检索结果-南通市图书馆

基于全卷积网络U-Net宫颈癌近距离治疗三维剂量分布预测研究

在线全文

学校读者我要写书评

暂无评论

中华放射肿瘤学杂志 2022年第4期31卷 359-364页

作者：向艺达周剑良白雪王彬冰单国平南华大学核科学技术学院衡阳421000 中国科学院大学附属肿瘤医院浙江省肿瘤医院放射物理室杭州310022

目的基于全卷积网络U-Net预测宫颈癌近距离治疗(BT)感兴趣区(ROI)三维剂量分布,并评估其预测精度。方法首先选取100例宫颈癌腔内结合组织间插植病例作为整个研究数据集,并将其划分为训练集(72例)、验证集(8例)、测试集(20例);然后利用U-... 详细信息

目的基于全卷积网络U-Net预测宫颈癌近距离治疗(BT)感兴趣区(ROI)三维剂量分布,并评估其预测精度。方法首先选取100例宫颈癌腔内结合组织间插植病例作为整个研究数据集,并将其划分为训练集(72例)、验证集(8例)、测试集(20例);然后利用U-Net建立模型,将是否包含宫腔管及插针作为区分因素训练两个模型;最后对20例测试集病例进行预测,并进行对比分析。模型的性能通过ΔD90%、ΔD_(2cm)^(3)以及平均绝对离差共同评估。结果包含与未包宫腔管与插植针的模型相比,直肠的ΔD_(2cm)^(3)上升了(16.83±1.82)cGy(P0.05);高危靶区、直肠、乙状结肠、小肠、膀胱平均绝对离差分别上升了(11.96±3.78)、(11.43±0.54)、(24.08±1.65)、(17.04±7.17)、(9.52±4.35)cGy(均P三维剂量分布预测;结合宫腔管与插植针作为输入参数,比单一使用ROI结构作为输入能得到更准确的预测结果。

关键词：全卷积网络三维剂量分布预测宫颈肿瘤/近距离疗法

基于多任务学习方法的单模多器官三维剂量分布预测研究

在线全文

学校读者我要写书评

暂无评论

中华放射肿瘤学杂志 2019年第6期28卷 432-437页

作者：郭芙彤李永宝贾启源亓孟科吴艾茜孔繁图麦燕华宋婷周凌宏南方医科大学生物医学工程学院广州510515 中山大学肿瘤防治中心放疗科广州510060

目的构建可同时预测多个器官三维剂量分布的统一模型,自动学习多器官间几何解剖结构对其沉积剂量的影响。方法收集同一肿瘤类型临床放疗计划,以多个危及器官的各体素为研究对象,其沉积剂量为剂量学特征,采用可学习不同任务间关系的正则... 详细信息

目的构建可同时预测多个器官三维剂量分布的统一模型,自动学习多器官间几何解剖结构对其沉积剂量的影响。方法收集同一肿瘤类型临床放疗计划,以多个危及器官的各体素为研究对象,其沉积剂量为剂量学特征,采用可学习不同任务间关系的正则化多任务学习方法,建立器官间的任务关系矩阵,构建器官间几何结构与剂量分布的关联。实验以15例鼻咽癌病例的IMRT计划所涉及的危及器官脊髓、脑干和左右腮腺为研究对象建立单模多器官关联,计算其体素预测剂量与临床计划剂量的相对百分误差,研究方法的可行性。结果10例鼻咽癌IMRT计划用于训练,5例用于测试。测试结果显示单模多器官方法预测精度较高、数据量需求少,其中脊髓、脑干、左右腮腺的平均体素相对处方剂量百分误差分别为(2.01±0.02)%、(2.65±0.02)%、(2.45±0.02)%和(2.55±0.02)%。结论提出一种可在同一模型中预测多个器官剂量的单模多器官模型,该模型在提高预测精度的同时避免多次的单器官建模,为实现智能计划设计奠定良好基础。

关键词：多任务学习三维剂量分布预测单模多器官关联调强放射治疗

基于深度学习的调强放疗计划三维剂量分布预测研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习的调强放疗计划三维剂量分布预测研究

作者：肖敏华中科技大学

学位级别：硕士

调强放射治疗(Intensity Modulated Radiation Therapy,IMRT)能使高剂量照射区高度适形靶区,并使周围危及器官受照剂量尽可能低,因此逐渐发展成为放疗技术中的主流技术。在IMRT计划设计过程中,物理师通常依据个人经验和相关临床协议在... 详细信息

