Data-driven dose calculation algorithm based on deep learning
在这项研究中，我们对基于深度学习技术实现快速准确的剂量计算进行了可行性研究。首先使用射线遍历算法将二维（2D）注量图转换为三维（3D）体积。然后建立一个类似于3D U-Net的深度残差网络，以学习转换后的3D体积、CT和3D剂量分布之间的映射。因此，在注量图和其对应的3D剂量分布之间建立间接关系，而不使用显著复杂的神经网络。收集了200例患者，包括鼻咽癌，肺癌，直肠癌和乳腺癌病例，并应用于训练拟议的网络。随机选择另外47例患者，通过将剂量分布、剂量体积直方图（DVH）和临床指标与治疗计划系统（TPS）的结果进行比较，评估所提出方法的准确性，TPS在本研究中用作基础事实。结果：提出的基于深度学习的剂量计算算法具有良好的预测性能。对于47名受试患者，深度学习计算值和标准差（标准化为处方）相对于TPS计算的平均每体素偏差为0.17%。将相关临床指标的平均深度学习计算值和标准差与TPS计算结果进行比较，t检验p值证明了它们之间的一致性。结论：在这项研究中，我们开发了一种新的基于深度学习的剂量计算方法。通过不同部位的临床病例对该方法进行了评价。结果表明，该方法具有可行性和可靠性，对提高不同治疗方式的辐射剂量计算效率和准确性具有很大潜力
2020-06-28 physics.med-ph
Deep Learning-Based Beamlet Model for Generic X-Ray Beam Dose Calculation
针对X射线剂量计算中MCS耗时、现有深度学习模型缺乏通用性的问题，提出结合小束流分解与1D+3D U-Net网络的通用方法，实现多系统适配，相对误差约1.2±3.87%，速度较MCS快130倍。
2025-02-13 physics.med-ph
Deep Reinforcement Learning for Optimizing Angle Selection and Dose Allocation in CT Reconstruction
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Leiden Institute of Advanced Computer Science, Leiden Universiteit（莱顿大学高级计算机科学研究院）；Mathematics Institute, Utrecht University（乌得勒支大学数学研究所）
本文提出结合PWLS-PnP重建框架与强化学习策略的深度强化学习方法，用于优化CT重建中的角度选择和剂量分配，提升重建质量和缺陷检测能力。
2026-04-22 physics.med-ph
A new dose calculation system implemented in image domain -- A multi-institutional study
本研究提出了名为DeepBEVdose的新型计算流程，它是一种图像域剂量计算算法，可基于CT图像和辐射野注量图自动计算剂量分布，与此前的深度学习剂量计算方法有本质区别。
2023-12-13 physics.med-ph
Study of the neutron dose equivalent at the HIRFL deep tumor therapy terminal
对兰州重离子加速器（HIRFL）深部肿瘤治疗终端的次级中子场进行了研究。用FHT 762 Wendi-II中子环境剂量当量仪测量了能量为165、207、270和350 MeV/u的~（12）C离子轰击厚组织靶时的中子环境剂量当量分布。实验中使用的靶的厚度大于碳离子的射程。利用FLUKA程序对中子能谱和剂量当量进行了模拟计算，计算结果与实验数据吻合较好。实验结果表明，在碳离子治疗中，即使考虑到其增强的生物学效应，组织中的碎裂反应产生的中子剂量也可以忽略不计。这些结果对辐射防护，特别是高能重离子医疗机的屏蔽设计也有参考价值。
2017-02-27 physics.med-ph
Deep Learning-Based Partial Volume Correction in Standard and Low-Dose PET-CT Imaging
为了获得高质量的正电子发射断层成像（PET）图像用于诊断目的，必须将标准剂量的放射性示踪剂输送到患者体内，这会增加辐射伤害的风险。另一方面，减少示踪剂剂量会导致PET成像中的图像质量差和噪声诱导的定量偏差。部分容积效应（PVE）是PET固有有限空间分辨率的结果，是PET成像中质量和数量退化的另一个来源。由于内部器官运动、患者不自主运动以及解剖和功能图像中结构的外观和大小的差异，将解剖信息用于PVE校正（PVC）并不简单。此外，对于可能无法获得的解剖信息，需要额外的MR成像会话。我们开始构建一个基于深度学习的框架，用于从标准或低剂量（LD）PET图像预测部分体积校正的全剂量（FD-PVC）图像，而不需要任何解剖数据，以便为PVC和去噪低剂量PET图像提供联合解决方案。
2022-07-06 physics.med-ph
A Feasibility Study on Deep Learning Based Individualized 3D Dose Distribution Prediction
目的：放射治疗计划是一个反复试验的过程，通常很耗时。基于特定解剖结构的最佳剂量分布可以通过预先训练的深度学习（DL）模型来预测。然而，剂量分布通常不仅基于患者特定的解剖结构进行优化，而且还基于医生在计划靶体积（PTV）覆盖和风险器官（OAR）保留之间的优选权衡进行优化。因此，期望允许医师微调基于患者解剖结构预测的剂量分布。在这项工作中，我们开发了一个DL模型来预测个体化的三维剂量分布，不仅使用解剖结构，而且还使用所需的PTV/OAR权衡，如剂量体积直方图（DVH）所表示的，作为输入。研究方法：所需的DVH，微调医生从最初预测的DVH，首先投影到帕累托表面上，然后转换成一个矢量，然后与掩模特征图连接。用于训练的网络输出是对应于Pareto最优DVH的剂量分布。训练/验证数据集包含77名前列腺癌患者，测试数据集包含20名患者。结果：训练后的模型可以预测近似Pareto最优的3D剂量分布。我们计算了PTV和所有OAR的预测和优化剂量分布之间的差异，作为定量评价。平均剂量的最大平均误差约为处方剂量的1.6%，最大剂量的最大平均误差约为1.8%。结论：在这项可行性研究中，我们开发了一个3D U-Net模型，将解剖结构和所需的DVH作为输入，以预测个性化的3D剂量分布。预测的剂量分布可作为剂量师和医生快速制定临床可接受的治疗计划的参考。
2021-01-13 physics.med-ph
A Method of Rapid Quantification of Patient-Specific Organ Dose for CT Using Coupled Deep-Learning based Multi-Organ Segmentation and GPU-accelerated Monte Carlo Dose Computing
