chuyển động phân tích để tiên đoán lên tới 400ms thuật toán Least Mean Square (LMS), Normalised Squares Mean Square (NLMS) dự báo lỗi dựa Normalised Squares Mean Square (PENLMS) Việc thực thuật toán tiên đoán đánh giá cách sử dụng tỷ lệ lấy mẫu 30Hz sở liệu hô hấp thực Kết cho thấy thuật toán PE-NLMS vượt trội so với tất thuật toán khác không yêu cầu điều chỉnh thông số nhiều Từ khóa: tiên đoán bù trừ chuyển động, chuyển động u phổi, bù trừ chuyển động hô hấp ABSTRACT In robotic radiotherapy, one of the problems is systematic latencies between the acquisition of the target position and the mechanical response of the system to follow the target position To compensate the aforementioned latencies while tracing the tumor motion, an accurate algorithm to predict these latencies is therefore required The prediction algorithm computes the future target position In this study, we have analyzed the accuracy of three algorithms that predict tumor positions with sufficient lead time to compensate these systematic latencies The motions have been analyzed for predictability up to 400ms in advance using Least Mean Square (LMS) prediction, Normalized Least Mean Square (NLMS) prediction and the proposed algorithm, named as a Predicted Error-based Normalized Least Mean Square (PE-NLMS) prediction The performance of three prediction algorithms is evaluated using threereal breathing signal data in 30 Hz sampling rate The results show that the PE-NLMS is outperformed with respect to RMSE by all other algorithms and does not require too much parameter adjustment The simulation showed that it Jitter needs to be improved for better performance Keywords: prediction algorithm, lung tumor motion, respiratory compensation GIỚI THIỆU Trong năm gần đây, nhiều nghiên cứu khoảng dịch chuyển trung bình khối u phổi lớn theo chiều đầu-chân, nhỏ theo chiều trước-sau Đặc biệt, vài trường hợp biên độ dịch chuyển khối u từ đến 25mm [2], cá biệt chí lên đến 50mm [3] Hơn nữa, tần số, biên độ vận tốc chuyển động khối u thay đổi theo thời gian bệnh nhân Thêm vào đó, chuyển động tim hay vài chuyển động bắp thường hay gây nhiễu đến tín hiệu nhận từ phổi [4] Chuyển 39 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV động bệnh nhân, trình hô hấp hay vài hoạt động sinh lý ảnh hưởng đến vị trí khối u trình điều trị tia phóng xạ Quá trình thu thập liệu chuyển động khối u nhằm mục đích điều trị xác theo dõi chuyển động khối u, nhiên thời gian trễ có tính hệ thống việc thu thập vị trí khối u chuyển động robot, hệ thống xạ trị đáp ứng để đến vị trí yêu cầu [5] Nếu việc thu thập lại vị trí đáp ứng chùm tia xạ không đồng xác, khối u bị xạ trị liều lượng khối lượng lớn mô khỏe mạnh bị chiếu xạ độc hại không cần thiết Vì vậy, bù trừ độ trễ cách sử dụng thuật toán tiên đoán đề xuất giải pháp để tăng độ xác trước trình xạ trị [6, 7] Ưu điểm việc tiên đoán chuyển động khối u trình xạ trị thực xác vị trí, giảm sai số vị trí cần điều trị giảm độc tính cho tế bào khỏe mạnh [6] Một số thuật toán tiên đoán nghiên cứu để giảm thiểu hiệu ứng chuyển động khối u phổi để cải thiện độ xác cách bù trừ thời gian trễ có hệ thống xạ trị robot [9-11] Mặc dù nhiều thuật toán tiên đoán nghiên cứu cho