在放射治療系統(tǒng)中進(jìn)行精確、高效計(jì)劃是實(shí)現(xiàn)精確放療的重要前提,而劑量計(jì)算方法的精確程度、優(yōu)化模型的形式、求解逆向問題優(yōu)化算法的尋優(yōu)能力,和計(jì)劃過程的智能化程度等對(duì)放療計(jì)劃的質(zhì)量和效率有著直接的影響。本文以提高放療計(jì)劃的質(zhì)量為目標(biāo),對(duì)放療優(yōu)化模型和基于梯度優(yōu)化算法的劑量體積優(yōu)化的初始射束權(quán)重問題進(jìn)行了深入的研究;本文以提高放療計(jì)劃的效率為出發(fā)點(diǎn),對(duì)放療參數(shù)的自動(dòng)優(yōu)化算法進(jìn)行了研究。本文的主要?jiǎng)?chuàng)新性工作如下:1.基于器官的優(yōu)化模型優(yōu)化所得的帕累托平面屬于DV約束優(yōu)化所得的帕累托平面的理論基礎(chǔ),為基于梯度優(yōu)化算法的劑量體積優(yōu)化提出了一種確定初始射束權(quán)重的方法。為了改善劑量體積優(yōu)化(DVO)計(jì)劃的質(zhì)量和降低由于DV約束目標(biāo)的非凸性而產(chǎn)生的局部極值誤差,提出了一種為DVO確定初始射束權(quán)重的方法,即基于器官優(yōu)化模型優(yōu)化引導(dǎo)的DVO。首先,采用改進(jìn)的遞增器官優(yōu)化模型進(jìn)行注量圖優(yōu)化(FMO),獲得一組射束強(qiáng)度分布。然后,以第一步優(yōu)化所得的射束強(qiáng)度分布為初始值進(jìn)行DVO。在5例頭頸癌測(cè)試病例和5例前列腺癌測(cè)試病例上對(duì)新算法的可行性和有效性進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)采用均勻初始射束權(quán)重的DVO相比,新...

【文章頁數(shù)】：148 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
主要符號(hào)表
第一章 緒論
    1.1 研究背景和選題意義
        1.1.1 IMRT的發(fā)展歷程
        1.1.2 IMRT技術(shù)的實(shí)現(xiàn)和計(jì)劃設(shè)計(jì)
    1.2 調(diào)強(qiáng)放療的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 劑量體積約束的非凸性研究
        1.2.2 放療優(yōu)化模型的研究
        1.2.3 優(yōu)化模型中參數(shù)的自動(dòng)化研究
    1.3 論文研究?jī)?nèi)容及框架結(jié)構(gòu)
第二章 基礎(chǔ)知識(shí)介紹
    2.1 筆形束劑量計(jì)算
    2.2 優(yōu)化準(zhǔn)則及目標(biāo)函數(shù)
        2.2.1 物理準(zhǔn)則
        2.2.2 生物準(zhǔn)則
        2.2.3 目標(biāo)函數(shù)
    2.3 梯度優(yōu)化算法(L-BFGS)
    2.4 本章小結(jié)
第三章 劑量體積優(yōu)化中局部極值誤差減小的方法研究
    3.1 引言
    3.2 算法理論基礎(chǔ)
    3.3 基于器官評(píng)價(jià)模型優(yōu)化引導(dǎo)的DVO算法原理
    3.4 優(yōu)化模型
        3.4.1 改進(jìn)的基于器官評(píng)價(jià)優(yōu)化模型
        3.4.2 劑量-體積模型
    3.5 實(shí)驗(yàn)材料
        3.5.1 測(cè)試病例
        3.5.2 實(shí)驗(yàn)環(huán)境
    3.6 實(shí)驗(yàn)結(jié)果與分析
        3.6.1 遞增基于器官評(píng)價(jià)優(yōu)化模型的有效性測(cè)試
        3.6.2 基于器官評(píng)價(jià)優(yōu)化模型優(yōu)化引導(dǎo)的DVO
    3.7 總結(jié)與討論
    3.8 本章小結(jié)
第四章 IMRT中擴(kuò)大解空間搜索能力的目標(biāo)函數(shù)的建立
    4.1 引言
    4.2 基于正則化的線性EUD子目標(biāo)函數(shù)的改進(jìn)
        4.2.1 正則化的理論基礎(chǔ)
        4.2.2 新EUD子目標(biāo)函數(shù)及混合優(yōu)化模型
        4.2.3 實(shí)驗(yàn)結(jié)果與分析
        4.2.4 總結(jié)與討論
    4.3 基于分段懲罰的最大劑量和二次EUD子目標(biāo)函數(shù)的構(gòu)建
        4.3.1 分段懲罰理論基礎(chǔ)
        4.3.2 新的最大劑量子目標(biāo)函數(shù)和二次EUD子目標(biāo)函數(shù)
        4.3.3 基于分段懲罰子目標(biāo)函數(shù)的放療優(yōu)化模型
        4.3.4 對(duì)比實(shí)驗(yàn)
        4.3.5 實(shí)驗(yàn)結(jié)果與分析
        4.3.6 總結(jié)和討論
    4.4 本章小結(jié)
第五章 優(yōu)化模型中參數(shù)的自動(dòng)優(yōu)化方法研究
    5.1 引言
    5.2 一種基于處方劑量的權(quán)重因子自動(dòng)優(yōu)化方法研究
        5.2.1 算法理論基礎(chǔ)
        5.2.2 權(quán)重因子自動(dòng)優(yōu)化算法原理
        5.2.3 權(quán)重因子的自動(dòng)調(diào)整過程
        5.2.4 優(yōu)化模型
        5.2.5 實(shí)驗(yàn)材料
        5.2.6 實(shí)驗(yàn)結(jié)果與分析
        5.2.7 總結(jié)和討論
    5.3 一種模糊推理引導(dǎo)的混合放療參數(shù)的自動(dòng)優(yōu)化方法研究
        5.3.1 模糊推理的理論基礎(chǔ)
        5.3.2 基于模糊推理的權(quán)重因子和處方劑量自動(dòng)優(yōu)化算法原理
        5.3.3 優(yōu)化模型
        5.3.4 處方劑量和權(quán)重因子的自動(dòng)調(diào)整過程
        5.3.5 實(shí)驗(yàn)材料
        5.3.6 實(shí)驗(yàn)結(jié)果與分析
        5.3.7 總結(jié)與討論
    5.4 本章小結(jié)
第六章 總結(jié)和展望
    6.1 本文工作總結(jié)
        6.1.1 劑量體積優(yōu)化中局部極值誤差減小的方法研究
        6.1.2 基于正則化的線性EUD子目標(biāo)函數(shù)的改進(jìn)
        6.1.3 基于分段懲罰的最大劑量和二次EUD子目標(biāo)函數(shù)的構(gòu)建
        6.1.4 基于處方劑量的權(quán)重因子自動(dòng)優(yōu)化方法研究
        6.1.5 基于模糊推理的混合放療參數(shù)自動(dòng)優(yōu)化方法
    6.2 主要?jiǎng)?chuàng)新點(diǎn)
    6.3 未來工作展望
附錄：數(shù)學(xué)符號(hào)表
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表論文、參與項(xiàng)目情況
致謝



本文編號(hào)：3751544