目的：本文描述了一种新方法，在使用基于GPU的Monte Carlo代码计算器官剂量之前，应用深度学习算法从3D断层扫描CT图像中自动分割辐射敏感器官。方法：训练用于器官分割的深度卷积神经网络（CNN），以从CT自动描绘辐射敏感器官。使用基于GPU的Monte Carlo剂量引擎（ARCHER）来推导由受试者的CT扫描制成的体模的CT剂量，然后我们能够计算每个分割器官的患者特定CT剂量。通过使用相对剂量误差（RDE）对ARCHER计算的器官剂量与放射科医生进行手动分割来验证所开发的工具。剂量计算结果也进行了比较，从人口平均幻影器官剂量，以证明通过使用开发的工具实现的改进。在本研究中，使用了两个数据集：肺部CT分割挑战2017（LCTSC）数据集，其中包含60名胸部CT扫描患者，每个患者有5个分割器官;胰腺CT（PCT）数据集，其中包含43名腹部CT扫描患者，每个患者有8个分割器官。新方法的五重交叉验证在两个数据集上进行。结果如下：与传统的基于总体平均体模的器官剂量评估方法相比，该方法在所有器官上实现了更小的RDE范围，分别为-4.3%到1.5% vs -31.5%到33.9%（肺），-7.0%到2.3% vs -15.2%到125.1%（心脏），-18.8% 40. 2% vs -10.3% 124. 1% LCTSC数据集中的食管（食管）和-5.6%的1.6% vs -20.3%…
2019-09-29 physics.med-ph
Low-dose CT denoising with convolutional neural network
College of Computer Science, Sichuan University（四川大学计算机学院）；National Key Laboratory of Fundamental Science on Synthetic Vision, Sichuan University（四川大学视觉合成图形图像技术国家级重点实验室）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
为了降低潜在的辐射风险，低剂量CT受到了广泛关注。然而，简单地降低辐射剂量将导致图像质量的显著劣化。在本文中，我们提出了一种通过深度神经网络进行低剂量CT降噪的方法，而无需访问原始投影数据。训练深度卷积神经网络以逐块地将低剂量CT图像转换为正常剂量CT图像。视觉和定量评估表明所提出的方法具有竞争性的性能。
2016-10-02 cs.CV physics.med-ph
On-line Dose Calculation Using Deep Learning for Beams Selection in Non-Coplanar Radiotherapy
本研究提出一种基于深度学习的在线剂量计算引擎，用于非共面IMRT射束选择优化，通过模拟退火方法结合，将内存占用从9GB降至10MB，并与临床数据良好吻合。
2023-05-15 physics.med-ph
Prediction of mandibular ORN incidence from 3D radiation dose distribution maps using deep learning
背景下颌骨吸收的辐射剂量是头颈癌（HNC）患者接受放射治疗（RT）后发生下颌骨放射性骨坏死（ORN）的重要危险因素。下颌骨ORN的预测不仅可以指导RT治疗计划优化过程，还可以确定哪些患者将受益于RT后更密切的随访，以早期诊断和干预ORN。现有的下颌骨ORN预测模型是基于剂量体积直方图（DVH）的度量，忽略了空间定位和剂量梯度和方向信息提供的临床下颌骨辐射剂量分布图。方法.我们建议使用一个二元分类3D DenseNet 121直接从三维下颌骨辐射剂量分布图中提取相关的剂量信息，并预测ORN的发病率。我们将结果与基于DVH的参数的随机森林集成进行比较。结果3D DenseNet 121模型能够区分ORN与非ORN病例，平均AUC为0.71（0.64-0.79），而RF模型为0.65（0.57-0.73）。结论直接从临床辐射剂量分布图中获取剂量信息可以提高ORN正常组织并发症概率（NTCP）模型的性能和功能。
2022-06-23 physics.med-ph
Sub-second photon dose prediction via transformer neural networks
该研究提出结合Transformer与3D卷积的iDoTA算法，将光子剂量预测转化为序列建模任务，实现亚秒级高精度剂量计算，大幅提升自适应放疗工作流效率。
2022-09-19 physics.med-ph
Cluster Dose Prediction in Carbon Ion Therapy: Using Transfer Learning from a Pretrained Dose Prediction U-Net
Physikalisch-Technische Bundesanstalt（德国联邦物理技术研究院）；Carl von Ossietzky Universität Oldenburg（奥尔登堡卡尔·冯·奥西茨基大学）
本研究提出一种基于预训练U-Net和迁移学习的碳离子治疗簇剂量预测方法，可在毫秒级完成单条笔形束的簇剂量估计，偏差小于0.35%，在临床可接受时间内实现准确预测，同时降低了对高成本大规模训练数据的需求。
2025-10-28 physics.med-ph
Benchmarking Deep Learning-Based Low-Dose CT Image Denoising Algorithms
本文针对低剂量CT深度学习去噪研究缺乏统一基准和实验缺陷的问题，提出标准化评测设置，并通过公平比较发现多数方法性能统计相似、近年提升有限。
2024-10-04 physics.med-ph
Online Dose Verification in VHEE Radiotherapy Using Bremsstrahlung Radiation
Università di Pisa（比萨大学）；Istituto Nazionale di Fisica Nucleare, INFN（意大利国家核物理研究所）
本研究提出利用Bremsstrahlung辐射检测进行VHEE放疗的在线剂量验证，通过模拟PMMA假体和深度学习算法实现了高精度剂量重建，验证了该方法在优化剂量输送中的可行性。
2026-03-18 physics.med-ph
Feasibility of a General-Purpose Deep Learning Dose Engine: A Multi-Site Validation Study
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）
本研究开发了一种通用深度学习剂量引擎，通过多中心验证展示其在复杂几何结构中的准确性和泛化能力，适用于端到端自动规划和在线自适应放疗。
2026-01-08 physics.med-ph
Organ Dose Conversion Factors for Murine Galactic Cosmic Ray Irradiation
本文为GCRsim设施中小鼠照射建立了器官剂量转换因子库，基于PHITS蒙特卡罗模拟计算六个方向的DCFs，验证误差在10%以内，以提升深空任务辐射风险评估的准确性。