chuyển động hô hấp, có vài thuật toán NLMS sử dụng ứng dụng lâm sàng [11, 12] Để có đánh giá tốt lỗi định lượng hệ thống, nhiều số đo lường sử dụng Trong nghiên cứu này, phương pháp Root Mean Square Error (RMSE) sử dụng để đánh giá chất lượng thuật toán tiên đoán so sánh với trường hợp thuật toán tiên đoán không áp dụng Theo lí thuyết, RMSE cần phải 2mm để bù độ trễ lên đến 400ms [13] Các số khác, ví dụ Jitter, đo khoảng cách trung bình (mỗi giây) dịch chuyển hệ thống đầu tiên đoán truyền cho Các giá trị cần phải nhỏ tốt để thực ứng dụng lâm sàng Mục đích nghiên cứu đề xuất thuật toán sử dụng phương pháp NLMS dựa sai số tiên đoán (Predicted Error-based Normalised Lease Mean Square) để tiên đoán chuyển động khối u Kết sử dụng thuật toán so sánh với trường hợp không áp dụng thuật toán tiên đoán, sử dụng thuật toán tiên đoán LMS thuật toán NLMS trường khoảng thời gian tiên đoán 400ms mô chiều Bài viết tổ chức sau: phương pháp vật liệu trình bày Phần II Kết phương pháp tiên đoán thảo luận Phần III Cuối cùng, Mục IV phần kết luận PHƯƠNG PHÁP VÀ VẬT LIỆU 2.1 Dữ liệu dịch chuyển khối u phổi Dữ liệu chuyển động khối u phổi lấy từ liệu thu thập thực với tỷ lệ lấy mẫu 30 Hz Do khối u phổi chuyển động biến dạng trình điều trị hô hấp Chúng ta có ba tín hiệu thở khác có tên tumor1, tumor2 tumor3 thu thập, biểu diễn Hình Các tín hiệu nói sử dụng liệu đầu vào thuật toán tiên đoán Biên độ trung bình, độ lệch chuẩn thời gian lấy mẫu biên độ hô hấp ba tín hiệu liệt kê Bảng Ba đặc trưng tín hiệu liệt kê hiển thị đặc điểm thô tín hiệu [14] Bảng Biên độ trung bình, độ lệch chuẩn tổng mẫu biên độ thở cho tín hiệu Tín hiệu Đặc trưng tín hiệu Biên độ trung bình (mm) Độ lệch chuẩn (mm) Thời gian thu thập (s) Tumor1 4,98 4,50 480,5 Tumor2 8,44 7,28 395,0 Tumor3 4,63 4,10 163,0 40 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Hình Sự dịch chuyển khối u phổi sử dụng để đánh giá với tín hiệu Tumor1, Tumor2 Tumor3 2.2 Thuật toán tiên đoán Giả định y vị trí tín hiệu thực để tiên đoán, k số lấy mẫu thời gian, δ khoảng tiên đoán ŷ vị trí tín hiệu tiên đoán [5] 2.2.1 Thuật toán LMS Thuật toán Least Mean Square (LMS) loại lọc thích nghi tìm vector trọng số để giảm thiểu tín hiệu đo Một phiên dựa vector LMS cho phép sử dụng độ sâu lịch sử khứ M [5] Các vector trọng số đến vị trí tiên đoán ban đầu khởi tạo sau [16]: w1= w2= = wM +δ= eM= [0, , 0,1] T ∈ RM yˆ1LMS= = yˆ MLMS= y1 (1) (2) Tiếp theo, cho k ≥ M + δ k ≥ M , hai loại biến tín hiệu khứ, có kích thước M 1, xây dựng: T = uk −δ uk −δ= ,1 , , uk −δ , M   T = uk = uk ,1 , , uk , M  [ yk − M −δ +1 , , yk −δ ] T [ yk − M +1 , , yk ] T , k ≥ M +δ , k≥M (3) (4) Sử dụng biến này, đầu vị trí tiên đoán tính sau: = yˆ kLMS wkT uk , k ≥ M +δ (5) Tiếp đến, lỗi tín hiệu gốc tín hiệu tiên đoán thể hiện: e= yk − yˆ kLMS k (6) Cuối cùng, vector trọng số cập nhật với k ≥ M + δ : wk +1 = wk + µ ek uk −δ 41 k ≥ M +δ (7) Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Với µ bước nhảy, y k vị trí tín hiệu đo bước k, w k vector trọng số tương ứng, u k- δ tín hiệu khứ sử dụng bước k+δ để cập nhật w k , u k tín hiệu khứ sử dụng bước k để tính yˆ k +δ , tín hiệu tiên đoán bước k+δ Đối với tín hiệu tĩnh, bước tham số kích thước