该论文提出了一种基于扩散模型的LDCT图像降噪新方法CoreDiff, 并引入了CLEAR-Net以及一次性学习框架，以解决之前一些基于深度学习的降噪模型中的过度平滑和训练不稳定性问题，同时取得了在降噪和泛化性能方面的优异表现。

Apr, 2023

利用扩散法剂量预测模型，深度学习技术有效地预测放射治疗计划中的剂量分布，通过提取解剖信息和预测噪声来保证预测准确性。

Jul, 2023

通过扩散模型为癌症患者的放射治疗剂量分布预测提出了一种方法(DiffDose)，该方法通过正向和逆向过程分别将剂量分布转化为高斯噪音和去除噪音，从而有效地解决了现有方法中平滑问题和损失计算的限制。

Nov, 2023

为了提高放射治疗的剂量分布预测准确性，我们提出了一种基于SwinTransformer和投影器的剂量预测扩散模型，称为SP-DiffDose。利用结构编码器从解剖图像中提取特征，通过条件扩散过程在多个尺度上融合噪声和解剖图像，并逐渐映射到剂量分布图。为了增强危险器官的剂量预测分布，SP-DiffDose利用SwinTransformer在网络的深层中捕捉图像不同尺度的特征。通过设计的投影器对融合特征进行学习，提高了剂量预测准确性。在内部数据集上对SP-DiffDose进行评估，结果显示在多个评估指标上SP-DiffDose优于现有方法，展示了我们方法的优越性和普适性。

Dec, 2023

使用三元约束Transformer（TCtrans）和多尺度精化技术来预测高质量的剂量分布，对临床宫颈癌数据集进行实验验证，证明了该方法的优越性。

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

深度学习在放疗自动化方面发挥了作用，但现有方法无法得出可直接输入治疗计划系统（TPS）的理想放疗参数，阻碍了放疗全面自动化。本文提出了一个新的两阶段框架，用于直接回归放疗参数，包括剂量图预测阶段和放疗参数回归阶段。实验证明我们的方法的有效性。

Feb, 2024

肿瘤放射治疗中，通过基于扩散模型的MD-Dose及Mamba架构，结合噪声预测器和结构信息提取器，实现对放疗剂量分布图的自动预测，以加速治疗流程并提高放疗计划的出发点。

Mar, 2024

提出了一种利用基于分区汉克尔的扩散模型进行少量剂量CT重建的方法，该方法通过结构化张量从多个分区汉克尔矩阵中提取先验知识，利用迭代随机微分方程求解器以及数据一致性约束来更新获得的投影数据，并引入惩罚加权最小二乘和总变差技术以提高图像质量。结果表明，PHD模型在减少伪影和噪音的同时保持图像质量方面表现出色。

May, 2024

本研究解决了宫颈癌放疗中计划目标体积与风险器官剂量分配的优化问题，提出了一种新的ARANet模型，通过利用深度监督和多尺度残差注意力模块来自动预测3D剂量分布。实验结果显示，该模型在54名宫颈癌患者的数据集上明显优于其他先进方法，展示了提升放疗计划效率的潜力。

Aug, 2024