目的:基于上海先进质子放疗设备（SAPT）水平固定束，利用开源剂量计算引擎搭建质子放疗独立剂量计算平台并验证该平台的准确性。方法:通过测量SAPT水平固定束的绝对积分深度剂量以及空气中束斑大小，并结合蒙特卡洛模拟得到水中束斑大小增量，笔形束参数与剂量计算引擎相结合，搭建了适用于该水平固定束的剂量计算平台。计算平台精确性的验证主要通过绝对剂量验证和相对剂量验证实现。绝对剂量验证主要是比较单个立方体计划射野中心轴线上不同深度计算值和实测值的点对点误差。相对剂量验证主要是比较计算值和实测值的横向一维及二维相对剂量分布。同时，对单高斯束斑模型和双高斯束斑模型的精确性进行比较。结果:计算值和实测值的点对点绝对剂量偏差在2%以内。3个立方体在中心深度的二维平面相对剂量分布的计算值与实测值的20%~80%半影宽度及半高全宽的偏差分别在1、2 mm以内。3个立方体计划及2个临床病例在中心深度的二维平面相对剂量分布的实测值与计算值的二维γ通过率（3 mm/3%）均>95%。双高斯束斑模型在剂量梯度变化较大或者射程较大的计划中相较于单高斯束斑模型计算得更准确。结论:独立剂量计算平台的精确度能满足临床要求，可利用此平台研究其他剂量相关的问题。

目的:探索SHAP值结合极端梯度提升树（XGBoost）算法的特征选择技术来构建调强放疗γ通过率预测模型的可行性和有效性，并给出相应的模型解释。方法:回顾性分析2020年11月至2021年11月在湖南省肿瘤医院接受盆腔固定野调强放射治疗的196例肿瘤患者采用基于模体测量方式的调强放疗计划的剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的影像组学特征并使用SHAP值结合XGBoost算法进行特征筛选后构建预测模型。分别选取特征数量为50、80、110、140个，构建四种机器学习分类模型，计算曲线下面积（AUC）值、召回率及F1分数评估预测模型的分类性能。结果:基于SHAP值特征选择的110个特征构建的预测模型AUC值为0.81，召回率达到0.93，F1分数为0.82，均优于其他三个模型。结论:针对盆腔肿瘤调强放疗计划，可以采用SHAP值与XGBoost算法结合以选择用于预测的最佳影像组学特征子集来构建γ通过率的预测模型，并能通过SHAP值给出模型输出解释，可能在理解依赖机器学习模型所做的预测方面提供价值。

目的:联合应用两种商用及一种自行开发的基于加速器轨迹日志(LFB)的三维剂量重建系统验证肺癌VMAT计划。方法:编程实现读取TrueBeam轨迹日志中误差并导入计划系统生成重建剂量。选18例肺癌双弧VMAT计划，用ArcCheck测量并利用3DVH重建，同时使用LFB和Compass计算模式重建。其中5例4 h内由ArcCheck测2次，检测加速器重复性。将18例计划移植到建成5 cm、背散4 cm、中心放置有FC65-G电离室的固体水模上计算电离室平均剂量并与实测及3种重建系统重建点剂量比对。结果:加速器重复性稳定。LFB、3DVH、Compass及FC-65 G实测与计划点剂量偏差≤2%。ArcCheck曲面二维，3DVH、Compass整体及LBF所有器官三维γ通过率在所有比对标准下均>90%，3DVH及Compass个别器官γ通过率低。重建剂量与原计划相比，LBF差异最小，除肺之外器官Compass差异居中、3DVH最大。结论:LBF、3DVH、Compass 3种系统能从不同方面反映肺癌VMAT剂量验证结果，联合应用三者进行剂量验证能更直观的展现出验证结果，便于后续分析。