μ lựa chọn xác, thuật toán LMS hoàn toàn thích ứng với hệ thống Nếu chọn bước sai với kích thước tham số µ, hệ thống bị phá vỡ thực tiên đoán bị suy thoái Tốc độ hội tụ thuật toán LMS biết đến khó để thiết lập giá trị thích hợp Vấn đề giải đáng kể cách sử dụng thuật toán NLMS (Normalised LMS) 2.2.2 Thuật toán NLMS Để cải thiện độ hội tụ thuật toán LMS (tức làm cho thuật toán độc lập tỷ lệ tăng tốc độ hội tụ) thuật toán NLMS sử dụng [5] Đối với thuật toán này, vector trọng số w đến w k+δ , vị trí tiên đoán ban đầu yˆ1LMS đến yˆ MLMS , tín hiệu khứ u k-δ u k khởi tạo thuật toán LMS theo phương trình từ (1) đến (4) Quy luật cập nhật cho vector trọng số thay đổi sau: wp= wp ,k + µ ek f p ,k , k +1 (8) Với p ∈ N ∪ {∞} , tương ứng với số lượng p hàm p-norm sử dụng hàm sữa lỗi Tại đây, hàm sữa lỗi f p,k định nghĩa: (f ) p ,k i = = ( f ∞ , k )i u k ,i p −1 sgn ( uk ,i ) uk (9) p p δ i ,h = , h max ind j = 1, , M uk , j uk , h (10) Với δ i,j toán tử Kronecker Trong nghiên cứu này, quan tâm đến trường hợp đặc biệt p = Do thuật toán rút gọn sau [5]: yˆ kNLMS = w2,T k uk +δ (11) Sau đó, lỗi thuật toán không cón tiên đoán có tiên đoán tính toán phương trình sau: e= yk − yˆ kNLMS2 k (12) Và cuối cùng, vector trọng số cập nhật: w2,k +1 =+ w2,k µ ek f 2,k −δ =+ w2,k µ ek uk −δ α + uk −δ (13) Để tránh trường hợp chia cho 0, thông số α đề xuất (thông thường α = 0,0001) giới thiệu mẫu số hàm lỗi [5] 2.2.3 Thuật toán PE-NLMS Trong phần này, thuật toán PE-NLMS thuật toán đề xuất dựa kết hợp tín hiệu vị trí tín hiệu lỗi tiên đoán NLMS nhằm đạt giá trị xác Ý tưởng PE-NLMS Hình Trong thuật toán này, bước k từ M + δ ≤ k ≤ M + 2δ tính toán thuật toán NLMS: = yˆ kPE+δ− NLMS yˆ kNLMS , M + δ ≤ k ≤ M + 2δ +δ 42 (14) Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Cho bước k thứ k ≥ M + 2δ tính toán sau: 2 , k ≥ M + 2δ yˆ kPE+δ− NLMS= yˆ kNLMS + eˆkNLMS +δ +δ (15) lỗi tiên đoán cách sử dụng thuật toán NLMS sử dụng để tính Với eˆkNLMS +δ toán cho lỗi ekPE − NLMS công thức (16) Tại đây, lỗi không tiên đoán tiên đoán thuật toán PE-NLMS là: ekPE − NLMS= yk − yˆ kPE − NLMS (16) Cuối cùng, giá trị vector trọng số cập nhật thuật toán NLMS Vị trí khối U Vị trí dự đoán Vị trí yk Vị trí dự đoán yk+δ Sai số vị trí dự đoán vị trí thực U δ Vị trí thực yk+δ U = Tín hiệu khứ δ = Khoảng dự đoán Sai số vị trí dự đoán vị trí thực Sai số dự đoán thuật toán NLMS Hình Khái quát thuật toàn PE-NLMS 2.3 Phương pháp đánh giá 2.3.1 Root Mean Square Error (RMSE) Phương pháp RMSE, phương pháp tính toán chênh lệch vị trí khối u thực tế so với vị trí khối u sau tiên đoán Phương pháp RMSE lỗi bình quân bình phương chênh lệch tín hiệu giá trị trả tiên đoán công thức (17) ( ) RMSE= y , y PRED N ∑ k =1 yk − ykPRED N (17) Với N tổng số bước nhảy [16, 17] Để đánh giá thuật toán xác hơn, với phương pháp RMSE không đủ Do phương pháp đánh giá khác giới thiệu 43 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV 2.3.2 Jitter Jitter vị trí tiên đoán định nghĩa khoảng dịch chuyển tích lũy hai điểm rời rạc tín hiệu [16, 17] Jitter ( y PRED ) = 1 N ykPRED − ykPRED ∑ +1 k =0 N ∆t (18) Với 1/∆t sử dụng để chuẩn hóa khoảng cách mẫu Do giá trị Jitter đo đạc khoảng cách trung bình (trên giây) di