随着物理学与生物科学理论的不断完善以及放射治疗技术的快速发展,放射治疗已经成为目前治疗肿瘤的主要手段之一。为了提高治疗效果,降低射线对人体的副作用,在对病人实施放射治疗时,需要精准地控制照射野的剂量分布,同时尽可能降低甚至避免放射线对靶区附近健康组织和器官的伤害。由于调强放射治疗方式的射野复杂度和剂量率比其他放射治疗方式的射野复杂度和剂量率高,治疗实施的各个环节均有可能产生误差,因此需要对调强放射治疗计划进行剂量验证。基于a-Si EPID的剂量验证是目前具有良好发展前途的剂量验证技术之一。本论文的工作就是应用计算机技术,研究a-Si EPID子野的剂量响应特性,探讨a-Si EPID灰度影像剂量标定的方法,为剂量验证等后续工作提供技术支撑。本论文首先采集了数字医用直线加速器在不同输出剂量情况下a-Si EPID装置的灰度影像,并同时采用三维水箱采集了照射野输出剂量的空间分布数据。由于a-Si EPID灰度影像的空间分辨率远高于采集到的剂量数据的分辨率,为了获得充足的数据,需要对采集的文本格式的低分辨率剂量分布数据进行数据结构转换和数据补充。数据采集过程中,往往有很多因素会影响数据采集的精确度,而神经网络具有较强的自学习能力、处理不精确信息的能力、较强的抗干扰和抗噪声能力,本文采用神经网络来处理放射治疗学的数据。在研究分析各种插值、拟合算法特点的基础上,根据照射野剂量分布的特点,采用三次样条插值法对剂量平稳区域进行插值,采用基于遗传算法的广义回归神经网络模型对剂量分布复杂的区域进行拟合,最终形成2048×2048的二维矩阵,并采用BP神经网络模型研究非晶硅EPID子野的剂量响应特性。对1-12MU影像按射线剂量的大小顺序进行融合,鉴于非晶硅EPID子野剂量响应特性的分散性和1-12MU融合影像的所具有的空间特征,设计并建立空间线性神经网络模型,使用验证样本评价该模型,表明采用该模型来实现剂量标定的可行性。