通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

Apr, 2023

本文提出了一种基于 Uncertainty Rectified Pyramid Consistency (URPC) 正则化的半监督支持下的鼻咽癌（NPC）GTV 分割框架，通过在不同尺度上监督网络和利用未标记的图像实现了出色的分割性能。

Dec, 2020

建立预测咽喉头颈部肿瘤患者的无复发存活模型，该模型将临床信息和多模态 CT 和 PET 放射组学特征与诊断结果结合，研究了分割准确度对放射组学特征的预测能力的影响，并发现 PET 和 CT 受其影响的程度不同，最佳模型对于临床信息和多模态 CT 和 PET 放射组学特征的综合表现优于仅使用临床信息的模型。

Feb, 2024

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

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

研究通过使用基于视觉转换器（ViT）的神经网络来评估使用放疗治疗头颈部癌症患者时，使用 ViT 网络预测放疗引起的解剖学变化的可行性，并显示出良好的预测性能，以帮助头颈部癌症自适应放疗的决策。

May, 2024

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

本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在 PET/CT 图像中进行淋巴瘤病变分割的全面评估，并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集，评估了分割准确性、临床相关性和算法的稳定性。

Nov, 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

我们引入了一种创新的、简单而有效的无分割方法，用于对头颈癌（HNC）患者的结果预测。通过利用基于深度学习的特征提取技术和应用于氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）体积的多角度最大强度投影（MA-MIP），我们的提出的方法消除了对于感兴趣区域（ROIs）如原发肿瘤和受累淋巴结的手动分割的需要。相反，先训练一个最先进的目标检测模型，在 PET 体积上自动进行头颈区域的裁剪。然后，利用预训练的深度卷积神经网络主干提取来自裁剪的 PET 体积的 72 个多角度轴向旋转的 MA-MIP 的深层特征。然后将从 PET 体积的多个投影视图中提取的这些深层特征进行聚合和融合，并用于对 489 例 HNC 患者进行无复发生存分析。所提出的方法在目标数据集上的无复发生存分析任务中胜过了表现最好的方法。通过避免对 FDG PET-CT 图像上的恶性病灶人工划定的依赖，我们的方法消除了对主观解释的依赖，并极大地提高了所提出的生存分析方法的可重复性。

May, 2024