chuyển robot để đạt vị trí đầu tiên đoán [16] KẾT QUẢ VÀ THẢO LUẬN Thuật toán đánh giá với khoảng thời gian tiên đoán δ = 12 tương ứng với độ trễ 400ms Để có kết đánh giá xác hơn, thuật toán chạy ổn định cho 2000 mẫu tương ứng với 66,67 giây [5] Sau khoảng thời gian ổn định, hiệu suất thuật toán tiên đoán đánh giá mẫu lại [5] Thêm vào đó, độ dài tín hiệu khứ M đặt 90 tương ứng với giây Trong họ thuật toán LMS, cách thông thường để chọn µ thử lỗi Do đó, để tối ưu đầu thuật toán tiên đoán, tối ưu thông số µ cần thể Hai trường hợp sau tiến hành trình bày phần sau 3.1 Trường hợp Trong trường hợp này, thuật toán thử nghiệm với giá trị tối ưu thông số µ, với giá trị kết thuật toán tốt Các giá trị thông số liệt kê Bảng Đầu tiên, với tín hiệu Tumor1, giá trị RMSE thuật toán PE-NLMS tốt với 42,11% so với không tiên đoán (NoPred) tốt hai lần so với thuật toán LMS NLMS Đối với Jitter, NoPred tốt tốt chút so với LMS, xấp xỉ 1,46%, thể Bảng Về tín hiệu Tumor2, thuật toán PE-NLMS tốt so với thuật toán NLMS, LMS NoPred 17,35%, 18,45% 47,37% Xét Jitter, thuật toán thực không tốt chưa áp dụng thuật toán tiên đoán, liệt kê Bảng Bảng Thiết lập thông số µ cho tín hiệu Đặc trưng tín hiệu Thuật toán Tumor1 Tumor2 Tumor3 LMS 0,000002 0,000001 0,000005 NLMS 0,005 0,006 0,015 PE-NLMS 0,005 0,005 0,009 Bảng Kết tiên đoán tín hiệu Tumor1 với thông số tối tối ưu Phương pháp đánh giá Thuật toán RMSE Jitter NoPred (mm) 1,81 Gain (%) Tham chiếu (mm) 4,16 Gain (%) Tham chiếu LMS 1,42 21,59 4,22 -1,46 NLMS 1,42 21,63 4,40 -5,72 PE-NLMS 1,05 42,11 6,12 -47,21 44 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Cuối cùng, với tín hiệu Tumor3, kết tốt đạt thuật toán PE-NLMS, tốt so với NoPred 52,22%, thể Bảng Kết trường hợp thể Hình Hình Kết trường hợp 1, đường thẳng, từ trái sang tương ứng với tín hiệu Tumor1, Tumor2 Tumor3 3.2 Trường hợp Trong trường hợp 1, tìm giá trị tốt thông số µ cách thủ công Do đó, có không rõ ràng cách dò tìm giá trị cho thông số µ Chú ý rằng, lựa chọn sai giá trị tối ưu cho thông số µ làm giảm sút hiệu suất thuật toán tiên đoán, mà chí dẫn tới trường hợp thuật toán hoàn toàn không tiên đoán Trong trường hợp 2, hạn chế khắc phục cách cập nhật tự động giá trị cho thông số µ thiết lập giá trị số cho thông số µ Bảng Kết tiên đoán tín hiệu Tumor2 với thông số µ tối ưu Phương pháp đánh giá Thuật toán RMSE Jitter (mm) Gain (%) (mm) Gain (%) NoPred 2,21 Tham chiếu 5,07 Tham chiếu LMS 1,57 28,92 5,18 -2,18 NLMS 1,55 30,02 5,32 -5,02 PE-NLMS 1,17 47,37 8,37 -65,18 Bảng Kết tiên đoán tín hiệu Tumor3 với thông số µ tối ưu Phương pháp đánh giá Thuật toán RMSE Jitter (mm) Gain (%) (mm) Gain (%) NoPred 3,17 Tham chiếu 7,30 Tham chiếu LMS 1,70 46,45 6,50 10,92 NLMS 1,70 46,28 6,56 10,07 PE-NLMS 1,51 52,22 11,75 -61,06 45 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Đầu tiên, thuật toán LMS, giới hạn thông số µ [18] < µ < 1/ Tr ( R ) (19) Với Tr(R) ký hiệu cho vết R R ma trận tự tương quan: R = E uk −δ ukT−δ  (20) Trong trường hợp chúng tôi, sau tính toán công thức (6), thông số toán cập nhật sau: tính µ = Tr ( R ) (21) Vấn đề thứ hai, hội tụ thuật toán NLMS biết đến dễ lựa chọn thông số µ so với thuật toán LMS Trong mô phỏng, thuật toán NLMS