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

放射治疗学领域能够受益于使用人工智能完全自动化创建癌症治疗的辐射治疗计划。本研究提出了 Swin UNETR++，包含一个轻量级的 3D 双重交叉注意力（DCA）模块，以捕获每个患者独特解剖结构内部和体积间的关联，从而弥补了完全卷积神经网络的不足。我们的模型在 Open Knowledge-Based Planning 数据集上进行了训练、验证和测试。除了定量评估预测和真实 3D 辐射剂量分布之间的差异的剂量分数 δS 和剂量体积直方图分数 δDVH 之外，我们提出了平均体积级验收率 δRVA 和平均患者级临床验收率 δRPA 这两个定性评估指标来评估预测的临床可靠性。Swin UNETR++ 在验证和测试数据集上表现出接近最先进的性能，为将 3D 剂量预测转化为可交付的治疗计划，从而实现全自动化提供了基础。

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

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

本文提出了一种基于分类引导生成对抗网络和超分辨率细化的方法来提高正电子发射断层扫描成像的质量。通过对低剂量数据的噪声水平特征的更全面理解，改进了图像合成，并在各种剂量减少因素下优于现有的方法。

Apr, 2023

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

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

采用扩散转换器模型（DTM）和联合紧致先验（JCP）指导的方法，该研究提出了一种改进低剂量 PET 成像的重建质量的方法，它结合了扩散模型的强大分布映射能力和变压器模型捕捉远程相关性的能力，实验证明 DTM 在提高图像质量和保留临床信息方面的有效性。

Jul, 2024

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

本篇论文介绍了一种新的 UNETR 架构，通过使用 Transformer 作为编码器，可以捕捉更长程的空间依赖性，同时保持 “U 形” 的网络设计。实验证明，在多个数据集上，该方法在多器官分割任务上取得了最新的最优性能。

Mar, 2021