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

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

本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。

May, 2023

在放射治疗剂量预测领域，我们应用了一种名为深度证据学习的不确定性量化框架，通过使用 Open Knowledge-Based Planning Challenge 数据集的医学影像，我们发现该模型可以有效地产生与预测误差相关的不确定性估计，在网络训练完成后仅经过重新构建原始损失函数以实现稳定实现。实验结果表明，深度证据学习相对于 Monte-Carlo Dropout 和 Deep Ensemble 方法，能够更线性地根据不确定性阈值变化的中位误差，与模型误差均匀校准的敏感性。同时，我们发现对于加入高斯噪声的 CT 强度，与表征数据噪声的 aleatoric 不确定性表现出更显著的分布变化。总的来说，我们的研究结果表明深度证据学习是一种有前景的方法，可以为放射治疗剂量预测的深度学习模型提供统计稳健性，我们还展示了如何使用这种模型构建预测的剂量体积直方图的置信区间。

Apr, 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

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

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