2020年5月31日， “OpenKBP-2020 AAPM Grand Challenge”  放疗剂量挑战赛顺利结束，在报名参赛的两百多支队伍中，以博士生彭昭同学牵头的中科大放射医学物理中心团队依靠精心设计的基于深度卷积神经网络的3D剂量预测模型，取得了DVH分数排名第四，Dose分数排名第十的好成绩。

  自动放疗剂量预测的研究是目前医学物理的前沿科研课题。  目前许多结果都是使用特定机构的数据集和评估指标来报告的，但如果没有大型开源数据集、标准化指标和统一管理平台，公平地评估自动放疗剂量预测很困难的。本次挑战赛的目的是促进基于知识的放疗剂量预测方法的公平和一致性的比较，参与的团队都使用同一个大型数据集来训练他们的模型，并使用一套标准化的度量标准来比较他们的预测方法。本次比赛提供了训练集200例，验证集40例，测试集100例，在测试集上的结果将决定参赛者最终的排名。对于每例患者，比赛方提供了包含肿瘤靶区和危及器官轮廓结构的三维CT影像，挑战任务分为两部分:  （1）三维剂量分布预测；（2）DVH（剂量体积直方图）剂量点预测，如下图所示。  中科大放射医学物理中心团队近年来在基于人工智能的放射治疗领域取得了突破性进展，研究成果涉及蒙卡加速、图像分割以及放射治疗剂量预测等方面，发表了多篇相关论文[1-4]，  得到国际同行的认可，在基于深度卷积神经网络的3D剂量预测领域居于世界领先地位。

图1：OpenKBP-2020 AAPM Grand Challenge放疗剂量预测比赛任务示意图

  1. Peng Z, Shan H, Liu T, Pei X, Wang G, Xu XG. MCDNet – a denoising  convolutional neural network to accelerate Monte Carlo radiation  transport simulations: A proof of principle with patient dose from X-ray  CT Imaging. IEEE Access V7: 76680 – 76689 (2019).

  2. Peng Z, Shan H, Liu T, Pei X, Zhou J, Wang G, Xu XG. Deep learning  for accelerating Monte Carlo radiation transport simulation in  intensity-modulated radiation therapy. arXiv:1910.07735 (2019).

  3. Peng Z, Fang X, Yan P, Shan H, Liu T, Pei X, Wang G, Liu B, Kalra M,  Xu XG. A Method of Rapid Quantification of Patient-Specific Organ Dose  for CT Using Coupled Deep Multi-Organ Segmentation Algorithms and  GPU-accelerated Monte Carlo Dose Computing Code. Med Phys doi:  10.1002/mp.14131 (2020).

  4. Zhou, Jieping, Zhao Peng, Yuchen Song, Yankui Chang, Xi Pei, Liusi  Sheng, and X. George Xu. A method of using deep learning to predict  three‐dimensional dose distributions for intensity‐modulated  radiotherapy of rectal cancer. Journal of Applied Clinical Medical  Physics (2020).

中国科学技术大学放射医学物理中心

2020年6月12日