本研究利用深度学习方法开发了一个3D网络，能够直接从患者数据中预测光照地图，显著提高了光照地图的重建性能，PSNR提升约8 dB，剂量体积直方图接近目标剂量。

该研究提出了一种新算法，解决了呼吸暂停放疗中基准标记迁移导致的定位不准确问题。通过重建基准标记位置的体积概率图，能够精确追踪标记位置，自动评估每日残余运动，从而调整治疗计划，展现出重要的适应性放疗潜力。

本研究探讨了头颈肿瘤及转移性淋巴结的MRI图像分割，特别是在放疗前后的自动化处理。结合预训练权重和数据增强，模型在放疗前和中期图像上的分割表现分别为82.38%和72.53%，显示了其在头颈癌诊断与治疗中的潜在应用价值。

本研究提出了一种基于自动失真识别的无参考医学图像质量评估方法，旨在提高MRI引导放疗中的图像质量。通过分析106,000幅MR图像，该方法有效提升了图像质量指数，改善了肿瘤追踪的准确性，具有重要的临床应用价值。

本研究提出了一种新方法，通过利用放疗前的肿瘤区域和局部梯度图，提高头颈癌肿瘤体积分割的准确性。这对自适应放疗的分割和治疗计划有积极影响，可能改善患者治疗效果。

本文介绍了多种深度学习模型在头颈部癌症肿瘤分割中的应用，包括AnatomyNet、URPC框架和2S-ICR框架。这些模型通过改进算法和技术，提高了分割精度和处理速度，为放疗提供了有效支持，显示出深度学习在肿瘤体积分割中的良好前景。

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。

放疗是治疗鼻咽癌的主要有效策略，精确划定肿瘤区域和风险器官对辐射治疗至关重要。最近，深度学习在医学图像分割任务中取得了有希望的结果。本文详述了 SegRap2023 挑战赛，并分析了所有参与者的解决方案。

该研究使用深度学习成功实现了21个头颈部放射敏感器官的自动分割，并引入了表面Dice相似系数作为新指标。该模型具有较强的泛化能力，可提高放射治疗路径的效率、一致性和安全性。

该研究旨在开发一个模型，以精确识别不同患者器官分割之间的相应点，以应用于放射治疗。研究使用头颈部器官分割的CT扫描训练了一个在3D形状中同时进行对应和插值估计的模型，并通过两种方法扩展了原始模型。该模型可用于改进空间归一化或作为解剖信息注册的初始化。

写在前面 同一天在 Nature Cancer 和 Nature Genetics 发表两篇文章是一种什么体验？今天我们用一天发表两篇文献解读从侧面体会下 😃

这期 JCO 杂志上又发表了一篇肠癌肝转移的研究。这是一项多中心的 III 期研究，评估的是在经过了一线的奥沙利铂或伊立替康为主的化疗失败的患者中，比较患者在接受二线化疗的同时，增加 Y90-微球经肝动脉放疗栓塞（TARE）治疗的疗效（EPOCH 研究）。 研究在北美、欧洲和亚洲国家开展，一共入组了428 例受试者，这些患者均不存在肝脏以外其他部位的转移灶。这些患者按照 1:1...