滕 琳，王 斌，冯前进

1南方医科大学生物医学工程学院，2广东省医学图像处理重点实验室，广东 广州 510515；3上海科技大学生物医学工程学院，上海 201220

头颈癌是一类癌症的统称，包括口腔癌、咽癌和鼻癌等众多类型［1］，其发病率在国内位居第九，对人类健康产生极大的威胁［2］。由于头颈部危机器官众多，解剖关系复杂，为了杀死肿瘤细胞，同时保护周围正常组织，调强放射治疗（IMRT）成为首选治疗方式［3］。为了使计划靶区（PTV）达到高剂量辐射，危机器官（OARs）接收低剂量辐射甚至零剂量辐射，放疗物理师需要根据自身经验反复调整治疗参数，从而获得最优的放疗计划。此过程需要一周左右的时间，从而延误了病情的最佳治疗时间［4-7］。

近几年，随着机器学习的迅速发展［8］，特别是深度学习，涌现出很多基于深度学习的方法，实现放疗计划自动设计的目标［9-12］。即利用CT等图像作为输入信息，通过卷积神经网络CNN，根据目标任务自动提取有用特征，通过损失函数监督网络学习，网络输出信息为剂量分布图。举例来说，Liu等［13］设计了一个级联网络架构，将第一网络预测的不同尺度特征图作为第二网络的输入，可以充分提取并整合全局和局部特征。然而网络关注的是全局空间学习，导致ROIs等局部区域的剂量预测不准确。为了解决此问题，Ngyuen等［14］提出可微分的DVH损失函数，将DVH剂量学参数作为网络优化目标，监督网络在ROIs等局部区域的特征提取。然而DVH剂量学参数的计算要求重复遍历整幅图像，导致剂量预测的效率低下。……