调强放射治疗(Intensity Modulated Radiation Therapy,IMRT)能使高剂量照射区高度适形靶区,并使周围危及器官受照剂量尽可能低,因此逐渐发展成为放疗技术中的主流技术。在IMRT计划设计过程中,物理师通常依据个人经验和相关临床协议在计划系统上进行参数优化,整个设计过程以人工试错方式不断优化。然而,这种方式不仅耗费物理师、医生大量的时间和精力,而且也无法保证最终计划是否最优。因此,为了辅助物理师快速制定出高质量的放疗计划,实现放疗患者的个性化治疗,吸引了很多学者在放疗计划剂量学预测领域开展研究。本文在分析现有剂量学预测模型基础上,提出了一个带有Attention结构的3D Res UNet模型预测放疗计划三维剂量分布,本文将其命名为Dose RAUNet。该模型在3D UNet和Res Net基础上进行改进,同时考虑将解剖结构和射野信息作为模型的输入,并且引入了注意力机制来学习每个射野分布和每个解剖结构之间的重要性。另外,本文设计了两个对比模型:Baseline 1和Baseline 2,其结构框架和Dose RAUNet类似,但是没有注意力机制。另外Baseline1的输入只有解剖结构,而Baseline2的输入除了解剖结构之外还有射野信息。论文一共收集了110例优质宫颈癌IMRT计划用于模型的训练和验证,五折交叉验证实验表明预测与临床的三维0.53％±1.44％剂量分布和剂量体积直方图(Dose Volume Histogram,DVH)曲线匹配性良好,所有体素的平均绝对预测误差为,靶区和危及器官平均绝对剂量差异的范围为0.21％～1.74％,临床与预测值之间不同处方剂量对应的等剂量曲线的平均相似性指数(dice similarity coefficients,DSC)为0.984。在所有临床评估指标中,Dose RAUNet平均预测误差最小,模型预测效果最好,Bsaeline1表现最差。为了进一步评估Dose RAUNet的泛化性能,作者还收集了另一家医疗机构32例宫颈癌IMRT计划进行验证分析。在此测试数据上,所有体素的平均绝对差异为.0.96％±1.96％,DSC值为0.979,与我们自己的实验结果类似,表明该模型对同类型计划有良好的泛化能力。为了进一步评估该模型对非均匀布野的放疗计划预测精确度,本文第四章收集了88例乳腺癌IMRT计划用于模型训练和验证,结果表明所有体素的平均绝对误差为0.76％±3.32％,DSC值为0.961,靶区各项临床指标平均预测差异小于2.5％,危及器官各项临床指标平均预测差异预测小于5％,差异均在临床可接受范围内。综上所述,本文提出了一个Dose RAUNet的剂量预测模型用于调强放疗计划三维剂量分布预测,该模型对不同部位的IMRT计划预测效果良好,而且模型泛化性较强。将预测模型运用到临床实践中,不仅能提高医疗机构整体计划质量水平,而且为自动化计划的设计奠定基础。

关键词：调强放射治疗三维剂量分布预测 3D卷积神经网络注意力机制

基于机器学习的放疗计划三维剂量分布预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的放疗计划三维剂量分布预测研究

作者：郭芙彤南方医科大学

学位级别：硕士

肿瘤放射治疗是目前癌症治疗的主要手段之一,其关键目的是在确保靶区达到处方剂量的同时,尽可能的降低周围正常组织的剂量沉积。剂量学验证是当前临床放疗技术质量控制与质量审核的主要方式。但放疗计划的质量受限于计划设计人员的经验... 详细信息

