3、利用基于自注意力的密集生成对抗网络实现放射治疗计划中的剂量预测自动化

利用基于自注意力的密集生成对抗网络实现放射治疗计划中的剂量预测自动化

癌症是一种严重威胁人类健康的疾病，其中放射治疗是癌症治疗的关键环节。准确的放射治疗计划对于减少辐射对危及器官（OAR）的影响至关重要。为了确定肿瘤和周围器官所接受的放射治疗剂量分布，研究人员提出了一种基于自注意力的密集生成对抗网络（GAN）。

1. 引言

癌症是由于体内细胞不受控制地分裂和生长而引发的疾病，近一半的患者会因癌症死亡。常见的癌症类型包括乳腺癌、肺癌和前列腺癌等。癌症的治疗方法有放射治疗（RT）、化疗、手术或综合治疗。

放射治疗利用高能X射线束，在保护周围健康组织的同时，对肿瘤进行精确的辐射剂量照射。然而，放射治疗计划的制定是一个复杂的过程，需要众多医学专家和软件系统的参与。具体来说，需要将患者的多幅计算机断层扫描（CT）图像、不同的剂量目标、约束条件以及其他优化相关参数输入到优化模型中。之后，肿瘤学家会评估模型推荐的治疗方案。若肿瘤学家对原计划提出修改建议，治疗计划师则需使用新参数重新求解优化模型。由于计划师和肿瘤学家之间的反复沟通，整个过程不仅劳动强度大，而且成本高、耗时长。

为了减少治疗延迟和误差，研究人员在放射治疗计划自动化领域开展了一系列研究。从基于知识的规划到各种深度学习模型（如U-Net、ResNet），多种模型不断涌现。深度学习技术在预测剂量方面更加有效和准确，并且能够很好地处理非结构化数据。基于此，研究人员开发了基于自注意力的密集GAN，该模型在性能上优于一些现有模型。

2. 相关工作

放射治疗计划中剂量预测的自动化主要通过传统的基于知识的规划和深度学习方法实现。传统的基于知识的规划技术（KBP）需要对解剖特征进行研究，以便从以前