癌症一直困扰着人类的健康,而针对癌症治疗的方式除了手术和化疗外,放疗是治疗癌症极其有效的方法。放射疗法,也称为放疗,使用聚焦辐射杀死或破坏癌细胞,使其无法生长或扩散。不同形式的放射治疗可能使用不同种类的辐射,包括X射线、伽马射线或质子束。放射治疗是一种局部癌症治疗。这意味着它只针对受癌症影响的区域。放射治疗本身不会造成伤害,但如果辐射损害靠近正在治疗的癌细胞附近的健康细胞,这可能会产生其他暂时或永久性的副作用因此无论是靶区的剂量分布还是靶区图像的确定和勾画都关系着放射治疗对于人体正常组织的危害。理想的放射治疗仅仅针对癌症病灶的小范围进行癌细胞杀伤,然而这在实际中是不可能的。为此,我们所做的努力在于如何更好的设计放射治疗方案,保护好病人的正常组织以及保证放疗后的生活质量。在本论文的第一个工作方面,通过设计并调整容积旋转调强（VMAT）计划等中心数目及其共面条件,研究其在多发性脑转移瘤治疗中的剂量学特征,比较不同计划的靶区剂量分布和低剂量扩散的区域,为其临床应用提供指导。本工作从湖北省肿瘤医院搜集了1例多发性脑转移瘤,分别设计单等中心非共面弧、多等中心共面弧以及多等中心非共面弧计划来分别评价计划的剂量分布优劣。所有的计划都通过靶区适形度指数CI、梯度指数GI、脑部放射坏死指标(V12)和低剂量区（V5）体积覆盖率来判定。计划的对比结果表明,VMAT单等中心非共面弧计划对比多等中心计划有着更好的靶区适形度和更小的V12,且在小体积肿瘤的治疗中有着更好的剂量跌落。这一工作内容印证了此前对于VMAT单等中心非共面弧计划比多等中心共面或非共面计划更适合多发性脑转移瘤的观点。在第二个工作中,我们使用V-Net模型自动勾画出宫颈癌CTV和OAR,并将勾画结果与U-Net模型进行了比较。共纳入130个CT数据集。随机选取90个案例作为训练数据,10个案例作为验证数据,其余30个案例作为测试数据。V-Net模型使用Tensorflow包实现,以分割CTV和OAR,以及覆盖的5Gy、10Gy、15Gy和20Gy等剂量线区域。将V-net的自动分割与U-Net的自动分割进行了比较。计算了四个代表性参数以评估描绘的准确性,包括Dice相似系数（DSC）、杰卡德指数（JI）、平均表面距离（ASD）和豪斯多夫距离（HD）。V-Net和U-Net的平均DSC值分别为0.85和0.83,平均JI值分别为0.77和0.75,平均ASD值分别为2.58和2.26,平均HD分别为11.2和10.08。在OARs方面,V-Net模型在结肠中的表现明显优于U-Net模型（p=0.046）,在肾脏、膀胱、股骨头和骨盆骨中的表现与U-Net模型相当-网络模型。对于低剂量区域的预测,对于V-Net和U-Net,测试集中患者5 Gy剂量区域的平均DSC分别为0.88和0.83。总的来说,基于3D卷积神经网络的V-Net模型在腹部的自动勾画上有更好的表现,可以提高宫颈癌勾画的一致性和准确性。此外,我们还利用V-Net网络对放疗计划中的不同剂量区域进行了预测,具有为未来宫颈癌手术卵巢转位提供临床指导的可行性。