肿瘤放射治疗是目前癌症治疗的主要手段之一,其关键目的是在确保靶区达到处方剂量的同时,尽可能的降低周围正常组织的剂量沉积。剂量学验证是当前临床放疗技术质量控制与质量审核的主要方式。但放疗计划的质量受限于计划设计人员的经验累积,计划质量的一致性难以保证。同时,临床计划多服从于统一的规范标准,不能为患者提供个体化的治疗计划。而研究表明,通过建模学习患者解剖结构对剂量沉积的影响,可以在计划设计之前预测新患者的剂量信息,为剂量学验证和质量控制提供标准,满足患者的个体化特异性需求,同时为放疗自动化提供基础。本文首先深入分析了现有的剂量学特征预测的方法,分别讨论了现有方法下对危及器官剂量学指征项预测,DVH预测,三维剂量分布预测等不同预测目标的实验思路并分析其优劣性。上述预测方法中,剂量学指征项和DVH为压缩的剂量学特征,包含的信息并不全面,不能满足某些肿瘤类型对三维剂量分布的临床需求,需要对信息包含更全面的三维剂量分布进行预测。因此,本文基于现有的通过神经网络对单个危及器官进行三维剂量预测的方法,结合机器学习中多任务学习方法,提出了一种单模多器官的三维剂量预测方法。该方法考虑危及器官之间的关系,并行构建多器官间几何解剖结构与三维剂量分布的关联模型。相较于对单个危及器官建立预测模型,该方法可以同时对多个危及器官建立预测模型。同时,针对单模多器官模型还需要进行人工特征提取从而可能造成重要信息丢失的缺陷,本文还提出了一种基于深度卷积网络的三维剂量分布预测模型。该模型基于U-net网络和densenet网络搭建而成,可以直接从患者的结构分布轮廓图中学习到几何结构分布与对应三维剂量分布的关系,从而预测整个照射范围内的剂量分布。为验证单模多器官剂量预测方法,实验收集了 15例鼻咽癌的MRT计划,并提取了危及器官体素与靶区,其他相关危及器官以及治疗计划间的相关信息,对脑干,左右腮腺,脊髓建立单模多器官的剂量预测模型。并与团队验证过的基于神经网络的单器官预测模型和进行比对分析。5例测试集的测试结果显示,多任务模型的预测精度更高,误差更小。其中脊髓、脑干、左右腮腺的平均体素相对处方剂量的百分平均误差分别为2.01%±0.0249、2.65%±0.0214、2.45%±0.0217和2.55%±0.0216。实验结果表明,相较于基于神经网络的单模单器官,多任务模型的预测结果精度更高。为了验证深度卷积网络预测方法,实验收集了37例IMRT鼻咽癌数据,搭建深度卷积网络模型,提取感兴趣区域轮廓结构图作为训练输入,训练剂量预测模型。5例测试集的测试结果显示,该模型预测误差小,DVH图和三维分布图的拟合程度高,所有体素点相对处方剂量的百分平均误差为2.36%±0.0214,其中脊髓、脑干、腮腺和靶区的平均误差分别为2.04%±0.0154、2.56%±0.0226、2.07%±0.0188和1.27%±0.10。综上所述,本文首先提出了一种基于多任务学习的单模多器官三维剂量预测模型,并在此基础上针对存在问题提出了基于深度卷积网络的三维剂量预测模型。实验结果证明两种模型预测精度都较高,且各有优劣。

关键词：放射治疗三维剂量分布预测多任务学习深度卷积网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

放疗计划三维剂量分布预测研究

放疗计划三维剂量分布预测研究

作者：孔繁图南方医科大学

学位级别：硕士

肿瘤放射治疗(RadiationTherapy)是肿瘤治疗的三大手段之一,其基本目标是实现治疗增益比的最大化,即保证靶区在接受处方剂量照射达到一定覆盖率的同时,使周围正常组织免受或少受不必要的照射。然而受客观所限,临床患者实际被执行的放疗... 详细信息

