简介：摘要目的研究放疗工作环境辐射对塑料闪烁体探测器Exradin W1进行立体定向放射治疗(SRT)计划绝对剂量验证的影响。方法将立体验证模体(SDVP)的电子计算机断层(CT)影像扫描后导入计划系统，利用自制档铅分别在屏蔽或不屏蔽光电组件的条件下进行3 cm×3 cm至20 cm × 20 cm的方形梯度射野照射、虚拟靶体积(PTV)非共面弧照射以及10例容积调强弧形立体定向放射治疗(VMAT SRT)临床计划验证，记录各测量值并对比分析环境辐射在不同条件下对剂量测量的影响。结果光电组件的噪声效应随开放射野面积增大而增大，随光电组件与等中心距离增大而减小；非共面弧对光电组件噪声效应贡献随射野增大而增大，最大可达4.16%；临床SRT计划验证测量时，屏蔽前与屏蔽后与治疗计划系统(TPS)相对误差分别为(1.39±1.05)%和(0.59±1.03)%，差异具有统计学意义(t＝-5.343，P<0.05)；与A16小空气电离室实测结果相对误差分别为(1.22±1.56)%和(0.42±1.42)%，W1测量误差明显减少，差异具有统计学意义(t＝-5.414，P<0.05)。结论Exradin W1探测的测量结果与电离室及计划系统的计算结果一致度较好，但其准确度易受放疗工作环境辐射的影响。测量非共面照射时应将光电组件尽量摆放在远离辐射等中心位置，并予以适当遮挡或屏蔽，可有效提高测量准确性和稳定性，为临床精准放射治疗提供有力保障。

简介：摘要目的开发一种基于深度学习网络的乳腺癌调强放疗计划剂量分布预测的方法，并评估将其用于自动计划的可行性。方法从复旦大学附属肿瘤医院选取240例左侧乳腺癌患者，200例作为训练集，20例作为验证集，另外20例作为测试集。应用深度学习网络建立患者CT影像、靶区和危及器官的勾画图像与剂量分布的相互关系，达到预测新患者剂量分布的目的，并尝试将预测的剂量分布作为目标函数优化并生成治疗计划。结果临床治疗计划的剂量分布和预测的剂量分布相比，靶区(除同步加量的PTV48Gy)和危及器官的剂量值相近，且基于预测的剂量分布生成的治疗计划与预测结果基本相同。结论本研究实现了一种基于深度学习网络的乳腺癌调强计划剂量分布预测方法，有助于进一步实现自动设计治疗计划的目标。

简介：摘要目的实现直肠癌靶区和正常组织的自动勾画，提高临床工作效率。方法采用基于卷积神经网络的深度学习方法，架构神经网络，学习并实现自动勾画，比较自动勾画与人工勾画的差异。结果210例直肠癌患者随机分组为190例训练集，20例验证集。测量单个患者完整勾画耗时约10s，CTV的平均Dice为0.87±0.04，其余正常组织的平均Dice均>0.8，CTV的HD指数为25.33±16.05，MDA指数为3.07±1.49，JSC指数为0.77±0.07。结论使用基于全卷积神经网络的深度学习方法可以实现直肠癌靶区的自动勾画，提高工作效率。