目的:初步观察MR引导下非小细胞肺癌体部立体定向放疗(SBRT)的可行性，并对有无磁场环境下剂量学差异进行分析。方法:前瞻性的入组3例SBRT的非小细胞肺癌患者，均应用MR引导加速器放疗。治疗计划分别应用有磁场模型和无磁场模型进行优化和剂量计算，同时在常规加速器进行患者备用计划的制备。比较有无磁场模型剂量的分布差异。同时对靶区覆盖度、计划通过率、治疗时间进行描述，并比较常规加速器备用计划和有磁场模型下执行计划的复杂度等差异。结果:3例患者分次治疗时间为(36.67±6.11) min，在线自适应计划平均时间为(14.4±1.7) min，患者基本耐受。治疗前计划的γ通过率(3%/3 mm)平均为98.9%，疗中在线计划γ通过率(3%/3 mm)为98.5%，靶区覆盖度达99.1%，满足临床需求。有磁场情况下肺部低剂量区剂量略低于无磁场情况，但肋骨和皮肤剂量因磁场存在略高于无磁场计划。在线自适应计划的机器跳数略高于参考计划，常规加速器备用计划机器跳数在相同靶区覆盖度情况下明显低于MR加速器计划。随访结果显示患者无不良反应，近期疗效均为部分缓解。结论:在考虑磁场影响情况下可获得满足临床需求的治疗计划，证明MR加速器引导的肺癌SBRT放疗具有可行性，但治疗时间较长，治疗流程较为复杂。

目的:利用放射组学特征构建不同的机器学习分类模型，预测盆腔肿瘤调强放疗剂量验证的γ通过率，并探讨最佳预测模型。方法:回顾性分析196例盆腔肿瘤调强放疗计划，采用基于模体测量方式的三维剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、支持向量机、自适应增强和梯度提升决策树4种机器学习算法，计算曲线下面积(AUC)值、敏感度和特异度，评估4种预测模型的分类性能。结果:随机森林、支持向量机、自适应增强、梯度提升决策树模型的灵敏度和特异度分别为0.93、0.85，0.93、0.96，0.38、0.69，0.46、0.46。随机森林模型和自适应增强模型的AUC值分别为0.81和0.82，支持向量机和梯度提升决策树模型的AUC值为0.87。结论:针对盆腔肿瘤调强放疗计划，可以采用基于放射组学特征的机器学习方法来构建γ通过率的预测模型。支持向量机模型和梯度提升决策树模型的分类性能要优于随机森林模型、自适应增强模型。

目的:研究利用生成对抗网络(GAN)建立头颈部肿瘤MRI图像与CT图像的映射模型，实现MRI引导放疗中伪CT (sCT)的预测生成。方法:收集45例鼻咽癌患者治疗前影像信息与IMRT计划信息。首先对MRI (T1)和CT图像进行刚性配准、裁剪、去背景、数据增强等预处理操作；其次对病例进行GAN训练，随机选取30例作为训练集放入网络进行建模学习，另15例用于测试。比较预测sCT与真实CT的图像质量，以及后续比较预测sCT进行重计算的剂量分布与真实计划的剂量分布。结果:测试集的预测sCT与实际CT图像质量比较显示，二者误差较小，体素平均绝对误差值为(79.15±11.37) HU，结构相似性系数值为0.83±0.03。sCT重计算的剂量分布与实际剂量较为接近，不同区域水平下的MAE值相对处方剂量均<1%。在2mm/2%、3mm/3%准则下，所有病例sCT重计算剂量分布的γ通过率均>92%、>98%。结论:提出并实现了使用GAN进行鼻咽癌患者sCT的生成，为MR-IGRT实施奠定了基础。图像质量与剂量学比较均显示了方法的可行性与准确性。

目的:研究容积弧形调强放射治疗（VMAT）计划机器跳数与计划验证通过率的相关性。方法:回顾性选取2020年1—10月在柳州市工人医院放疗的20例鼻咽癌和30例宫颈癌患者的VMAT计划，采用德国PTW公司的Detector 1500矩阵和OCTAVIUS 4D验证模体进行剂量测量，分析3%/2 mm、2%/2 mm条件下相关计划的剂量验证通过率。采用Pearson法双变量相关性分析对VMAT计划的机器跳数MU与计划验证通过率的相关性进行分析。结果:3%/2 mm标准下鼻咽癌单弧、双弧、单双弧汇总计划机器跳数与γ通过率的相关系数分别为-0.873（ P<0.001）、-0.800（ P<0.001）、-0.781（ P<0.001），宫颈癌计划为-0.493（ P=0.006）。2%/2 mm标准下鼻咽癌单弧、双弧、单双弧汇总计划机器跳数与γ通过率的相关系数分别为-0.842（ P<0.001）、-0.770（ P<0.001）、-0.748（ P<0.001），宫颈癌计划为-0.531（ P=0.003）。 结论:VMAT计划的机器跳数与计划验证通过率成极显著的负相关关系。