肿瘤放射治疗(RadiationTherapy)是肿瘤治疗的三大手段之一,其基本目标是实现治疗增益比的最大化,即保证靶区在接受处方剂量照射达到一定覆盖率的同时,使周围正常组织免受或少受不必要的照射。然而受客观所限,临床患者实际被执行的放疗计划往往难以达到同质化最优,原因是当前计划设计过程采用人工试错(trial-and-error)方法来不断调整计划优化目标/约束,计划质量取决于计划设计人员的经验丰富程度和所付诸的时间与精力开销;且临床计划设计多以满足相关规范为基准,因个体差异存在,满足基本规范并不意味着达到个体化最优。因此,在计划设计前准确预测患者对应的质优计划剂量学目标,并充分体现患者的特异性,不仅可以为个体化计划设计质量控制提供精准的度量,还可为智能计划优化提供良好的开端。本文针对放疗计划剂量学特征的预测进行深入研究,针对不同的放疗计划剂量学特征的主流预测方法,分别介绍了不同方法的核心思想与实现步骤。其中预测的剂量学特征有,剂量学指征项(Dosimetric Endpoints,DEs)、DVH(dose-volume histogram)和三维剂量分布。DEs 通过建立 dDTH(OVH 或 DTH的差分形式)与DEs值之间的线性关联模型进行预测。DVH预测方法有三种,分别是基于估计sub-DVH概率建立模型,基于估计剂量影响因素概率分布与剂量概率分布建立模型,基于支持向量回归(support vector regression,SVR)方法建立模型。三维剂量分布预测方法为支持向量回归(SVR)与人工神经网络(artificial neural network,ANN),两种预测方法均为构建从放疗计划中提取的信息与剂量分布之间的关联模型。本文详细对比分析了各种剂量学特征的预测方法的优劣情况,并根据对比分析情况,分别利用SVR与ANN学习方法建立放疗计划三维剂量分布预测模型。为验证剂量预测方法,本文收集了若干前列腺癌IMRT/SBRT计划,并从临床数据中提取了相应的空间位置信息、体积信息和体素剂量等特征,用于建立剂量预测模型。应用SVR学习方法和核函数构造模型,训练集百分剂量差异值不超过1%,预测集百分剂量差异值不超过5%,模型预测效果较好。应用前馈反向传播神经网络构建三维剂量预测模型,模型训练集的百分剂量差异在1.7%以内,训练样本的剂量差异较小。模型预测DVH与临床计划DVH相比差异较小,DVH差异在2%以内,数据拟合效果理想。验证样本中,剂量差异在5%以内,DVH差异在3%以内。三维剂量分布显示剂量差异较小,预测剂量分布合理,误差分布集中在0值附近,呈现对称分布,模型预测效果较好。其中膀胱模型预测效果最佳,直肠和股骨头模型次之。本文应用SVR与ANN学习方法成功建立了同肿瘤类型患者几何解剖结构特性和对应计划三维剂量分布之间的关联,该关联模型的建立不仅可以为计划提供质量标准,还可作为后续优化的良好初值,为实现自动计划控制和计划设计奠定基础。

关键词：放射治疗三维剂量分布预测机器学习支持向量回归神经网络

基于全卷积网络的宫颈癌近距离放疗三维剂量分布预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于全卷积网络的宫颈癌近距离放疗三维剂量分布预测研究

作者：向艺达南华大学

学位级别：硕士

目前已报道的宫颈癌近距离放疗剂量预测研究均是对剂量体积直方图(dose-volume histogram,DVH)上的相关剂量学指标进行预测,并不能提供三维剂量分布。而同一种DVH曲线在人体内可能对应多种不同的剂量分布,不同的剂量分布所产生的放射生... 详细信息

目前已报道的宫颈癌近距离放疗剂量预测研究均是对剂量体积直方图(dose-volume histogram,DVH)上的相关剂量学指标进行预测,并不能提供三维剂量分布。而同一种DVH曲线在人体内可能对应多种不同的剂量分布,不同的剂量分布所产生的放射生物学效应也有所不同。针对以上问题,本研究基于全卷积网络U-Net构建剂量预测模型,预测宫颈癌近距离放疗的靶区及危及器官三维剂量分布,并评估其预测精度。本研究选取了100例宫颈癌腔内结合组织间插植的病例作为整个研究的数据集,并将其划分为训练集(72)、验证集(8)、测试集(20)三个数据集;在每个病例的计算机断层扫描(Computed Tomography,CT)影像上勾画出宫腔管及插植针的轮廓,根据是否包含宫腔管及插植针的结构将感兴趣区域(region of interest,ROI)影像分为两类,然后将这两类ROI影像和剂量分布经预处理转化成3个三维矩阵作为模型的输入;利用全卷积网络U-Net建立预测模型,针对两类ROI分别训练两个剂量预测模型;最后用两种训练好的模型分别对20例测试集病例进行剂量预测,对预测结果进行对比分析。模型的性能通过(?)、(?)以及平均绝对离差共同评估。包含宫腔管及插植针的模型与未包含宫腔管及插值针的模型相比,直肠的(?)上升了(16.83±1.82)cGy(P0.05);高危靶区、直肠、乙状结肠、小肠、膀胱的平均绝对离差分别上升了(11.96±3.78)cGy、(11.43±0.54)cGy、(24.08±1.65)cGy、(17.04±7.17)cGy、(9.52±4.35)cGy(P三维剂量分布预测。将宫腔管与插植针作为输入参数,比单一使用感兴趣区域结构作为输入能得到更准确的预测结果。

