目的:基于三维(3D)U-net深度学习模型，建立预测CT引导下宫颈癌近距离治疗计划的3D空间剂量分布。方法:2021年4－9月收集114例宫颈癌患者三维近距离放疗计划(处方剂量6 Gy)组成数据集，按84∶11∶19划分为训练集、验证集、测试集。利用3D U-net模型进行500次(epoch)训练，分别评估测试集病例体素级的平均剂量偏差(MDD)与绝对剂量偏差(MADD)、等剂量面包围体积的戴斯系数(DSC)、处方剂量适形度指数(CI)、高危临床靶区(HRCTV)的 D90和平均剂量 Dmean、膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3剂量学参数。 结果:测试集中19例患者的3D剂量矩阵MDD与MADD分别为－0.01±0.03和(0.04±0.01)Gy。50%到150%处方剂量的DSC在0.89到0.94之间，处方剂量CI为0.70±0.04。HRCTV的 D90的平均偏差为2.22%， Dmean的偏差为－4.30%。膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3最大偏差分别为2.46%和2.58%。模型预测平均耗时2.5 s。 结论:本研究实现了一种基于3D U-net的预测宫颈癌3D剂量分布的深度学习模型，为宫颈癌近距离治疗自动化设计奠定基础。

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 、 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 上升了(16.83±1.82) cGy ( P<0.05)，其余ROI的 或 均相近(均 P>0.05)；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<0.05)；中危靶区的下降了(120.85±29.78) cGy ( P<0.05)；6个ROI的平均绝对离差的平均值下降了(7.8±53) cGy ( P<0.05)，更接近实际计划。 结论:利用全卷积网络U-Net可以实现宫颈癌患者BT的三维剂量分布预测；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。

目的:建立一种深度学习模型预测调强放疗(IMRT)的三维剂量分布。方法:收集直肠癌术后IMRT患者共110例，随机数表法选择其中90例作为训练验证集并作9折交叉验证，剩下20例作为测试集。构建3D U-Res-Net模型，以CT影像、靶区和危及器官(OARs)的解剖结构以及射束信息作为输入，IMRT剂量作为输出训练该模型，并用来预测测试集病例的剂量分布。采用三维剂量分布以及剂量—体积直方图(DVH)剂量参数评估预测精确性。结果:在三维剂量分布上，体素剂量的平均预测偏差为-2.12%～2.88%、平均绝对误差为2.55%～5.75%；等剂量面的Dice系数均在0.9以上，平均霍夫距离(HD 95)和平均表面距离(MSD)分别0.61～1.54 cm和0.21～0.45 cm。对于DVH剂量参数，除膀胱 Dmean ( P＝0.048)以外，其他剂量学参数差异均无统计学意义( P>0.05)。 结论:基于3D U-Res-Net模型可以实现直肠癌术后IMRT剂量分布预测，为自动计划设计奠定基础。

目的:开发一种基于预测剂量的自调节调强放射治疗自动计划方法，以增强自动计划的鲁棒性。方法:利用3D U-Res-Net_B网络预测出三维剂量分布后，在直接子野优化的每次迭代中先基于上次迭代结果计算当前剂量，再联合预测剂量计算目标剂量，然后以此为目标进行优化。完成所有迭代或满足循环退出条件后，得到最终的治疗计划。在30例直肠癌病例上进行测试，验证算法的效果。结果:临床计划治疗靶区的 V100%均值和标准差为(95.03±0.91)%，自动计划为(94.67±1.96)%，接近临床值( P>0.05)，而预测值为(92.90±2.13)%，与临床计划的差异具有统计学意义( t＝29.0， P<0.05)；自动计划在小肠 V35、膀胱 V40、股骨头的 V20 ～ V40等多项指标上低于预测值和临床值，且差异具有统计学意义( t＝4.5～118.0， P<0.05)，在其他危及器官的指标上与临床值的差异无统计学意义( P>0.05)。 结论:本方法增强了自动计划的鲁棒性，提高了其应对复杂情况的能力。

