简介：摘要目的针对前列腺癌放疗，研究锥形束CT（CBCT）生成伪CT的深度学习方法，以满足自适应放疗的需要。方法纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像，并使用MIM软件进行形变配准。将数据按简单随机法分为训练集（59例）和测试集（15例）。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像，评价平均绝对误差（MAE）、结构相似指数（SSIM）和峰值信噪比（PSNR）。另外单独分析了图像质量，包括软组织分辨率、图像噪声和伪影等。结果使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为（29.4±16.1）、（37.1±14.4）、（34.3±17.3）HU。在图像质量方面，U-net和Pix2PixGAN生成的图像存在过度模糊的问题，导致了图像失真；而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论CycleGAN能有效地提高CBCT图像质量，有更大的潜力应用于自适应放疗中。

简介：摘要目的研究在常规剂量扫描情况下模拟低剂量CT图像的方法，以此生成训练数据集中与常规剂量CT具有对应关系的低剂量CT图像，并建立深度学习模型，用于低剂量CT图像的降噪。方法使用Philip Brilliance CT Big Bore模拟定位机，其不同算法重建的CT图像具有不同的噪声水平，其中iDose4算法噪声较大，而全模型迭代重建技术(iterative model reconstruction，IMR)噪声较小。提出一种以等价噪声水平重建图像替代低剂量CT图像的方法。常规剂量和低剂量CT的曝光量分别采用250和35 mAs。分别扫描CTP712均匀模块，用IMR算法重建低剂量CT图像，用不同降噪水平的iDose4算法重建常规剂量CT图像，并根据噪声分布从中找出低剂量CT的噪声等价图像。随后，用常规剂量和噪声等价CT图像配对训练循环一致性生成对抗网络(cycle-consistent adversarial networks，CycleGAN)，使用模体测试该方法对真实低剂量CT噪声的改善程度。结果用iDose4 level 1重建的常规剂量CT图像可替代IMR重建的低剂量CT图像。低剂量扫描可降低86%的辐射剂量。使用CycleGAN模型降噪后，对于均匀模块，降噪幅度为45%；对于CIRS-SBRT 038模体的脑、脊髓和骨等处，噪声值分别降低了50%，13%和7%。结论等价噪声水平重建图像可用于替代低剂量CT图像训练深度学习网络，在避免受检者受照剂量增加的同时，减少图像噪声，提高图像质量。

简介：摘要目的训练放疗计划个体化三维剂量预测模型，并使用该模型建立计划质量控制方法。方法回顾性分析99例已临床实施的早期鼻咽癌同步加量容积旋转调强放疗(VMAT)计划，提取7个几何特征，包括各危及器官(OARs)到PTV、加量靶区和外轮廓的最小距离，及4个坐标位置关系特征。训练(89例)并验证(10例)基于人工神经网络(ANN)的三维剂量分布预测模型；然后基于该预测模型建立放疗计划质量控制方法。以各危及器官剂量学参数D2%、D25%、D50%、D75%和平均剂量(MD)为质量控制指标，通过标准为人工计划和预测剂量差别≤10%。采用由低年资物理师设计的10例计划，对该质量控制方法进行测试。结果18个头颈部OARs的主要剂量学指标，预测剂量与专家计划结果差异无统计学意义。剂量预测结果与专家计划相比，D2%、D25%、D50%、D75%和平均剂量(MD)的差别均控制在1.2 Gy以内。由低年资物理师设计的10例计划均达到常规临床剂量限值的要求，而利用建立的质量控制方法检出1例计划的脊髓、脊髓危及器官的计划体积(PRV)、脑干和脑干PRV剂量限制有待改善。根据模型预测值重新优化计划后，脊髓和脑干D2%分别降低了8.4和5.8 Gy。结论提出了一种简单易行的放疗计划质量控制方法，能克服统一性剂量限值未考虑患者特异性的缺陷，可提高个体化计划质量和稳定性。

简介：摘要目的将深度学习算法与商用计划系统整合，建立乳腺癌靶区和危及器官(OARs)自动分割平台并加以验证。方法入组在中国医学科学院肿瘤医院行保乳术后放疗的左、右乳腺癌患者各400例。基于深度残差卷积神经网络进行训练临床靶区(CTV)和OARs分割模型，建立端到端的基于深度学习的自动分割平台(DLAS)。使用42例左乳腺癌和40例右乳腺癌验证DLAS平台勾画的准确性。分别计算总体戴斯相似性系数(DSC)和平均豪斯多夫距离(AHD)。并计算相对层位置与每层DSC值(DSC_s)的关系，进行逐层分析。结果左/右乳腺癌全乳CTV平均总体DSC和AHD分别为0.87/0.88和9.38/8.71mm，左/右乳腺癌OARs平均总体DSC和AHD范围为0.86～0.97和0.89～9.38mm。对CTV和OARs进行逐层分析，达到0.90以上表示医生只需要较少修改甚至不用修改的层面，左右乳腺癌的CTV勾画占比约44.7%的层面，OARs自动勾画占比范围为50.9%～89.6%。对于DSC_s<0.7，在两侧边界区域(层位置0～0.2和0.8～1.0) CTV和除脊髓以外的感兴趣区域DSC_s值明显下降，且越靠近边缘降低程度越明显。脊髓采用全层勾画，未发现有特殊区域出现DSC_s明显下降。结论建立端到端的DLAS平台整合乳腺癌分割模型取得较好的自动分割效果。在头脚方向的两侧边界区域，勾画的一致性下降较明显，有待进一步提高。