本文提出了系统的集成专家人员的知识和AI推荐的方法，使用高斯过程模型和深度神经网络来量化医师和AI的推荐给出的治疗结果的不确定性，并将其用作指导临床医师和提高AI模型性能的准则，在一个综合数据集上演示了该方法

Feb, 2022

建立了一个用于放射治疗知识基础计划（KBP）优化模型开发的开放框架，包括100个头颈癌病人的基准计划和19个KBP模型的高质量剂量预测。通过比较预测和计划的剂量分数，剂量体积直方图（DVH）准则偏差以及满足临床计划准则的频率，证明了KBP生成的计划比预测剂量优秀，最终推荐了一种相应的优化模型。

Feb, 2022

降低PET成像的辐射暴露风险，引入以低剂量数据合成高质量PET图像的PCT-CM方法，通过逆扩散过程和PET-VIT网络实现高效的去噪过程，获得与现有扩散合成模型相媲美的合成质量，提升低剂量PET图像在临床应用中的质量。

Aug, 2023

我们提出了一种新的直接不确定性估计方法，并将其应用于回归U-Net架构，该方法通过在瓶颈处添加重构输入的分支来估计模型的不确定性，并在头颈部癌症患者的质子疗法剂量预测中进行了验证，与常用方法MCDO和DE相比，我们的方法表现出更高的预测误差相关系数(0.620)，同时更容易识别OOD (34.05的Z分数)，且在回归任务中同时估计不确定性，因此需要更少的时间或计算资源。

Oct, 2023

通过深度学习生成的人工合成CT图像可用于MR引导下的自适应放射治疗中的剂量计算和优化，提高治疗计划的模拟和自适应规划效率。

Dec, 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

最近在质子治疗的进展中，基于磁共振的治疗计划正逐渐得到认可，以降低与传统基于CT的方法相比的额外辐射暴露。这种转变凸显了精确的磁共振与CT图像合成的关键性需求，对于精确的质子剂量计算至关重要。本研究引入了扩散薛定谔桥模型（DSBM），这是一种创新的高质量磁共振与CT图像合成方法。DSBM学习了MR和CT数据分布之间的非线性扩散过程。该方法通过从先验分布而非高斯分布开始合成，提高了传统扩散模型的生成质量和效率。我们通过头颈癌数据集验证了DSBM的有效性，并通过图像级和剂量级评估证明了其优于传统图像合成方法。DSBM在基于磁共振的质子治疗计划中的有效性突出了其在各种临床场景中作为有价值工具的潜力。

Apr, 2024

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

将风险控制预测集拓展至提供具有覆盖保证的多个未知子群组在测试时间的预测区间，以实现在放射治疗中控制多个子群组风险的有效预测。

Jul, 2024

本研究解决了头颈癌质子铅束扫描（PBS）治疗计划中费时且依赖经验的问题。提出了一种基于近端政策优化（PPO）算法的新自动化治疗计划模型，通过辅助规则和剂量分布奖励函数，显著提高了临床目标优化的灵活性与可扩展性。实验结果表明，该模型生成的治疗计划在保护重要器官的同时，能够与人类专家生成的计划相媲美，甚至优于后者。

Sep, 2024