目的:提出一种基于剂量预测的放射治疗计划质量定量评价方法，并验证该方法的临床可行性和临床价值。方法:基于45例5年以上从业经验的物理师制定的直肠癌病例，训练3D U-Net网络。利用3D U-Net网络预测得到三维剂量分布后，基于剂量预测的剂量-体积直方图(DVH)指标，建立调强放射治疗(IMRT)直肠癌计划质量评估标准，对直肠癌放疗计划进行初次打分。以预测剂量为优化目标，对放疗计划重新优化制定，并再次打分。在15例直肠癌病例上进行测试，比较优化前后计划得分情况以及剂量学参数差异，从而验证该打分方法的临床意义。结果:优化前后的计划均满足临床剂量要求。优化前的总得分为(77.21±9.74)分，优化后的总得分为(88.78±4.92)分，优化后的计划得分提升，且差异具有统计学意义( t＝-4.105, P<0.05)。相比优化前，优化后的计划所有危及器官的 Dmax均有不同程度地降低，优化后的计划在靶区 Dmax、 V107%、HI和膀胱的 Dmax等指标上均有降低，且差异具有统计学意义( t＝2.346~5.771， P<0.05)，在其他指标上优化前和优化后的差异无统计学意义( P>0.05)。优化后的计划质量有一定程度提升。 结论:本研究提出的结合剂量预测的放疗计划质量的定量评价方法，可以针对计划质量进行个性化地有效评估，有利于更好地对比审核不同物理师制定的临床计划质量，并且提供个性化的剂量指标，对临床计划的制定具有较强的指导意义。

目的:基于cycleGAN建立双任务循环网络，实现基于单角度投影的三维CT合成模型用于胸部肿瘤的自适应放疗，并评估图像生成质量和剂量精度。方法:收集南京医科大学附属常州第二人民医院收治的胸部肿瘤容积弧形调强放射治疗（VMAT）患者45例，并筛选公共数据集图像991例作为预训练数据集，使用ASTRA算法获取多角度投影图像。公共数据集划分为训练集800例、验证集160例和测试集31例，医院患者数据划分为训练集40例、测试集5例。分别输入合成CT模型和多角度投影预测模型，实现双任务的训练。最终测试仅使用合成CT模型获取预测CT图像进行图像生成质量［包括平均绝对误差（MAE）、峰值信噪比（PSNR）和结构相似性指数（SSIM）］以及剂量学评估。结果:合成CT的图像质量评估指标显示，图像合成精度较高，MAE为0.05±0.01，PSNR为19.08±1.69，SSIM为0.75±0.04。基于合成CT计算的放疗剂量分布也与真实分布接近，3%/3 mm标准下γ通过率平均为93.1%。结论:由cycleGAN修改的双任务循环网络，可以快速准确地从单角度投影预测三维CT，可以应用于胸部肿瘤自适应放疗的工作流程。图像生成质量和剂量学的评估均显示合成CT质量可以满足放疗的临床要求。

目的:探讨基于三维剂量分布的深度学习模型在预测头颈部肿瘤远处转移中的作用。方法:收集来自4个中心共237例接受调强放疗（IMRT）的头颈部肿瘤患者的放疗数据和临床随访数据，其中来自犹太综合医院（HGJ）和Sherbrooke大学医疗中心（CHUS）治疗机构的131个病例作为训练集，来自Montréal大学医疗中心（CHUM）机构的65个病例作为验证集，来自Maisonneuve-Rosemont医院（HMR）机构的41个病例作为测试集。将训练集131例患者的三维剂量分布和GTV轮廓输入DM-DOSE模型进行训练并用验证集数据进行验证，然后用独立的测试集数据进行评估。评价内容包括受试者操作特征曲线下面积（AUC）、平衡准确率、敏感度、特异度、一致性指数和Kaplan-Meier生存曲线分析。结果:在头颈部肿瘤远处转移的预后预测方面，联合三维剂量分布和GTV轮廓的DM-DOSE模型实现了最优预后预测性能，AUC为0.924，并且能显著区分远处转移的高、低风险患者（log-rank检验， P<0.001）。 结论:三维剂量分布对IMRT的头颈部肿瘤患者远处转移具有良好的预测价值，且构建的预测模型能有效预测远处转移。