2025-09-06 physics.med-ph
3D dose prediction for Gamma Knife radiosurgery using deep learning and data modification
目的：为伽玛刀（GK）放射外科开发一种基于机器学习的3D剂量预测方法。该方法考虑了涉及任何数量、大小和形状的目标的情况。研究方法：通过基于肿瘤位置隔离和裁剪轮廓MRI和临床剂量分布，然后将所得肿瘤空间缩放至标准尺寸，修改了来自322 GK治疗计划的数据。为每个实例创建伴随的3D张量以说明肿瘤大小。使用272名患者的修改后的数据集来训练生成对抗网络（GAN-GK）和3D U-Net模型（U-Net-GK）。未修改的数据用于训练等效基线模型。所有模型均用于预测50例样本外患者的剂量分布。预测精度用伽马进行评价，标准为4%/2 mm、3%/3 mm、3%/1 mm和1%/1 mm。预测质量进行了评估，使用覆盖率，选择性和一致性指数。结果如下：GAN-GK和U-Net-GK的预测结果与临床结果相似，平均伽马（4%/2 mm）通过率分别为84.9和83.1。相比之下，在所有标准水平下，基线模型的伽马通过率均显著差于其各自的GK特异性模型（p < 0.001）。GK特异性预测的质量也与临床计划相似。结论：深度学习模型可以使用GK特定的数据修改来预测具有大范围大小，形状或目标数量的GKRS计划的3D剂量分布。应用于未经修改的GK数据的标准深度学习模型产生了较差的预测。
2023-01-06 physics.med-ph
Deep Learning-Based Dose Prediction for Automated, Individualized Quality Assurance of Head and Neck Radiation Therapy Plans
提出用3D Dense Dilated U-Net根据CT、处方和结构轮廓预测剂量，并将其作为参考分布自动筛查头颈部放疗计划中保护不足的OAR。
2023-04-25 physics.med-ph
Millisecond speed deep learning based proton dose calculation with Monte Carlo accuracy
下一代在线和实时自适应放射治疗工作流程需要亚秒级的精确粒子输运模拟，这对于当前的分析笔形射束算法（PBA）或随机蒙特卡罗（MC）方法是不可行的。我们提出了一个数据驱动的毫秒速度剂量计算算法（DoTA）准确预测剂量沉积单能质子笔形束任意能量和病人的几何形状。考虑到质子的前向散射性质，我们将3D粒子输运框定为在束眼视图中建模一系列2D几何形状。DoTA结合了提取空间特征的卷积神经网络（例如，组织和密度对比）与Transformer自我关注主干，该主干在几何切片序列和表示射束能量的向量之间路由信息，并且被训练以使用80，000种不同的头部和颈部、肺和前列腺几何结构来预测质子子束的低噪声MC模拟。与地面真实MC计算相比，DoTA在5 ms内预测小射束剂量，具有99.37%（1%，3 mm）的非常高的伽马通过率，在精度和速度方面都显著提高了分析笔形射束算法。对于笔形射束，MC的准确性比PBA快100倍，我们的模型根据细射束的数量在10到15秒内计算出完整的治疗计划剂量，在9名测试患者中实现了99.70%（2%，2 mm）的伽马通过率。DoTA优于所有以前的分析笔形束和基于深度学习的方法，代表了数据驱动剂量计算的最新技术水平，甚至可以与商业GPU MC方法的速度直接竞争。提供自适应治疗所需的亚秒级速度，直接实施可以为放射治疗工作流程的其他步骤或其他模式（如氦或碳治疗）提供类似的好处。
2022-02-05 physics.med-ph
Neural Network-Driven Direct CBCT-Based Dose Calculation for Head-and-Neck Proton Treatment Planning
Center for Proton Therapy, Paul Scherrer Institute (PSI)（质子治疗中心，保罗·施特格利研究所）；Department of Physics, ETH Zürich（物理系，苏黎世联邦理工学院）
本文提出基于xLSTM神经网络的CBCT-NN方法，直接从CBCT图像计算头颈部质子治疗剂量，在40例患者数据上训练并在5例独立患者上验证，实现了蒙特卡罗级精度且计算时间小于3分钟，可替代传统校正流程用于自适应质子治疗。
2025-09-22 cs.CV physics.med-ph
Does prior knowledge in the form of multiple low-dose PET images (at different dose levels) improve standard-dose PET prediction?
Shiraz University（设拉子大学）；Geneva University Hospital（日内瓦大学医院）
减少注射剂量会导致PET成像质量下降和信息丢失。为了解决这个问题，已经引入了深度学习方法来从相应的低剂量版本（L-PET）预测标准PET图像（S-PET）。现有的基于深度学习的去噪方法仅依赖于PET图像的单个剂量水平来预测S-PET图像。在这项工作中，我们提出了利用先验知识的形式，多个低剂量水平的PET图像（除了目标低剂量水平），以估计的S-PET图像。
2022-02-22 cs.CV physics.med-ph
Deep learning for accelerating Monte Carlo radiation transport simulation in intensity-modulated radiation therapy
癌症是世界范围内发病率和死亡率的主要原因。放射治疗在肿瘤治疗中发挥着越来越重要的作用。在放射治疗中，为了达到杀死肿瘤和保护健康组织的目的，需要计算和评价患者体内的剂量分布图。蒙特卡罗（MC）辐射输运计算能够考虑三维非均匀介质（如人体）中辐射物理的各个方面，并准确地生成剂量分布图。然而，放射治疗剂量的MC计算通常需要花费大量的时间来达到可接受的统计不确定度，这阻碍了MC方法的更广泛的临床应用。在这里，我们引入了一个卷积神经网络（CNN），称为蒙特卡罗去噪网络（MCDNet），以实现加速放射治疗中的MC剂量计算，它被训练成直接从低光子（噪声多）剂量图预测高光子（无噪声）剂量图。30例直肠癌术后接受调强放射治疗（IMRT）的患者入选本研究。3D伽马指数通过率（GIPR）用于评价预测剂量图的性能。实验结果表明，MCDNet可以提高1x107光子的剂量图的GIPR超过1x108光子，产生超过10倍的加速在MC模拟IMRT中使用的光子数。这是一个很大的潜力，以研究这种方法对其他肿瘤部位和治疗方式的性能。
2019-10-17 physics.med-ph
Beam mask and sliding window-facilitated deep learning-based accurate and efficient dose prediction for pencil beam scanning proton therapy
