摘要
放射治疗（放疗）是目前治疗癌症的最主要方法，其主要步骤之一是放疗计划制定。而计划制定过程中需要医生在系统中反复手动调整参数，直到获得符合需求的剂量分布,这是一个耗时且容易出错的过程。因此，实现放疗计划中剂量分布的自动预测能够大大降低医生制定计划的时间消耗，显著提高治疗效率和计划稳定性。随着深度学习在医学图像领域中的应用与发展，使用神经网络模型预测剂量分布已经能够取得较高的精准度,但仍然有较大的提升空间，并且对于某些类型的癌症放疗剂量预测的研究还不够充分。本文的研究提出了两种不同的方法分别用来预测体外照射放疗和近距离粒子植入内放疗的体素级三维剂量预测分布。本文的方法从历史治疗计划的数据库中学习预测模型，并使用CT图像和器官轮廓作为输入来预测三维剂量分布。主要研究方法如下: （1）针对宫颈癌外放疗提出了通道空间注意力级联3DUnet。其中通道注意力卷积模块在处理形态复杂且大小不一的多器官输入时具有明显的优势。通过将两个3DUnet级联能够增强Unet的多尺度特征提取能力，有效地解决了剂量变化大和不同病人间剂量分布不均匀的问题。使用80例宫颈癌VMAT（VolumetricModulatedArcTherapy）计划来训练预测模型，并使用20例计划来评估其表现。模型性能通过平均绝对误差和总预测剂量误差来衡量，而计划质量则通过多个剂量学指标进行评估。实验结果表明，该模型可作为一种剂量预测工具并用于指导宫颈癌放疗治疗方案的优化。 （2）针对脑胶质瘤近距离内放疗提出了空间特征融合2.5DUnet。使用2.5D卷积以提取稀疏的切片间特征，优化了横截面像素与切片像素差距过大带来的噪声问题和特征提取问题。提出了多核卷积空间特征融合模块，将近距离内放疗特有的粒子位置信息特征作为单独输入通道并与网络每层的特征通道进行特征融合，改善了高剂量区的剂量预测效果。使用50例脑胶质瘤125I粒子近距离内放疗计划来训练预测模型，并使用20例计划来评估其表现。模型性能通过平均绝对误差和处方剂量面积Dice等指标来衡量，而预测计划质量则通过多个剂量学指标进行评估。实验结果表明，该模型的性能优于现有模型，预测的剂量分布可用于指导临床脑胶质瘤放射粒子植入近距离治疗的剂量优化过程，并对粒子位置的设置有一定参考价值。
NETL