排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
目的 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。方法 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。结果 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)。结论 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。 相似文献
1