本文提出束流掩膜与滑动窗口辅助的3D-Unet深度学习方法，用于笔形束扫描质子治疗剂量预测，相比传统ROI方法显著提高了DVH指标、3D Gamma通过率和Dice系数，且预测时间小于0.25秒，可支持在线自适应质子治疗。
2023-05-29 physics.med-ph
PyDoseRT Photon: Physics-Guided Pencil-Beam Dose Calculation with Neural Priors and Residual Correction for CT and MRI
Umeå University（于默奥大学）；Medical University of Vienna（维也纳医科大学）
本研究提出PyDoseRT Photon，一种结合神经先验与残差校正的物理引导笔形束剂量引擎，用于CT和MRI的光子剂量计算，在DoseRAD2026任务中取得低剂量误差与高伽马通过率，且运行时间满足要求。
2026-09-02 physics.med-ph
Accurate and fast deep learning dose prediction for a preclinical microbeam radiation therapy study using low-statistics Monte Carlo simulations
首次在临床前微束放射治疗啮齿动物研究中应用快速准确的机器学习模型预测剂量，利用高噪声MC训练数据实现了与低噪声模拟的高度一致，加速了模型在新型癌症放疗中的转移应用。
2023-04-06 physics.med-ph
Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)
由于X射线对患者的潜在辐射风险，低剂量CT在医学成像领域引起了相当大的兴趣。目前主流的低剂量CT方法包括供应商特定的正弦图域滤波和迭代重建，但它们需要访问原始原始数据，其格式对大多数用户不透明。由于难以在图像域中对统计特征进行建模，现有的直接处理重建图像的方法不能很好地在保持结构细节的同时消除图像噪声。受深度学习思想的启发，我们将自动编码器、反卷积网络和快捷连接结合到残差编码器-解码器卷积神经网络（RED-CNN）中，用于低剂量CT成像。在基于补丁的训练之后，所提出的RED-CNN在模拟和临床病例中相对于最先进的方法都实现了具有竞争力的性能。特别是，我们的方法已被有利的评价，在噪声抑制，结构保护和病变检测。
2017-06-11 cs.NE physics.med-ph
Deep learning-based noise reduction in low dose SPECT Myocardial Perfusion Imaging: Quantitative assessment and clinical performance
回顾性地采用从专用心脏SPECT以列表模式格式采集的345例患者的临床SPECT-MPI图像，从半剂量、四分之一剂量和八分之一剂量水平的低剂量数据预测正常剂量图像。一个生成对抗网络的实施，以预测在不同的减少剂量水平的投影空间中的非门控正常剂量图像。已建立的指标，包括峰值信噪比（PSNR），均方根误差（RMSE），和结构相似性指数指标（SSIM），除了皮尔逊相关系数分析和Cedars-Sinai软件导出的参数，用于定量评估预测的正常剂量图像的质量。对于临床评价，预测的正常剂量图像的质量由核医学专家使用7分（-3至+3）分级方案进行评价。通过考虑不同剂量水平下的PSNR、SSIM和RMSE定量参数，在半剂量水平下获得了最高的PSNR（42.49）和SSIM（0.99），以及最低的RMSE（1.99）。皮尔逊相关系数分别为0.997，0.994和0.987的预测正常剂量图像的一半，四分之一，八分之一剂量水平。将正常剂量图像作为参考，与整个降低剂量水平下的低剂量数据相比，Cedars-Sinai选定参数的Bland-Altman图显示预测正常剂量图像的偏倚和方差显著更小。总体而言，考虑到核医学专家进行的临床评估，在一半、四分之一和八分之一剂量水平下，分别有100%、80%和11%的预测正常剂量图像在临床上可接受。
2021-03-22 eess.IV physics.med-ph
Robust automated radiation therapy treatment planning using scenario-specific dose prediction and robust dose mimicking
目的：我们提出了一个使用机器学习的强大的自动化治疗计划的框架，包括特定的剂量预测和强大的剂量模拟。研究方法：场景剂量预测管道分为从输入图像预测标称剂量和从标称剂量预测场景剂量，每个都使用具有U-net架构的深度学习模型。通过使用专门开发的剂量体积直方图为基础的损失函数，预测的场景剂量确保足够的目标覆盖率，尽管可能的训练数据是非鲁棒的。然后，可以通过用预测作为特定于乳腺癌的参考剂量来解决稳健的剂量模拟问题来创建可验证的计划。结果：使用52个前列腺患者的强度调制质子治疗计划的数据集进行数值实验。我们表明，预测的情况下的剂量类似于各自的地面真相，特别是当有目标覆盖率相媲美的标称情况。通过随后的稳健剂量模拟产生的可交付计划被证明对预测考虑的相同情景集是稳健的。结论：我们证明了所提出的方法的可行性和优点，将鲁棒性自动治疗计划算法。
2022-02-16 physics.med-ph
Using Deep Learning to Predict Beam-Tunable Pareto Optimal Dose Distribution for Intensity Modulated Radiation Therapy
UT Southwestern Medical Center（UT西南医学中心）
我们建议开发深度学习模型，通过使用任何给定的射束角度集以及患者解剖结构作为训练深度神经网络的输入，来预测帕累托最优剂量分布。我们实现并比较了两个深度学习网络，它们使用两种不同的波束配置模式进行预测。我们为70名前列腺癌患者制定了帕累托最优计划。我们使用注量图优化生成500个IMRT计划，对每个患者的帕累托曲面进行采样，总共35，000个计划。我们研究和比较了两种不同的模型，模型I和模型II。模型I直接使用波束角作为二进制向量作为网络的第二输入。模型II将射束角度转换为与PTV共形的射束剂量。我们的深度学习模型预测的体素级剂量分布与地面真实剂量分布精确匹配。定量，模型I预测误差为0.043（确认），0.043模型Ⅱ的平均值为0.076，而模型Ⅱ的平均值为0.327（R50）、2.80%（D95）、3.90%（D98）、0.6%（D50）、1.10%（D2（确证）、0.058（均一性）、0.626（R50）、7.10%（D95）、6.50%（D98）、8.40%（D50）、6.30%（D2）。使用我们的模型的治疗规划者将能够使用深度学习来控制PTV和OAR权重之间的权衡，以及实时的波束数量和配置。我们的剂量预测方法为建立自动IMRT治疗计划提供了垫脚石。
2020-06-19 cs.LG physics.med-ph
Dose-PlanNet: Physics Based Radiotherapy Dose Prediction with Deep Learning
Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）；Tata Medical Center Kolkata（塔塔医疗中心 Kolkata）
本研究提出物理学引导的3D深度学习模型Dose-PlanNet，用于前列腺放疗剂量预测，在保证靶区覆盖度的同时，显著提升高危器官高剂量区保护效果，可加速放疗工作流程并满足临床剂量学要求。
2026-08-28 cs.CV cs.LG physics.med-ph
Generalizability of deep learning based fluence map prediction as an inverse planning approach
文献中已经报道了基于深度学习的注量图预测（DL-FMP）方法，该方法通过基于深度神经网络（DNN）的逆映射生成期望剂量的注量图。我们假设DL-FMP与一般注量图优化（FMO）相似，因为它在理论上基于一般逆映射。我们设计了四个实验来验证DL-FMP对除了训练数据之外的其他类型的计划的通用性，其中仅包含临床头颈部（HN）全弧VMAT计划。前三个实验分别量化了DL-FMP对多个解剖部位、不同递送方式和各种调制度（DOM）的普遍性。实验四探讨了对不可行剂量输入的泛化性和稳定性。第一次实验的结果表明，DL-FMP可以推广到肺、肝、食管和前列腺，其γ通过率（GPR）高于95%（2%/2 mm）。第二个实验表明，DL-FMP可以推广到部分弧计划和预测部分弧通量。GPR（3 mm/3%）范围为96%-99%。DL-FMP无法生成IMRT输入的离散射束角度的注量图。但在93%GPR（5%/5 mm）下，预测剂量仍与真实剂量一致。第三次实验表明，DL-FMP可以推广到各种DOM，GPR（3%/3 mm）范围为94%-98%。此外，预测的注量图的DOM相应地与输入剂量的最优性相关。第四个实验表明，DL-FMP可以对不可行的剂量输入进行稳定的预测。总之，我们验证了DL-FMP可以推广到多个解剖部位的计划、不同输送方式的计划和具有各种DOM的计划。对不可行输入也能做出稳定的预测。
2021-04-30 physics.med-ph
MANAS: Multi-Scale and Multi-Level Neural Architecture Search for Low-Dose CT Denoising
Sichuan University（四川大学）；Fudan University（复旦大学）
降低计算机断层成像（CT）的辐射剂量可以大大降低对公众健康的潜在风险。然而，从剂量降低CT或低剂量CT（LDCT）的重建图像遭受严重的噪声，影响了后续的诊断和分析。最近，卷积神经网络在去除LDCT图像中的噪声方面取得了可喜的成果;所使用的网络架构要么是手工制作的，要么是建立在ResNet和U-Net等传统网络之上的。神经网络结构搜索（NAS）的最新进展已经证明网络结构对模型性能有显著影响，这表明当前用于LDCT的网络结构可能是次优的。因此，在本文中，我们首次尝试将NAS应用于LDCT，并提出了一种多尺度和多层次的NAS LDCT去噪，称为MANAS。一方面，提出的MANAS融合了不同尺度单元提取的特征，以捕获多尺度图像结构细节。另一方面，建议MANAS可以搜索一个混合的细胞和网络级结构，以获得更好的性能。在三个不同剂量水平上的广泛实验结果表明，所提出的MANAS可以实现更好的性能，在保留图像的结构细节方面比几个国家的最先进的方法。此外，我们还验证了LDCT去噪的多尺度和多层次架构的有效性。
2021-03-24 cs.CV physics.med-ph
Dosimetric impact of physician style variations in contouring CTV for post-operative prostate cancer: A deep learning-based simulation study
UT Southwestern Medical Center（德克萨斯大学西南医学中心）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
观察者之间的差异是术后临床靶体积（CTV）分割中的一个重要问题，其中不存在肉眼可见的肿瘤。在这种情况下，CTV不是解剖学上建立的结构，而是由医生基于所使用的临床指南、肿瘤控制和毒性之间的优选权衡、他们的经验和培训背景以及其他因素来确定的结构。这导致医生之间的观察者间差异很大。这种变异性被认为是一个问题，但由于缺乏每个患者的多个医生CTV轮廓和剂量计划所需的大量时间，因此研究其剂量测定结果是不切实际的。在这项研究中，我们通过深度学习模拟临床工作流程，分析了医生风格的变化对危及器官（OAR）剂量的影响。对于之前由一名医生治疗的给定患者，我们使用基于深度学习的工具来模拟其他医生如何绘制CTV以及相应的剂量分布如何寻找该患者。为了模拟多种医生风格，我们使用以前开发的内部CTV分割模型，可以产生医生风格感知分割。使用另一种内部深度学习工具预测相应的剂量分布，该工具可以根据测试数据预测平均在处方剂量3%以内的剂量。对于每个测试患者，考虑四种不同的医生风格的CTV，并分析四种不同的剂量分布。比较了OAR剂量指标，表明即使医生风格变化导致器官获得不同剂量，但除最大剂量点外，所有重要剂量指标均在临床可接受限度内。
2021-05-11 cs.AI physics.med-ph
Intelligent Inverse Treatment Planning via Deep Reinforcement Learning, a Proof-of-Principle Study in High Dose-rate Brachytherapy for Cervical Cancer
将放射治疗中的逆向治疗计划问题转化为优化问题。目标函数和约束条件由针对不同临床和实际考虑而设计的多个项组成。需要这些项的加权因子来定义优化问题。虽然治疗计划系统可以解决具有给定权重的优化问题，但是为了高计划质量而调整权重是由人执行的。权重调整任务是劳动密集型的，耗时的，并且它严重影响最终计划的质量。一个自动权重调整的方法是强烈需要的。权重调整过程本质上是一个决策问题。受深度学习在人类智能决策方面取得的巨大成功的启发，我们提出了一个新的框架来以类似人类的方式调整权重。以高剂量率近距离放射治疗中的治疗计划为例，我们开发了一个权重调整策略网络（WTPN），该网络观察计划的剂量体积直方图，并输出调整器官权重的动作，类似于人类计划者的行为。我们通过端到端深度强化学习来训练WTPN。经验重放是用贪婪算法实现的。然后，我们将训练后的WTPN应用于指导测试患者病例的治疗计划。经过训练的WTPN成功学习治疗计划目标，以指导体重调整过程。平均而言，在WTPN的指导下生成的计划的质量分数比具有任意权重的初始计划提高了约8.5%，比人类规划者生成的计划提高了10.7%。据我们所知，这是第一个基于学习的智能以类似人类的方式调整治疗计划权重的工具。该研究证明了通过深度强化学习开发智能治疗计划系统的潜在可行性。
2018-11-25 physics.med-ph
Site-Agnostic 3D Dose Distribution Prediction with Deep Learning Neural Networks
