检索历史 清除

摘要放射治疗（Radiotherapy）是当前临床实践中癌症治疗的主要手段之一。在放射治疗实施之前，放疗物理师（Physicist）需要为患者制定合适的放疗计划。为了获得患者个体化的放疗方案，物理师往往需要从一组初始放疗执行参数开始，逐步调整这些参数以平衡放疗的物理可达性与治疗效果，并得到临床可接受的参数组合作为最终的放疗实施计划。由于放疗计划涉及的优化参数众多，通常需要消耗有经验的物理师几个小时甚至几天的时间，这极大地影响了放射治疗的效率。其次，放疗计划的质量也会因物理师经验水平的差异而参差不齐，甚至出现部分患者的计划质量较差，影响患者个性化的放射治疗。为了解决放疗计划制定中的这两个问题，研究者们采用深度学习技术自动生成高质量的剂量分布图。相较于经验化的初始设置，自动化生成的剂量分布图可以为放疗计划提供接近最优的起始点，从而减少计划的迭代调优次数，缩短计划的制定时间以及降低对物理师经验的依赖。然而，当前大多数基于深度学习的剂量分布预测方法都以卷积神经网络作为模型骨架。由于卷积操作固有的局部性，模型对剂量分布图的深层语义感知与全局关系建模能力受到了限制。基于这一考虑，本文将Transformer模型引入到剂量预测任务中，借助于多头自注意力机制的全局关系建模能力，来弥补纯卷积网络的局限，进一步提升模型在剂量分布预测任务上的表现。基于此，本文实现了以下两个方法。<br>　　（1）基于Transformer的多重约束剂量分布预测方法<br>　　为了提高剂量预测的准确性，本文分析并总结了剂量分布图的特点，提出了结合剂量分布图特性的多重损失约束来优化生成剂量分布图的质量。首先，考虑到不同剂量值空间分布差异较大，本文设计了剂量离散掩码来描述不同剂量阈值下的分布区域。进一步地，本文分析剂量分布中剂量值的统计直方图，发现其呈现出“双峰”分布的特点，并基于此提出自适应的剂量阈值采样策略，同时实现可微的多剂量约束损失，以从整体上对多个剂量尺度下的空间分布做优化。此外，针对剂量分布图在靶区的剂量高而危及器官上剂量低的特点，本文提出靶区语义引导的三元组损失，通过在特征空间中依据靶区边缘位置构建包含锚点、正例以及负例的三元组损失，扩大靶区内正例特征和靶区外负例特征的距离，进而增大靶区内外剂量分布的差异。<br>　　（2）基于Transformer与交叉注意力机制的UDA剂量分布预测方法<br>　　尽管目前许多全监督的剂量分布预测方法已经取得了临床上可接受的性能，但这些方法的训练需要大量具有良好标注的数据集作为支撑。然而，受限于数据标注成本与癌症发病率，收集含有大量临床真实剂量分布标签的数据集是具有挑战的。例如，仅发生在女性群体的宫颈癌总体发病率较低，与发病率更高的直肠癌相比，其对应数据的收集难度更大，可用数据量也更少。为了缓解全监督剂量分布预测方法对标注数据的依赖，本文利用无监督域自适应策略（UnsupervisedDomainAdaptation，UDA），提出基于Transformer与交叉注意力机制的无监督剂量分布预测模型，借助于Transformer的泛化能力以及交叉注意力机制的域对齐能力，实现跨域知识迁移。该模型以直肠癌数据作为源域，首次实现目标域无标签宫颈癌数据的剂量预测。特别地，本文针对在域迁移过程中存在的模型对源域特征偏向而导致目标域独有的特征被忽略的问题，在模型中嵌入域分类损失，使得在域迁移过程中目标域特有的特征被保留，有助于无标签情况下目标域剂量分布的准确生成。<br>　　本文在两个临床癌症数据集上设计了丰富的实验，并对模型性能进行了评估。结果显示，本文提出的两个方法在解决各自的问题上均表现出可行性，各项剂量学指标也符合预期。