肿瘤放射治疗是目前癌症治疗的主要手段之一,其关键目的是在确保靶区达到处方剂量的同时,尽可能的降低周围正常组织的剂量沉积。剂量学验证是当前临床放疗技术质量控制与质量审核的主要方式。但放疗计划的质量受限于计划设计人员的经验累积,计划质量的一致性难以保证。同时,临床计划多服从于统一的规范标准,不能为患者提供个体化的治疗计划。而研究表明,通过建模学习患者解剖结构对剂量沉积的影响,可以在计划设计之前预测新患者的剂量信息,为剂量学验证和质量控制提供标准,满足患者的个体化特异性需求,同时为放疗自动化提供基础。本文首先深入分析了现有的剂量学特征预测的方法,分别讨论了现有方法下对危及器官剂量学指征项预测,DVH预测,三维剂量分布预测等不同预测目标的实验思路并分析其优劣性。上述预测方法中,剂量学指征项和DVH为压缩的剂量学特征,包含的信息并不全面,不能满足某些肿瘤类型对三维剂量分布的临床需求,需要对信息包含更全面的三维剂量分布进行预测。因此,本文基于现有的通过神经网络对单个危及器官进行三维剂量预测的方法,结合机器学习中多任务学习方法,提出了一种单模多器官的三维剂量预测方法。该方法考虑危及器官之间的关系,并行构建多器官间几何解剖结构与三维剂量分布的关联模型。相较于对单个危及器官建立预测模型,该方法可以同时对多个危及器官建立预测模型。同时,针对单模多器官模型还需要进行人工特征提取从而可能造成重要信息丢失的缺陷,本文还提出了一种基于深度卷积网络的三维剂量分布预测模型。该模型基于U-net网络和densenet网络搭建而成,可以直接从患者的结构分布轮廓图中学习到几何结构分布与对应三维剂量分布的关系,从而预测整个照射范围内的剂量分布。为验证单模多器官剂量预测方法,实验收集了 15例鼻咽癌的MRT计划,并提取了危及器官体素与靶区,其他相关危及器官以及治疗计划间的相关信息,对脑干,左右腮腺,脊髓建立单模多器官的剂量预测模型。并与团队验证过的基于神经网络的单器官预测模型和进行比对分析。5例测试集的测试结果显示,多任务模型的预测精度更高,误差更小。其中脊髓、脑干、左右腮腺的平均体素相对处方剂量的百分平均误差分别为2.01%±0.0249、2.65%±0.0214、2.45%±0.0217和2.55%±0.0216。实验结果表明,相较于基于神经网络的单模单器官,多任务模型的预测结果精度更高。为了验证深度卷积网络预测方法,实验收集了37例IMRT鼻咽癌数据,搭建深度卷积网络模型,提取感兴趣区域轮廓结构图作为训练输入,训练剂量预测模型。5例测试集的测试结果显示,该模型预测误差小,DVH图和三维分布图的拟合程度高,所有体素点相对处方剂量的百分平均误差为2.36%±0.0214,其中脊髓、脑干、腮腺和靶区的平均误差分别为2.04%±0.0154、2.56%±0.0226、2.07%±0.0188和1.27%±0.10。综上所述,本文首先提出了一种基于多任务学习的单模多器官三维剂量预测模型,并在此基础上针对存在问题提出了基于深度卷积网络的三维剂量预测模型。实验结果证明两种模型预测精度都较高,且各有优劣。