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
通常，当前的剂量预测模型仅限于少量数据，并且需要针对特定部位进行重新训练，这通常导致次优性能。我们提出了一种使用深度学习的部位不可知的3D剂量分布预测模型，该模型可以利用来自任何治疗部位的数据，从而增加了可用于训练模型的总数据。将我们提出的模型应用于新的目标治疗部位仅需要对模型进行简单的微调以适应新的数据，并且不涉及对模型输入通道或其参数的修改。因此，它可以有效地适应不同的治疗部位，即使是小的训练数据集。
2021-06-15 cs.AI cs.LG physics.med-ph
Three-Dimensional Radiotherapy Dose Prediction on Head and Neck Cancer Patients with a Hierarchically Densely Connected U-net Deep Learning Architecture
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
头颈部（H&N）癌症患者的治疗计划过程被认为是最复杂的，由于大的目标体积，多个处方剂量水平，以及许多辐射敏感的关键结构附近的目标。该部位的治疗计划需要高水平的人类专业知识和大量的努力来制定个性化的高质量计划，需要长达一周的时间，这降低了肿瘤控制和患者生存的机会。为了解决这个问题，我们建议研究一种基于深度学习的剂量预测模型，分层密集连接U网，它基于两种非常流行的网络架构：U网和DenseNet。我们发现，这种新的架构是能够准确和有效地预测剂量分布，优于其他两个模型，标准U-网络和DenseNet，在均匀性，剂量一致性，剂量覆盖测试数据。对所有有风险的器官进行平均，我们提出的模型能够预测有风险的器官的最大剂量在6.3%以内，平均剂量在测试数据的处方剂量的5.1%以内。其他模型，标准U-net和DenseNet，表现较差，平均器官风险最大剂量预测误差分别为8.2%和9.3%，平均平均剂量预测误差分别为6.4%和6.8%。此外，我们提出的模型使用的可训练参数比标准U型网络少12倍，预测患者剂量的速度比DenseNet快4倍。
2019-02-04 cs.CV cs.LG physics.med-ph
Task-based Assessment of Deep Networks for Sinogram Denoising with A Transformer-based Observer
各种监督学习方法可用于正弦图域中的低剂量CT去噪。传统的模型观测器被广泛用于评估这些方法。然而，正弦图域评估仍然是基于深度学习的低剂量CT去噪的一个开放性挑战。由于医学CT图像中的每个病变对应于正弦图域中的窄正弦带，因此本文提出了一种基于变换的模型观测器来评估正弦图域监督学习方法。数值结果表明，我们的基于变换的模型很好地逼近拉盖尔-高斯信道化霍特林观测器（LG-CHO）的信号已知的确切（SKE）和背景已知的统计（BKS）任务。所提出的模型观测器评估两个经典的基于CNN的正弦图域去噪方法。结果表明，这种基于变换的观测器模型在正弦图域中开发深低剂量CT去噪方法中的实用性和潜力。
2023-01-02 physics.med-ph
Direct mapping from PET coincidence data to proton-dose and positron activity using a deep learning approach
$Objective$。获得粒子治疗中的固有剂量分布是一个具有挑战性的问题，需要通过成像算法来解决，以利用次级粒子探测器。在这项工作中，我们研究了深度学习方法的实用性，以实现从探测器数据到固有剂量分布的直接映射。$Approach$。我们使用GATE/Geant 4 10.4模拟工具包进行蒙特卡罗模拟，以使用高能质子辐照的人体CT体模生成数据集，并使用紧凑型束内PET成像，以实现单次（$\sim$ 2 Gy）的真实射束输送。我们开发了一种基于条件生成对抗网络的神经网络模型，以生成探测器中符合分布为条件的剂量图。模型的性能进行评估的平均相对误差，绝对剂量分数的差异，并在布拉格峰位置的位移。$Main$ $results$。对于50 MeV和122 MeV之间的单能照射，模型预测的剂量和分布范围与真实值的相对偏差分别在1%和2%以内。这是使用照射后5分钟获得的$\mathrm{10^5}$符合性来实现的。剂量和范围的相对偏差为扩展布拉格峰分布分别在1%和2.6%的不确定性。$Significance$。本研究的一个重要方面是使用适合于粒子治疗中的实际实施的紧凑型探测器的低计数数据的用于从探测器计数到剂量域的直接映射的方法的演示。在未来包括额外的先验信息可以进一步扩大我们的模型的范围，并将其应用扩展到医学成像的其他领域。
2022-08-14 physics.ins-det physics.med-ph
Incorporating human and learned domain knowledge into training deep neural networks: A differentiable dose volume histogram and adversarial inspired framework for generating Pareto optimal dose distributions in radiation therapy
UT Southwestern Medical Center（西南大学医学中心）
我们提出了一种新的特定于域的损失，这是一种基于剂量体积直方图的可微分损失函数，并将其与对抗性损失相结合，用于训练深度神经网络，以生成帕累托最优剂量分布。采用均方误差（MSE）损失、剂量体积直方图（DVH）损失和对抗性（ADV）损失对神经网络模型的4个实例进行训练：1）MSE、2）MSE+ADV、3）MSE+DVH和4）MSE+DVH+ ADV。通过对权衡权重进行伪随机化，为每位患者生成1200个Pareto曲面计划（总计84，000个计划）。我们将数据分为54个训练，6个验证和10个测试患者。每个模型都训练了100，000次迭代，批量大小为2。每个模型的预测时间为0.052秒。定量方面，MSE+DVH+ADV模型的预测误差最小，分别为0.038（构象）、0.026（同质性）、0.298（R50）、1.65%（D95）、2.14%（D98）、2.43%（D99）。MSE模型的最差预测误差分别为0.134（构象）、0.041（同质性）、0.520（R50）、3.91%（D95）、4.33%（D98）、4.60%（D99）。对于平均剂量PTV误差和最大剂量PTV、身体、膀胱和直肠误差，MSE+DVH+ADV优于所有其他模型。所有模型的预测值的平均值和最大剂量误差分别小于2.8%和4.2%。专家的人类领域特定知识可以是性能改进的最大驱动力，而对抗学习可以用于进一步捕获细微差别的特征。实时预…
2019-12-07 cs.CV cs.LG eess.IV
Use of synthetic data for training dose estimation neural networks in CT dosimetry
