胸腹部放射治疗过程中,呼吸运动会使肿瘤移位,造成肿瘤逸出靶区或正常组织进入靶区,不仅降低了放疗效果,而且容易引发一系列并发症。目前,动态跟踪放疗技术能够实时跟踪肿瘤位置变化,有利于提高放疗效果,而准确预测肿瘤运动是实现动态跟踪的关键技术。传统的预测方法包括参数模型预测方法和非参数预测方法等,这些方法都是在标记点历史数据的基础上,对标记点未来值进行预测,虽然取得了不错的效果,但是如果能够利用标记点与周围标记点的耦合关系,将标记点与耦合点联合作为约束来进行预测,则有望进一步提高预测精度。为此,论文提出了一种呼吸运动多点联合预测方法,充分利用胸腹表面呼吸运动的多个标记点位置变化之间耦合关系,将这些标记点位置相联合,建立多点联合高斯过程回归呼吸运动预测模型,通过多个标记点的历史数据去预测目标点的未来值,以提高目标点的预测精度。论文主要研究内容如下:首先,呼吸运动多点联合数据采集。选取FASTRAK运动跟踪定位系统进行胸腹表面呼吸运动数据采集,对250名不同年龄不同性别志愿者进行呼吸运动多点联合数据采集,并对这些数据进行删除异常值、滤波和归一化预处理,为后面呼吸运动预测提供数据。其次,建立多点联合高斯过程回归模型。对高斯过程回归分别从权值空间和函数空间进行理论推导与分析,其中,建立多点联合高斯过程回归模型的核心是选择合适的核函数,为此,分析了常用核函数的结构及其超参数,并在此基础之上定义了多点联合复合周期核函数。之后研究了常用核函数和定义核函数对预测分布的影响,建立基于复合周期核函数的多点联合高斯过程回归预测模型,并采用共轭梯度法求解模型最优超参数。最后,呼吸运动多点联合预测方法实现。将呼吸运动多点联合数据分为训练集和测试集,训练集用于训练模型,获得最优超参数,建立预测模型,并对目标点进行预测,测试集用于评价预测结果的准确程度,并采用平均绝对百分误差(MAPE)和均方根误差(RMSE)计算预测值与真实值之间的误差。将本文方法与高斯过程回归预测、线性预测、支持向量回归预测和BP神经网络预测算法进行对比,本文方法得到的平均MAPE为0.3057,均小于四种对比方法的0.7639,1.0222,1.2601,1.7031,本文方法得到的平均RMSE为0.0301,均小于四种对比的0.0399,0.0659,0.1081,0.1433,实验结果表明本文多点联合预测算法不仅能够准确预测呼吸运动,而且提高了预测精度。