PE-NLMS, giá trị µ cho số 0,01 cho tất tín hiệu Đến với phần phân tích giá trị phương pháp đánh giá RMSE Jitter Đầu tiên tín hiệu Tumor1, giá trị RMSE thuật toán PE-NLMS, NLMS and LMS 41,49%, 21,08% 15,8% tốt so với NoPred Tuy nhiên, với giá trị Jitter, NoPred tốt thuật toán PE-NLMS, xỉ 41,91%, Bảng Bảng Kết tiên đoán tín hiệu Tumor1 với thông số µ trường hợp Phương pháp đánh giá Thuật toán RMSE Jitter NoPred (mm) 1,81 Gain (%) Tham chiếu (mm) 4,16 Gain (%) Tham chiếu LMS 1,53 15,80 4,60 -10,83 NLMS 1,43 21,08 4,52 -8,66 PE-NLMS 1,06 41,49 6,12 -41,49 Bảng Kết tiên đoán tín hiệu Tumor2 với thông số µ trường hợp Phương pháp đánh giá Thuật toán RMSE Jitter NoPred (mm) 2,21 Gain (%) Tham chiếu (mm) 5,07 Gain (%) Tham chiếu LMS 1,75 20,77 5,53 -9,21 NLMS 1,57 29,12 5,41 -6,73 PE-NLMS 1,19 46,46 8,00 -57,84 Bảng Kết tiên đoán tín hiệu Tumor3 với thông số µ tối tối ưu Phương pháp đánh giá RMSE Thuật toán Jitter NoPred (mm) 3,17 Gain (%) Tham chiếu (mm) 7,30 Gain (%) Tham chiếu LMS 1,70 46,45 6,50 10,92 NLMS 1,70 46,28 6,56 10,07 PE-NLMS 1,51 52,22 11,75 -61,06 46 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV Tương tự, với tín hiệu Tumor2, có kết RMSE tốt tốt 46,46% so với NoPred Nhưng xem xét Jitter, thuật toán PE-NLMS có hiệu suất 57,84%, 51,11% 48,63% so với NLMS, LMS NoPred, thể Bảng Trong trường hợp tín hiệu Tumor3, tất thuật toán có hiệu suất tốt Giá trị RMSE thuật toán NLMS nhỉnh thuật toán LMS khoảng 0,59% Liên quan đến giá trị RMSE, thuật toán tốt PE-NLMS tốt NoPred 52,19% Trong trường hợp này, thuật toán LMS NLMS cho hiệu suất tốt NoPred 9,50% 11,41, Bảng Kết tất thuật toán trường hợp thứ Hình Hình Kết trường hợp 2, đường thẳng, từ trái sang tương ứng với tín hiệu Tumor1, Tumor2 Tumor3 KẾT LUẬN Trong nghiên cứu này, đề xuất thuật toán PE-NLMS, thuật toán tinh chỉnh từ thuật toán NLMS Thêm vào đó, đánh giá ba thuật toán, bao gồm thuật toán LMS trường hợp độ trễ hệ thống lên tới 400ms Kết rõ ràng, thuật toán PE-NLMS, tốt so sánh với thuật toán lại, NLMS LMS Vì thuật toán PE-NLMS cho giá trị RMSE nhỏ 2mm với độ trễ hệ thống 400ms, thuật toán PE-NLMS mong đợi áp dụng vào lâm sàng tương lai Trong tương lai, không cải thiện thuật toán PE-NLMS nhằm đạt giá trị RMSE tốt hơn, mà tối ưu thuật toán nhằm giảm giá trị Jitter REFERENCES [1] Seppenwoolde, Y., Shirato, H., Kitamura, K., Shimizu, S., Van Herk, M., Lebesque, J.V.,& Miyasaka, K., Precise and real-time measurement of 3D tumor motion in lung due to breathing and heartbeat, measured during radiotherapy International Journal of Radiation Oncology Biology Physics, 2002, Vol 53(4), p 822-834 [2] Murphy, M.J., Tracking moving organs in real time.Seminar in Radiation Oncology, 2004, Vol 14(1), p 91-100 [3] Giraud, P.,& et al, Conformal radiotherapy (CRT) planning for lung cancer: analysis of intrathoracic organ motion during extreme phases of breathing International Journal of Radiation Oncology Biology Physics, 2001, Vol 51(4), p 1081-1092 [4] Wu, H., et al, A finite state model for respiratory motion analysis in image guided radiation therapy Physics in Medicine and Biology, 2004, Vol 49(23), p 5357-5372 47 Kỷ yếu hội nghị khoa học công nghệ toàn quốc khí - Lần thứ IV [5] Ernst, F., Compensating