Physikalisch-Technische Bundesanstalt (PTB)（德国联邦物理技术研究院）；Technische Universität Dortmund（多特蒙德工业大学）
本研究通过结合真实和合成数据训练神经网络，提升CT剂量估计的准确性与鲁棒性，同时满足不确定性要求。
2026-01-14 physics.med-ph
A volumetric Modulated Arc Therapy (VMAT) combined with deep inspiration breath hold (DIBH) technique for adjuvant irradiation for left sided breast cancer
背景资料：深吸气屏气技术（DIBH）被广泛用于左侧乳腺放疗（RT），以减少心脏剂量和心脏毒性风险。容积弧形治疗（VMAT）技术增加了计划靶体积（PTV）的剂量符合性。我们在此描述了在没有专用设备的情况下结合VMAT和DIBH的程序，并报告了与我们实施的技术相关的剂量测定研究。方法：DIBH技术是基于患者的自主屏气，由纹身标记上的激光控制。根据患者屏气25 s的能力选择患者，并优化VMAT计划，安排4个弧线，每个弧线的最大输送时间为20 s。对30例采用该技术治疗的患者进行了回顾性剂量学研究：10例接受局部（全乳房）RT（L-RT）与同步积分加强（SIB），10例局部（LR）RT的胸壁，10例LR RT的全乳房与SIB。对于这些患者，将他们的DIBH-VMAT治疗计划与自由呼吸（FB）VMAT计划进行比较，并评价PTV和危及器官（OAR）的剂量特征。结果：DIBH和FB计划的PTV覆盖率相同。对于局部RT，平均心脏剂量从FB的2.8 +/-0.9Gy降至DIBH的1.8 +/-0.6Gy，对于LR-RT，平均心脏剂量从FB的3.4 +/-1.3Gy降至DIBH的2.2 +/-0.5Gy。对于LR-RT，同侧平均肺剂量降低了12%，但与FB治疗相比，使用DIBH-VMAT的L-RT保持不变。DIBH或FB VMAT技术对侧器官的平均剂量无显著差异。结论：VMAT-DIBH技术在没有专用…
2019-03-13 physics.med-ph
Compact dose delivery of laser-accelerated high-energy electron beams towards radiotherapy applications
Zhengzhou University（郑州大学）；Tsinghua University（清华大学）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）；Institute of High Energy Physics, Chinese Academy of Sciences（中国科学院高能物理研究所）
本文提出利用两个磁铁实现紧凑的激光等离子体加速高能电子束输送，通过调整磁铁强度可引导电子束精确到达20cm深度，减少入口剂量并提高靶区剂量均匀性。
2025-03-13 physics.app-ph physics.med-ph
Computer-aided detection of pulmonary nodules in low-dose CT
在INFN支持的MAGIC-5意大利项目的框架内，正在开发一个计算机辅助检测系统，用于在1.25毫米层厚的低剂量多探测器螺旋CT图像中识别肺结节。我们的肺CAD系统的基本模块，结节候选人选择的点增强过滤器和基于体素的神经分类器的假阳性发现减少，进行了描述。初步结果上迄今收集的肺部CT扫描数据库进行了讨论。
2007-01-11 physics.med-ph
Three-Dimensional Dose Prediction for Lung IMRT Patients with Deep Neural Networks: Robust Learning from Heterogeneous Beam Configurations
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Université catholique de Louvain（鲁汶天主教大学）；Cliniques universitaires Saint-Luc（圣吕克大学附属医院）；KU Leuven（鲁汶大学）
使用神经网络直接预测三维剂量分布的自动规划正变得流行。然而，现有的方法仅使用患者解剖结构作为输入，并假设训练数据库中所有患者的射束配置一致。这项工作的目的是开发一个更通用的模型，除了患者解剖结构外，还考虑了可变射束配置，以实现更全面的自动规划，具有潜在的更容易的临床实施，而不需要针对不同的射束设置训练特定模型。
2019-04-11 cs.AI cs.CV cs.LG
Development of a GPU-accelerated Monte Carlo dose calculation module for nuclear medicine, ARCHER-NM: Demonstration for a PET/CT imaging procedure
本文介绍了一个蒙特卡罗（MC）剂量计算模块的开发和验证，专用于器官剂量计算的患者接受核医学（NM）的内部辐射暴露，涉及18 F-FDG PET/CT检查。这个新模块扩展了超过10年的ARCHER项目，该项目通过添加专用NM源定义功能开发了GPU加速的MC剂量引擎。为了验证代码，我们比较了剂量分布从0.511-MeV点光子源计算的水体模以及患者PET/CT体模对一个经过良好测试的MC代码，门。水模结果显示出良好的一致性，这表明新NM代码中的辐射物理模块是足够的。为了证明ARCHER-NM的临床实用性和优势，使用新代码计算了一组成年男性NM患者的PET/CT数据。CT数据集中的放射敏感器官使用称为DeepViewer的基于CNN的工具进行分割。PET图像强度图被转换为放射性分布，以允许在体素水平进行MC辐射传输剂量计算。计算PET图像采集期间的剂量率图和相应的统计不确定性。18F-FDG PET显像患者的剂量率结果表明，ARCHER-NM的结果与GATE的结果在0.58%至4.11%范围内吻合良好。最令人印象深刻的是，ARCHER-NM在不到0.5分钟的时间内获得了这样的结果，而GATE需要376分钟。这是第一项针对临床上真实的18F-FDG PET/CT成像病例（涉及全身PET/CT图像的自动分割）的GPU加速患者特定MC内部辐射剂量率计算的研究。这项研究表明，现代计算工具-ARCH…
2021-11-23 physics.med-ph
Comparison of deep-learning data fusion strategies in mandibular osteoradionecrosis prediction modelling using clinical variables and radiation dose distribution volumes
本研究针对下颌骨放射性骨坏死预测，对比早期、联合、晚期三种深度学习多模态数据融合策略，基于92对病例对照队列实验发现晚期融合AUC达0.70但各策略性能无显著差异，为DL NTCP建模的融合策略选择提供参考。
2023-10-09 physics.med-ph