关键词：全卷积网络三维剂量分布预测近距离治疗宫颈癌

预测三维剂量分布引导的调强放疗计划优化方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

预测三维剂量分布引导的调强放疗计划优化方法研究

作者：贾启源南方医科大学

学位级别：硕士

调强放射治疗(Intensity Modulated Radiotherapy,IMRT)通过调制非均匀光子通量分布,能够在保证靶区剂量覆盖率、适形性的同时降低危及器官和周围组织的受量,在临床上得到了广泛应用。在IMRT计划设计中,由于理想的优化目标提前未知,物... 详细信息

调强放射治疗(Intensity Modulated Radiotherapy,IMRT)通过调制非均匀光子通量分布,能够在保证靶区剂量覆盖率、适形性的同时降低危及器官和周围组织的受量,在临床上得到了广泛应用。在IMRT计划设计中,由于理想的优化目标提前未知,物理师通常会参照统计所得的临床规范选择目标,再利用人工试错的方式对其反复调整直到计划满意为止。但该种方式会导致计划设计效率和计划质量完全受限于计划者的经验丰富程度和实际可投入临床的时间、精力。基于经验学习的计划设计方法通过学习大量先验计划并以此构建患者几何解剖特性与其剂量学特性间的关联模型,可在新患者计划设计前预测其大致的剂量学特性,将该特性作为优化初始化目标可有效保证计划设计的效率以及计划同质性。但常见的预测目标形式为DVH和剂量学指征项,均属于累积型剂量信息,将该类信息作为优化引导会失去对剂量的空间控制,且无法满足精细的体素级剂量调整的目的。以三维剂量分布为预测目标并将其作为优化引导是最理想的计划设计方案。目前研究多以构建更精确的预测剂量分布模型为目的,对预测的使用鲜有提及,但考虑到预测固有的不确定性、三维剂量信息的复杂性,对预测三维剂量的有效利用应为预测引导计划设计的重点研究内容。因此,本文在团队内部已有三维剂量分布预测模型的基础上,首先针对预测剂量分布在优化中的有效利用以及保证输出优化计划质量的最大限度改善,提出了基于预测剂量分布引导和gEUD混合模型的计划优化方法,该方法利用预测剂量分布构建体素级的优化目标函数,使输出剂量逼近预测,并通过添加等效均匀剂量目标,对预测误差进行修正,同时扩大优化求解空间。由10例宫颈癌IMRT计划的重新优化结果与其原始计划的比较可知:优化方法可保证靶区剂量的覆盖率和均匀性,且有效地减少危及器官的受量。此外,出于对预测不确定性对优化结果影响的考虑,本文建立了一种以预测剂量序列为引导的计划优化方法,该方法通过构建更具包容性的预测应用目标函数,可提高优化在处理预测不确定性上的自由度。实验将优化计划与原始计划比较以验证方法的有效性,同时将其与预测点剂量分布引导优化所得计划进行比较以进一步评估该方法的性能。从10例IMRT计划的比较结果可知:该优化方法可保证输出计划质量不差于甚至优于原始计划,但与预测点剂量分布引导的优化方法间存在权衡。本文针对预测三维剂量分布在放疗计划优化中的应用,首先实现了一种基于预测剂量分布引导以及gEUD混合模型的IMRT计划优化方法,该方法可有效利用预测剂量分布信息,同时保障输出计划的质优性;并通过探索新的预测剂量优化目标形式,提出了以预测剂量序列为引导的计划优化方法,可有效保证输出计划的同质性。

关键词：调强放射治疗放疗计划优化三维剂量分布预测预测引导计划优化

基于危及器官预测剂量分布与gEUD混合目标的调强放疗计划优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中华放射医学与防护杂志 2019年第6期39卷 422-427页

作者：贾启源郭芙彤吴艾茜亓孟科麦燕华孔繁图周凌宏宋婷南方医科大学生物医学工程学院广州510515

目的提出一种可充分利用危及器官预测剂量分布信息,同时最大限度地改善输出计划质量的调强放疗计划优化方法。方法构建以危及器官预测剂量分布作为优化引导的新型通量分布优化模型,考虑到预测的不确定性,模型中同时耦合了危及器官的等... 详细信息

目的提出一种可充分利用危及器官预测剂量分布信息,同时最大限度地改善输出计划质量的调强放疗计划优化方法。方法构建以危及器官预测剂量分布作为优化引导的新型通量分布优化模型,考虑到预测的不确定性,模型中同时耦合了危及器官的等效均匀剂量目标(gEUD)以在预测引导的基础上进一步改善最优化求解空间。为验证优化方法的有效性,实验选取8例宫颈癌调强放射治疗(IMRT)计划,利用该方法对其重新优化后比较所得计划与原始计划间在剂量分布和特定剂量学指征项上的质量差异。结果该优化方法具有可行解且收敛快速,所得优化计划与原始计划相比,靶区内热点减少,其剂量均匀性提高;危及器官受量也均有改善,直肠V30和V45分别减小了(6.60±3.53)%和(17.03±7.44)%,差异有统计学意义(t=-4.954、-6.055,P预测剂量分布和gEUD混合目标的调强放疗计划优化方法可有效地利用预测剂量分布,并保障输出计划的优质性。