目的:研究利用盆腔迭代锥形束CT(CBCT)图像用于治疗计划剂量计算的可行性分析，为自适应放疗提供图像保障。方法:使用Varian Halcyon 2.0环形加速器对CIRS 062 M模体(CIRS, Norfolk, VA, USA)进行扫描，测量其不同散射条件下的CT值并计算其平均值，建立锥形束CT-电子密度转换曲线(iterative Cone-beam CT to electron density，ICBCT-ED)。采集CIRS 002PRA盆腔调强专用模体的CT和不同位置的ICBCT图像，设计基于CT图像的VMAT计划，移植至ICBCT图像上，重新进行剂量计算，比较靶区、危及器官及三维体积剂量 γ通过率的差异。以患者实际治疗计划为基准，回顾性分析10例盆腔患者全流程三维剂量 γ通过率的差异。 结果:无散射体的孤立模式与全散射中心位置的CT值偏差较大，最大偏差144 HU。其他全散射位置与中心位置CT值相近，最大偏差<50 HU。基于盆腔模体不同位置处的ICBCT图像的计算结果，无论靶区还是危及器官的剂量偏差均<1 Gy。与基于CT图像的计划相比，基于ICBCT图像的三维剂量 γ通过率1%/1 mm和2%/2 mm的平均值分别为(88.86±1.18)%和(98.38±0.89)%。10例盆腔肿瘤患者2%/2 mm和3%/3 mm的平均值范围分别为90.03%~95.43%和93.58%~97.78%。最差结果为膀胱过充盈引起的外轮廓变化造成的剂量差异，2%/2 mm和3%/3 mm的三维剂量通过率仅为85.90%和92.90%。 结论:在足够的散射条件下，重建ICBCT-ED转换曲线，利用Halcyon直线加速器的ICBCT图像进行治疗计划设计，其精度是可以满足临床应用的标准的，为将来的自适应放疗提供了保障。

目的:采用基于放射组学的机器学习方法，探索盆腔肿瘤不同调强放疗技术下γ通过率(GPR)分类预测模型的可行性，并比较了4种集成树模型的分类性能。方法:回顾性收集了409例使用不同调强放疗技术的计划，采用基于模体测量方式的三维剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、自适应增强、极端梯度提升树和轻量级梯度提升机4种机器学习算法，并且通过计算灵敏度、特异度、 F1分数及曲线下面积(AUC)值来评估它们的分类性能。 结果:随机森林、自适应增强、极端梯度提升树、轻量级梯度提升机模型的灵敏度和特异度分别为0.96、0.82、0.93、0.89和0.38、0.54、0.62、0.62， F1分数和AUC值分别为0.86、0.81、0.88、0.86和0.81、0.77、0.85、0.83。其中极端梯度提升树模型的灵敏度达到0.93，特异度、 F1分数和AUC值均为最高，要优于其他3种模型。 结论:针对采用不同调强放疗技术的盆腔肿瘤调强计划，使用基于放射组学的机器学习方法来构建伽马通过率分类预测模型具有一定的可行性，能够为将来GPR预测的多机构合作研究提供基础。

目的:应用TG119报告中的测试例对联影公司URT-Linac 506C加速器和URT计划系统FF模型进行全面的评估。方法:主要研究调强放疗(IMRT)和容积调强弧形治疗(VMAT)计划剂量目标、点剂量和剂量分布计算准确性。测试模体采用AAPM TG119号报告测试例模体，主要包括模拟多靶区、模拟前列腺肿瘤、模拟头颈肿瘤和模拟C形靶区(简单)等。使用指形电离室和胶片，在URT计划系统(临床实验版本)和URT-Linac 506C加速器上分别优化计算和测量剂量，并分析计划剂量和测量值之间的偏差。结果:URT计划系统中的4个测试案例的计划剂量目标均满足TG119标准要求。对于不同案例点剂量验证，IMRT计划最大误差为2.62%，VMAT计划最大误差为3.90%，均满足TG119报告中点剂量误差小于4.5%的要求。复合剂量分布胶片测量结果的γ通过率IMRT计划均>97.50%，VMAT计划均>93.27%。结论:URT-Linac 506C加速器和URTT放疗计划系统FF计算模型性能试验结果均达到TG119报告验证标准。