A feasibility study for predicting optimal radiation therapy dose distributions of prostate cancer patients from patient anatomy using deep learning
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
随着癌症患者放射治疗中治疗方式的进步，结果得到了改善，但代价是增加了治疗计划的复杂性和计划时间。剂量分布的准确预测将通过指导临床计划优化来缓解这个问题，以节省时间并保持高质量的计划。我们修改了卷积深度网络模型U-net（最初设计用于分割目的），用于从计划靶体积（PTV）和危险器官（OAR）的患者图像轮廓预测剂量。我们表明，作为一个例子，我们能够准确地预测前列腺癌患者的调强放射治疗（IMRT）的剂量，其中平均骰子相似系数为0.91时，比较预测与真实的等剂量体积之间的处方剂量的0%和100%。发现[最大，平均]剂量的绝对差异的平均值低于处方剂量的5%，具体而言，各结构为[1.80%，1.03%]（PTV）、[1.94%，4.22%]（膀胱）、[1.80%，0.48%]（身体）、[3.87%，1.79%]（左侧股骨头）、[5.07%，2.55%]（右侧股骨头）和[1.26%，1.62%]（直肠）处方剂量。因此，我们设法从患者的PTV和OAR轮廓映射所需的辐射剂量分布。作为一个额外的优点，相对较少的数据被用于本文所述的技术和模型。
2018-11-29 cs.AI cs.CV cs.LG
Impact of loss functions on the performance of a deep neural network designed to restore low-dose digital mammography
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Fudan University（复旦大学）；Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心）；São Carlos School of Engineering, University of São Paulo（圣保罗大学圣卡洛斯工程学院）；Ribeirão Preto School of Medicine, University of São Paulo（圣保罗大学里贝朗普雷图医学院）
提出带分层跳跃连接的改进ResNet复原低剂量乳腺X线图像，并比较多种损失函数，发现PL4可达到接近全剂量的噪声水平且信号偏差更小。
2021-11-12 cs.CV eess.IV physics.med-ph
Lung nodule detection in low-dose and high-resolution CT scans
我们正在开发一种计算机辅助检测（CAD）系统，用于在筛选CT扫描中识别肺小结节。我们的系统的主要模块，即结节候选人选择的点增强过滤器和减少假阳性发现的神经分类器，进行了描述。对迄今为止收集的肺部CT数据库所获得的初步结果进行了讨论。
2007-01-22 physics.med-ph
Deep Learning in Classical X-ray Ghost Imaging for Dose Reduction
The Australian National University（澳大利亚国立大学）；Monash University（蒙纳士大学）
本文提出了一种基于深度学习的X射线鬼成像方法，用于在低剂量条件下实现图像重建，其效果与直接成像相当。
2024-11-10 physics.med-ph physics.optics
Deep Few-view High-resolution Photon-counting CT at Halved Dose for Extremity Imaging
Biomedical Imaging Center, Rensselaer Polytechnic Institute（生物医学成像中心，罗切斯特理工学院）；MARS Bioimaging Limited（MARS生物成像有限公司）；University of Otago（奥塔哥大学）；Canterbury District Health Board（坎特伯雷地区卫生局）；Pacific Radiology（太平洋放射科）；University of Canterbury（坎特伯雷大学）；Department of Electrical and Computer Engineering, University of Massachusetts Lowell（电气与计算机工程系，马萨诸塞大学洛厄尔分校）
本文提出一种基于深度学习的半剂量高分辨率光子计数CT重建方法，通过块式体积细化网络和合成数据训练，在临床试验中实现剂量减半且不损图像质量。
2025-10-16 cs.CV physics.med-ph
An automated system for lung nodule detection in low-dose computed tomography
在意大利MAGIC-5项目的框架内开发了一个计算机辅助检测（CAD）系统，用于识别低剂量多探测器螺旋计算机断层成像（CT）图像中的肺结节。该项目的主要目标之一是建立一个分布式肺部CT扫描数据库，以便通过数据和CPU GRID基础设施实现自动图像分析。我们的肺CAD系统的基本模块，结节候选人选择和神经分类器的点增强过滤器的假阳性发现减少，进行了描述。该系统的设计和测试的内部和胸膜下结节。在低剂量薄层CT扫描的收集的数据库上获得的结果显示在自由响应受试者工作特性（FROC）曲线和讨论。
2007-04-20 physics.med-ph
Deep-learning-based Breast CT for Radiation Dose Reduction
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Koning Corporation（科宁公司）
锥形束乳房计算机断层成像（CT）提供了具有各向同性分辨率和高对比度信息的真实3D乳房图像，可检测小至几百微米的钙化并揭示细微的组织差异。然而，乳房对X射线辐射高度敏感。减少辐射剂量对医疗保健至关重要。少视图锥形束CT仅使用标准锥形束乳腺CT采集的一小部分X射线投影数据，从而能够显著降低辐射剂量。然而，不充分的采样数据将导致严重的条纹伪影的CT图像重建使用传统的方法。在这项研究中，我们提出了一种基于深度学习的方法来建立图像重建的残差神经网络模型，该模型适用于少视图乳腺CT，以生成高质量的乳腺CT图像。我们分别使用标准锥形束乳腺CT的三分之一和四分之一的X射线投影视图来评估基于深度学习的图像重建。基于临床乳腺成像数据集，我们进行了监督学习训练神经网络从少视图CT图像到相应的全视图CT图像。实验结果表明，基于深度学习的图像重建方法允许少视图乳腺CT实现每次锥束CT扫描的辐射剂量<6 mGy，这是FDA为乳腺X线筛查设定的阈值。
2019-09-25 cs.CV eess.IV physics.med-ph
