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

本文提出基于距离感知扩散模型的 CT 图像辅助剂量预测方法，实现了精密的剂量预测和肿瘤区域或危险器官等区域的距离信息引入，同时采用了多编码器和多尺度融合网络技术，有效提高了预测效果，实验证明该方法在乳腺癌和鼻咽癌两个数据集上，性能优于现有的剂量预测方法。

Jun, 2023

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

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

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

该研究介绍了一种生成模型 DDMM，可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果，并提供数据增强来优化分割性能，优于其他采用数据中心化方法的技术。

Apr, 2023

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

本文介绍了如何使用增强学习方法直接优化扩散模型以实现人类感知的图像质量和药物效果等下游目标，并提出了一种名为去噪扩散策略优化（DDPO）的类策略梯度算法，并进行了实证及效果验证。

May, 2023

通过使用图神经网络构建插拔式框架，该研究旨在设计高效的深度学习模型，以在通用放疗平台上进行剂量 - 体积直方图（DVH）预测，改善基础深度学习模型的预测性能。

Feb, 2024

通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。

Feb, 2021