一位开发者发现医疗软件卡死，分析后发现主线程因处理大量未处理任务而导致UI卡顿。问题在于复杂逻辑放在UI线程，建议仅在UI线程更新界面。

一名学员的医疗软件出现卡顿，分析发现主线程处理大量未完成任务，导致UI阻塞。建议将复杂逻辑移出UI线程，仅在UI线程中更新界面。

本研究通过“虚拟剂量师”模型解决了放射治疗计划教育中案例和方法不足的问题，结合剂量分布预测与自然语言处理，提高了培训效率和学员的计划评审能力。

本研究提出了一种基于深度学习的自动生成轮廓质量评估方法，适用于在线适应性放射治疗。该方法在多种数据场景下准确率超过90%，显著降低了人工审查需求，提高了放射治疗的安全性和可靠性。

本研究解决了放射治疗计划中复杂与时间消耗大、以及计划人员间的差异性和主观决策的问题。通过引入Dose Optimization Language Agent (DOLA)，一个基于大型语言模型的自主代理，优化放射治疗计划并保护患者隐私。研究发现70亿参数的模型在优化效果上有显著优势，比8亿参数模型高出约16.4%，并证明该方法在临床应用和工作流程改善方面具有重要潜力。

本研究解决了放射治疗中对合成成像（尤其是合成CT）的需求缺口，提出了SynthRAD2025数据集作为算法的基准平台。数据集包含2362个病例并经过严格的质量保证，促进了合成成像技术的发展，有助于个性化癌症治疗和自适应放射治疗的推进。

本研究提出了一种新的3D语义不对称肿瘤分割方法，针对鼻咽癌放射治疗中的低对比度肿瘤体积分割问题。该方法通过优化体素距离，显著提高了分割性能，Dice分数提升至少2%，平均距离误差降低12%，有望提高临床治疗的准确性。

多年前，我与计算机科学和电子学学生讨论职业重要性时，提到设计医疗设备的风险。Therac-25是1980年代开发的放射治疗机，因软件缺陷导致患者过量辐射，造成严重伤害甚至死亡。1985至1987年间，至少发生六起事故。这一事件促使制造商加强软件测试，成为软件工程教育中的警示案例。

本研究提出了一种基于扩散概率模型的全无监督低剂量CT图像去噪方法，能够生成高质量的正常剂量CT图像，且性能优于多种监督学习方法。同时，研究还介绍了基于扩散模型的剂量预测方法，提升了放射治疗的剂量分布预测准确性，展示了其在癌症治疗中的应用潜力。

本研究解决了放射治疗计划中靶区和风险器官轮廓描绘精度不足的问题，尤其是在分布外（OOD）场景下模型的可靠性。我们提出了一种将认识不确定性估计整合到OAR轮廓描绘工作流中的新方法，通过一种先进的统计方法增强OOD检测能力。实证结果表明，该方法在OOD检测中的AUC-ROC达到0.95，具有良好的临床应用潜力。

AnatomyNet模型利用深度学习自动分割头颈部CT图像中的重要器官，显著提高了分割精度并减少了处理时间。研究提出了3D U-Net和交互式分割等方法，提升了肿瘤分割的准确性和效率，为放射治疗提供了新思路。

本文介绍了一种基于深度学习的自动轮廓绘制方法，旨在提高放射治疗效率。研究通过训练模型处理100位患者的数据，开发了非对称自编码器网络，从2D图像重建3D CT图像，提升患者定位精度。此外，提出了SP-DiffDose模型，利用SwinTransformer提高剂量预测准确性，显示出优越性和普适性。

本文介绍了多种基于深度学习的医学影像处理方法，旨在提高食管癌及其他癌症的放射治疗效果。研究表明，卷积神经网络和图神经网络等技术能够显著提升肿瘤分割精度，优化治疗规划，为临床提供更有效的工具和方法。

本文探讨了深度学习在放射治疗中的应用，重点介绍了3D U-Net自动分割算法和剂量预测方法，特别是在头颈部癌症中的效果。研究表明，采用新指标和多种网络技术能够提高预测精度，推动放疗的自动化进程。

本文介绍了一种快速的MR-CT图像配准方法，利用Cycle-GAN生成合成CT图像，并结合部分卷积网络和无监督配准网络，实现高精度和快速计算。此外，研究探讨了深度学习在肺癌筛查、放射治疗和转移癌分类等领域的应用，提出了多种新模型以提高诊断效率和准确性。

本文研究了将大型语言模型与深度学习结合应用于放射治疗靶体积轮廓划定。通过整合临床文本信息，提出了一种新型多模态人工智能模型，显著提高了靶体积划定的准确性和效率，尤其在乳腺癌放疗中表现突出。该模型在数据不足的环境下也能保持良好性能，具有广泛的临床应用潜力。

研究人员利用卷积神经网络和生成对抗网络，提高了MRI脑肿瘤自动分割的准确性，并预测病人生存时间。新提出的合成框架减少了对大型标注数据的依赖，展示了在不同数据集上的稳定性能。这一进展有望推动医学影像分析在临床中的应用，尤其是在中风病理学研究方面。

该研究提出了一种弱监督的MRI与组织病理学图像配准方法，旨在早期检测前列腺癌，减轻前列腺分割负担并提高准确度。通过卷积神经网络实现多模态图像对齐，具有广泛适用性和实时自动化能力。研究还探讨了无监督和半弱监督注册流程，改进模型性能，适用于临床数据集，显示出优越的配准效果。

本研究提出了一种深度学习框架，用于胸部CT图像中器官的自动分割，取得了91.57%的Dice得分。研究探讨了3D U-Net架构与卷积神经网络、图神经网络结合的方法，并通过设定阈值自动识别失败案例，以提升放射治疗的效率和安全性。

研究表明，利用卷积神经网络（CNN）分析头颈部鳞状细胞癌患者的影像数据，可以有效预测局部复发体积，并为生物靶向放疗提供方法。通过深度学习技术，开发了多种自动分割和预后预测模型，显著提高了患者定位精度和生存分析的可重复性。这些方法在多个挑战赛中表现优异，推动了放射治疗的自动化和效率提升。