| 摘要 | 第3-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第16-32页 |
| 1.1 课题研究背景及意义 | 第16-17页 |
| 1.2 放射治疗简介 | 第17-22页 |
| 1.2.1 精确放射治疗 | 第18-19页 |
| 1.2.2 精确放疗面临的挑战 | 第19-22页 |
| 1.3 人工智能简介 | 第22-27页 |
| 1.3.1 机器学习 | 第22-24页 |
| 1.3.2 深度学习 | 第24-27页 |
| 1.4 人工智能在放射治疗中的应用 | 第27-30页 |
| 1.4.1 人工智能在OARs分割中的应用 | 第28页 |
| 1.4.2 人工智能在呼吸运动监控中的应用 | 第28-29页 |
| 1.4.3 人工智能在放疗毒性预测中的应用 | 第29-30页 |
| 1.5 主要研究工作 | 第30-32页 |
| 第二章 基于深度学习的脑肿瘤放疗OARs的自动分割研究 | 第32-50页 |
| 2.1 引言 | 第32-34页 |
| 2.2 方法和材料 | 第34-42页 |
| 2.2.1 迭代分割框架 | 第34-36页 |
| 2.2.2 EnUNet | 第36-38页 |
| 2.2.3 OARs分割 | 第38-40页 |
| 2.2.4 实验数据 | 第40-41页 |
| 2.2.5 方法实现 | 第41页 |
| 2.2.6 评价标准 | 第41-42页 |
| 2.3 结果 | 第42-48页 |
| 2.3.1 OARs定位结果 | 第42-43页 |
| 2.3.2 分割结果 | 第43-46页 |
| 2.3.3 分割结果可视化比较 | 第46-48页 |
| 2.3.4 分割效率 | 第48页 |
| 2.4 小结与讨论 | 第48-50页 |
| 第三章 基于深度学习的乳腺癌放疗运动监控的ROI自动选择研究 | 第50-68页 |
| 3.1 引言 | 第50-52页 |
| 3.2 方法和材料 | 第52-60页 |
| 3.2.1 病人表面的特征表示 | 第53-55页 |
| 3.2.2 病人表面的ROI提取 | 第55-56页 |
| 3.2.3 RE预测模型 | 第56-58页 |
| 3.2.4 ROI选择 | 第58-59页 |
| 3.2.5 验证实验 | 第59页 |
| 3.2.6 评价指标 | 第59-60页 |
| 3.3 实验结果 | 第60-65页 |
| 3.3.1 模型预测准确度 | 第60-62页 |
| 3.3.2 ROI的自动选择 | 第62-65页 |
| 3.4 小结与讨论 | 第65-68页 |
| 第四章 基于主成分分析的肺肿瘤放疗内部器官运动跟踪研究 | 第68-88页 |
| 4.1 引言 | 第68-70页 |
| 4.2 方法和材料 | 第70-75页 |
| 4.2.1 运动跟踪模型 | 第71-73页 |
| 4.2.2 模拟体模数据 | 第73-74页 |
| 4.2.3 临床病人数据 | 第74页 |
| 4.2.4 定量评价指标 | 第74-75页 |
| 4.3 实验结果 | 第75-85页 |
| 4.3.1 模拟体模数据 | 第75-80页 |
| 4.3.2 临床病人数据 | 第80-84页 |
| 4.3.3 算法效率 | 第84-85页 |
| 4.4 小结 | 第85-88页 |
| 第五章 应用于直肠放疗毒性预测的表面剂量精确累加算法研究 | 第88-100页 |
| 5.1 引言 | 第88-90页 |
| 5.2 方法和材料 | 第90-93页 |
| 5.2.1 精确点配准 | 第90-92页 |
| 5.2.2 验证数据 | 第92-93页 |
| 5.2.3 定量评价指标 | 第93页 |
| 5.3 实验结果 | 第93-98页 |
| 5.3.1 膀胱的变形配准 | 第93-95页 |
| 5.3.2 直肠的变形配准 | 第95-96页 |
| 5.3.3 表面剂量精确累加 | 第96-97页 |
| 5.3.4 表面剂量精确累加在直肠毒性预测中的应用 | 第97-98页 |
| 5.4 小结 | 第98-100页 |
| 第六章 总结与展望 | 第100-106页 |
| 6.1 研究成果与总结 | 第100-102页 |
| 6.2 未来工作展望 | 第102-106页 |
| 参考文献 | 第106-118页 |
| 攻读博士期间的研究成果 | 第118-122页 |
| 致谢 | 第122-124页 |
