该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

Feb, 2024

在放射治疗中，靶体积轮廓的划定被认为比正常器官分割任务更具挑战性，因为它需要利用图像和基于文本的临床信息。受到大型语言模型（LLMs）的最新进展的启发，可以促进文本信息和图像的融合，我们提出了一种新颖的 LLM 驱动的多模态人工智能，应用于放射治疗中具有挑战性的靶体积轮廓任务，并在乳腺癌放疗靶体积轮廓的背景下进行验证。通过外部验证和数据不足环境的使用，这对于实际应用非常有益，我们证明了所提出的模型相比传统的仅视觉 AI 模型具有明显改进的性能，特别是在具有鲁棒泛化性能和数据效率的方面。据我们所知，这是第一个将临床文本信息整合到放射肿瘤学的靶体积划定中的 LLM 驱动多模态 AI 模型。

Nov, 2023

采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

通过优化 V-Net 模型的器官分割算法，提高小体积器官的分割精度，特别是眼球晶状体的分割，在医学影像中取得了显著的改进。

Apr, 2024

本研究旨在发展一种准确的淋巴瘤分割方法，采用 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描图像结合视觉转换器和双编码器进行淋巴瘤分割，这在计算辅助淋巴瘤诊断和治疗方面具有巨大潜力。

Feb, 2024

通过使用图像和大型语言模型（LLM）辅助的深度学习模型，本研究提出了一种将无结构图像转化为结构化图形的流程，并开发了一种名为 DoseGNN 的剂量图神经网络模型用于预测剂量体积直方图（DVH）。与放射治疗中广泛使用的 DL 模型相比，LLM 增强的 DoseGNN 模型在预测上取得了 Swim U-Net Transformer、3D U-Net CNN 和普通 MLP 的平方误差的 80％、76％和 41.0％的效果，并通过与临床医生的自然语言交互，实现了与治疗计划的无缝调整。

Feb, 2024

通过使用最大的已知多机构放射治疗计划脑 MRI 数据集，对具有完整或术后脑膜瘤的患者进行放射治疗，本研究旨在推进自动化分割算法。该数据集包含脱敏的三维增强 T1 加权放射治疗计划 MRI 及其相应的标注目标体积，能够准确分割肿瘤并提供个体化治疗，预计将显著改善患者预后。

May, 2024

使用完全自动的框架，开发了用于头颈部 CT 图像的目标分割的两个模型，成功在 SegRap 2023 挑战赛的验证阶段中取得了这两项任务的第二名。

Oct, 2023

本研究开发了一种自动化的三维适形放射治疗工作流程，结合了深度学习的预测和前向规划算法以用于直肠癌治疗，从而生成具有临床可接受性的计划，研究证明其可以成功地自动化生成放疗计划。

Apr, 2022

本文提出了一个新颖的端到端注意力图神经网络模型，用于根据手术前参考分割和治疗期间所采集的 2D MRI 横截面图像来实时生成肝脏的三角形形状，模型使用图神经网络处理图形数据，并能够捕捉非欧几里得域中的隐藏模式。与现有方法不同的是，该方法完全在网格结构中生成形状并基于替代图像正确推断网格形状和位置。提出了两种实时方法来使肝脏网格顶点与治疗期间获得的 2D 图像相对应，并引入了一种新型任务特定身份信息损失来限制图神经网络中肝脏的变形。该方法的平均误差为 3.06 +- 0.7 毫米，L2 范数下的 Chamfer 距离为 63.14 +- 27.28。

Mar, 2023