目的:开发一种基于三维Transformer的深度学习架构，用于肺癌调强放疗（IMRT）计划的剂量分布预测。方法:回顾性分析重庆大学附属肿瘤医院2020年1月—2022年12月间174例肺癌行IMRT患者的资料，设置训练、验证、测试集分别为116、29、29例。通过Swin Unet Transformer（Swin Unetr）模型进行三维剂量分布预测训练，该模型使用带位移窗口的Transformer模块编码器，输入包括CT图像、计划靶区（PTV）和危及器官轮廓图像、射束信息图像和靶区距离图像。使用平均绝对误差（MAE）、戴斯相似性系数（DSC）以及剂量体积直方图（DVH）剂量学参数来评估模型的性能，并与其他3种深度学习模型CGAN、ResSEUnet、ResUnet进行比较。结果:Swin Unetr预测与原临床计划的剂量分布的MAE为0.0143±0.0055，CGAN、ResSEUnet和ResUnet分别为0.0162±0.0055、0.0167±0.0063和0.0164±0.0057。Swin Unetr在各等剂量值均取得了最高的DSC值（>0.85）。剂量学参数方面，除PTV的D 2%和心脏的D mean以外，其余Swin Unetr预测与原临床计划的剂量学参数差异均无统计学意义（ P>0.05），且66.67%的总体剂量学参数和75%的PTV剂量学参数评估结果表现最佳。 结论:在多个剂量学评估指标上，Swin Unetr取得了最佳评分，在各等剂量值上取得最高DSC。Swin Unetr在肺癌IMRT三维剂量预测方面的准确性较以往模型有显著改进。

目的:研究基于全卷积网络的左侧乳腺癌放疗三维剂量分布预测方法，并对其预测精度进行评估。方法:利用全卷积网络实现三维剂量分布预测。首先建立60例左侧乳腺癌患者的容积调强弧形治疗(VMAT)计划库，从库中随机选取10例作为测试集数据，其他50例作为训练集数据；然后，构建U-Net模型，利用该网络在器官结构矩阵和剂量分布矩阵间建立相关模型；最后，利用模型预测测试集病例的剂量分布，并将预测结果与实际计划结果比较。结果:10例测试患者的PTV、患侧肺、心脏、双侧肺、脊髓的剂量平均绝对离差分别为(119.95±9.04)、(214.02±9.04)、(116.23±30.96)、(127.67±69.19)、(37.28±18.66) cGy。处方剂量80%、100%范围计划剂量和预测剂量的Dice相似性指数分别为0.92±0.01和0.92±0.01。处方剂量80%和10%范围内区域3 mm/3%标准的 γ通过率分别为0.85±0.03、0.84±0.02。 结论:利用全卷积网络可实现左侧乳腺癌行VMAT患者的三维剂量分布预测。

目的:探讨Delta4在放疗计划验证过程中进行剂量体积直方图(DVH)评价的可行性.方法:将基于日志文件的三维剂量重建方法(利用Mobius FXTM实现)作为参考方法,采用Bland-Altman统计方法对基于Delta4的三维剂量评价方法和参考方法在宫颈癌和鼻咽癌容积调强放疗验证中的一致性进行分析,评价两种方法是否具有互换性,从而论证Delta4用于放疗计划DVH评价的可行性.Bland-Altman一致性分析利用的指标为日志文件重建剂量与Delta4实测剂量的均值和差值、TPS计算剂量和Delta4预测剂量的均值与差值,并以此分别绘制均值-差值散点图,通过观察散点分布区间来判断两种方法的一致性.结果:在鼻咽癌一致性分析中基于日志文件重建剂量与Delta4实测剂量、TPS计算剂量和Delta4预测剂量分别有99％的测量点和97％的测量点落在均值-差值散点图95％一致性区间内;在宫颈癌一致性分析中基于日志文件重建剂量与Delta4实测剂量、TPS计算剂量和Delta4预测剂量有95％的测量点落在均值-差值散点图95％一致性区间内,落在95％一致性区间外的测量点占比在5％之内.结论:基于Delta4的三维剂量评价方法和基于日志文件的三维剂量重建方法一致性很好,可以互换,因此使用Delta4对计划进行DVH评价是可行的.