关键词：三维剂量分布预测剂量引导计划优化等效均匀剂量调强放射治疗

基于深度学习的放射治疗危及器官自动勾画与剂量预测方法研究与应用

在线全文

学校读者我要写书评

暂无评论

基于深度学习的放射治疗危及器官自动勾画与剂量预测方法研究与应...

作者：李帆济南大学

学位级别：硕士

放射治疗,又称放疗,是当今癌症治疗最主要的手段之一。然而,针对肿瘤放疗正面临着难度较高且过程复杂的痛点。肿瘤放疗的整个过程从初期诊断、治疗方案的制定,到治疗计划的实施均严重依赖医生水平,而各地医院治疗水平参差不齐、异质化... 详细信息

放射治疗,又称放疗,是当今癌症治疗最主要的手段之一。然而,针对肿瘤放疗正面临着难度较高且过程复杂的痛点。肿瘤放疗的整个过程从初期诊断、治疗方案的制定,到治疗计划的实施均严重依赖医生水平,而各地医院治疗水平参差不齐、异质化程度高,同时逐年攀升的癌症发病率,使得中小医院的优秀肿瘤医师和物理师资源仍旧匮乏,治疗效果难以得到提升。人工智能技术与肿瘤放疗相结合为解决医疗资源不均,制定精准的放射治疗计划提供了更好的解决途径与发展方向。因此,本论文以深度学习技术在放疗过程中的应用为主线,针对当前研究领域所面临的难点和痛点,开展了以下三部分的研究:(1)提出一种融合器官边缘和几何形状等辅助信息的端到端分割模型,用于解决放疗实施前的危及器官自动勾画问题。首先,该模型通过将Transformer结合到三维卷积神经网络中,有效利用了卷积神经网络建模局部上下文信息的优势以及Transformer学习全局语义相关性的能力。其次,为了应对影像软组织的低对比度造成的边缘模糊问题,设计了边缘感知与边缘引导特征模块,使模型在训练阶段强化器官轮廓信息的提取。此外,为了减轻因患者器官形状和体积差异过大而影响分割性能的问题,所提模型以多任务训练范式添加了器官形状回归辅助任务,提高模型对器官形状信息的捕获能力。最后,为了解决大小器官的类别不平衡问题,设计了标签分布校准策略,鼓励模型在训练阶段更多关注小目标器官学习,提升模型最终分割性能。(2)提出一种基于困难感知学习的多阶段三维放射剂量分布自动预测框架。首先,提出一种新的多阶段端到端框架,将复杂的体素级回归任务分解为更容易且可控的子任务,渐进式的预测放射剂量。此外,为了降低难预测区域的剂量差异,提出了一种困难感知学习机制,通过使用体素级注意力加权的平均绝对误差损失,在训练过程中约束模型更关注难预测的区域。最后,为了避免耗时的损失超参数调参过程,提出了损失自适应学习策略来自动平衡训练过程中不同阶段的模型对最终预测结果的贡献,从而实现更为准确的剂量预测性能。(3)开发了一套肿瘤放射治疗计划辅助工具,其以简洁直观的交互形式支持肿瘤医师、物理师以及科研人员快速实现放疗过程中的器官勾画和剂量预测等服务。软件集成五大核心功能,包括医学影像可视化与勾画结果审查、危及器官分割与放疗剂量预测任务自主训练、人工智能问答助手,以及远程服务器访问和远程服务器传输工具,实现软件和深度学习算法驱动精准放疗,从而提升放疗科室的效率和信息化水平。最后,本文提出的危及器官自动分割与剂量预测模型均在公开的头颈部数据集上通过了实验验证。实验结果表明,与现有的方法相比,所提方法表现出了良好的预测性能。这些研究成果将为进一步促进人工智能技术辅助下的放疗计划制定研究提供新的思路和方向,并为肿瘤放疗的精准化和智能化发展提供了有力的支持。

关键词：深度学习放射治疗危及器官分割三维剂量分布预测