for Quasi-periodic Motion in Robotic Radiosurgery Springer, 2011 [6] Keall, P J., Mageras, G S., Balter, J.M., Emery, R S., Forster, K M., Jiang, S B., Kapatoes, J M., Low, D A., Murphy, M J., Murray, B R., Ramsey, C R., Van Herk, M B., Vedam, S S., Wong, J W., Yorke, E., “The management of respiratory motion in radiation oncology report of AAPM Task Group 76.Medical Physics, 2006, Vol 33(10), p 3874-3900 [7] Mutaf, Y D., Scicutella, C J., Michalski, D., Fallon, K., Brandner, E D., Bednarz, G., Huq, M.S., A simulation study of irregular respiratory motion and its dosimetric impact on lung tumors Physics in Medicine and Biology, 2011, Vol 56(3), p 845-859 [8] From http://www.imaios.com/en/e-Anatomy/Limbs/Planes-and-motions-diagrams [9] Lee, Suk Jin, Motai, Yuichi, Prediction and Classification of Respiratory Motion Springer, 2013 [10] Verma, P S., Wu, H., Langer, M.P., Das, I J., Sandison, G., Survey: real-time tumor motion prediction for image guided radiation treatment Computing in Science & Engineering, 2011, Vol 13(5), p 24-35 [11] Floris, E., Robert, D., Alexander, S & Achim, S., Evaluating and comparing algorithms for respiratory motion prediction Physics in Medicine and Biology, 2013, Vol.58(11), p 3911-3929 [12] Sayeh, S., Wang, J., Main, W T., Kilby, W., Maurer, Jr., C.R., Robotic Radiosurgery, Treating Tumors that Move with Respiration, 1st ed., chap: Respiratory motion tracking for robotic radiosurgery, pp 15-30 Springer, Berlin, 2007 [13] Vedam, S S., Keall, P J., Docef, A., Todor, D A., Kini, V R., Mohan, R., Predicting respiratory motion for four-dimensional radiotherapy Medical Physics, 2004, Vol 31(8), p 2274-2283 [14] Sharp, G C.,Jiang, S B., Shimizu, S., Shirato,H., Prediction of respiratory tumour motion for real-time image-guided radiotherapy Physics in Medicine and Biology, Vol 49(3), p 425-440 [15] Haykin, S., Adaptive Filter Theory 4th ed., Prentice Hall, Englewood Cliffs, NJ, 2002 [16] Schweikard, A., Medical Robotics course notes, summer 2013 [17] Ernst, F., Bruder, R., Schlaefer, A.& Schweikard, A., Performance Measures and Pre‐Processing for Respiratory Motion Prediction, In: 53rd Annual Meeting of the AAPM Medical Physics, 2011, Vol 38(6), p 3857 [18] Haykin, S., Widrow, B., Least-Mean-Square Adaptive Filter John Wiley & Sons, 2003 THÔNG TIN TÁC GIẢ Lê Phan Hưng Khoa Công nghệ, Trường Đại học Cần Thơ Email: lephanhung@ctu.edu.vn Phone number: +84982204560 Nguyễn Trường Thịnh Khoa Cơ khí chế tạo máy, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh Emai: thinhnt@hcmute.edu.vn Phone number: +84903675673 48 ... IV phần kết luận PHƯƠNG PHÁP VÀ VẬT LI U 2.1 Dữ li u dịch chuyển khối u phổi Dữ li u chuyển động khối u phổi lấy từ li u thu thập thực với tỷ lệ lấy m u 30 Hz Do khối u phổi chuyển động biến dạng... dịch chuyển khối u phổi sử dụng để đánh giá với tín hi u Tumor1, Tumor2 Tumor3 2.2 Thuật toán tiên đoán Giả định y vị trí tín hi u thực để tiên đoán, k số lấy m u thời gian, δ khoảng tiên đoán. .. số thuật toán tiên đoán nghiên c u để giảm thi u hi u ứng chuyển động khối u phổi để cải thiện độ xác cách bù trừ thời gian trễ có hệ thống xạ trị robot [9-11] Mặc dù nhi u thuật toán tiên đoán