探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。
生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。
对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。
利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
放疗离不开准确且高效的治疗计划系统(treatment planning system, TPS)的保障。因此放疗自动计划是研究的重点，其中比较核心的便是剂量分布的预测[1]。目前已有的基于剂量体积直方图(dose-volume histogram，DVH)的自动计划研究是利用已有的病例计划，结构和剂量信息，自动预测DVH曲线和剂量约束条件以反馈回TPS中[2]。但是这种方法依赖于参数或者特征的选取作为DVH和剂量预测模型的输入，并且DVH不能直接反应空间剂量信息。手工提取特征带来的差异性导致效率低、费时。在过去的几年里，深度学习在许多领域中取得了巨大的进步；其性能优于迄今为止的大多数分类和回归方法，并提供更好的相关性。最具代表性的卷积神经网络(convolutional neural networks，CNN)[3]。在图像处理方面表现出色，可以解构目标的空间特征。而剂量分布也是一种图像的值分布，利用深度学习在图像处理上的优势与放疗结合，将会使放疗过程更加智能化。Goodfellow等[4]提出的生成对抗网络(generative adversarial networks，GAN)将CNN的优势进一步提高。GAN是一种图像生成模型，相比于其他的生成模型，GAN具有以下特点：(1)生成样本的方式较简单；(2)得益于GAN的非监督性和天生的抽象和提取特征的能力，不需要对原始的数据集进行太多特征的提取，使用数据较少；(3)可以避免手工提取和学习复杂的特征，实现特征提取自动化、提高效率，减少了差异性带来的不稳定性，实现逐像素生成。因此，利用GAN生成剂量分布，不失为一种有效的尝试。本文基于GAN训练一个生成器模型去生成剂量分布图，最终目的是利用GAN模型建立靶区和器官轮廓信息与剂量分布的关系。
