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

通过使用卷积神经网络(CNN)分析患者的术前18F-氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描，研究表明可以预测头颈部鳞状细胞癌患者的局部复发体积，从而为生物学靶向放射疗法提供潜在方法来识别高风险生物体积。

Aug, 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

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

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

提出了Deep-Motion-Net: 一种端到端的图神经网络架构，可以从任意投影角度获取的单个治疗中kV平面X射线图像实现三维（容积）器官形状重建。

Jul, 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