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，并调整治疗计划的边界，展现出重要的适应性放疗潜力。

本研究针对头颈肿瘤及转移性淋巴结进行精准分割，采用预训练权重和MixUp增强的完全监督学习方法，开发了新型网络架构。模型在放疗前后图像上的分割效果分别为82.38%和72.53%，显示出其在头颈癌诊断与治疗中的潜力。

本研究提出了一种无参考的医学图像质量评估方法，针对MRI引导放疗中的图像质量问题。该方法处理了106,000幅MR图像，显著提升了图像质量指数和肿瘤追踪的准确性，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。

本研究提出了一种新方法UMambaAdj，用于头颈癌MRI引导自适应放疗中的肿瘤分割。结合UMamba和nnU-Net Residual Encoder的优势，在HNTS-MRG 2024测试集上，T2加权MRI图像的GTVp和GTVn平均Dice系数分别为0.751和0.842，显示出提高肿瘤勾画精度的潜力。

我们提出了一种名为SP-DiffDose的模型，结合SwinTransformer和投影器技术，提高放射治疗剂量分布预测的准确性。该模型通过多尺度条件扩散过程，将噪声和解剖图像映射到剂量分布图。评估结果显示，SP-DiffDose在内部数据集上优于现有方法，特别是在危险器官剂量预测方面表现出色。

本研究旨在开发一个模型，用于精确识别不同患者器官分割之间的相应点。通过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。评估了对应和插值性能，最佳性能的模型配置将图像信息作为损失函数的一部分，产生了更符合解剖学的对应结果。

本研究提出了一种放射治疗靶体积自动分割网络Radformer，利用视觉语言模型和注意力模块进行特征提取，性能优于其他模型。

使用Langchain和OpenAI模型对乳腺癌患者进行辅助放疗和化疗分类，准确率高达0.85+。未来研究需要确定模型是否满足治疗预测的阈值。这些模型在提高质量护理的同时，接近人类肿瘤学家的作用。

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...