面向不同肺癌患者病灶区域,自动化生成一个可行的剂量分布并获得放疗计划配置参数,从而辅助物理师快速有效生成一个临床可用的放疗计划,可以有效减少物理师的制作放疗计划的时间、提高制作放疗计划的准确性以及减低因放疗计划不精准造成患者身体不必要的伤害。因此,利用机器学习算法进行自动化放疗计划制作具有较强的现实应用价值。本文针对放疗剂量分布的预测以及放疗计划配置参数提取任务需求,首先提出了一种基于2D-Unet的剂量分布预测框架,针对该框架出现的预测准确性偏低、泛化性不强以及无法直接给出放疗计划配置参数等问题,进行了持续研究。本文主要内容如下:1、提出了一种基于2D-Unet的剂量分布预测框架PF-RDDM-2DUnet,并在183例真实肺癌患者的放疗计划数据上进行了仿真实验。实现结果表明其能够初步完成剂量分布的预测任务,但是准确率低,对靶区和危及器官的剂量分布预测不够理想,同时还存在着不同处方剂量下泛化性不足等问题。2、为了解决PF-RDDM-2DUnet的准确性低和泛化性不强的缺点,本文提出了 一种基于改进3D-Unet的放疗剂量分布预测框架PF-RDDM-I3DUnet。将2D-Unet改造成3D-Unet,并在3D-Unet网络结构中引入压缩-奖惩SE和残差连接等两个模块强化模型特征提取能力,在损失函数中加入靶区预测剂量与处方剂量的均方误差损失强化靶区剂量的预测效果。实验结果表明PF-RDDM-I3DUnet能够大幅度提高剂量分布的预测的准确性和较好地解决了对不同处方剂量的泛化能力,能够有效完成剂量分布的预测任务。3、为了解决PF-RDDM-I3DUnet无法直接提取出放疗计划配置参数问题,本文提出了一种基于3D-Resnet34和Triplet-Loss的相似放疗计划搜索框架SSFRP3DRes34RL。该框架首先利用三元组损失神经网络,分别提取金标准剂量分布之间的相似特征向量和不相似特征向量,构建特征数据库。然后利用PF-RDDM-I3DUnet对新患者预测其剂量分布,并与特征数据库中的特征数据逐一进行相似度量,获得前5个最相似金标准对应的放疗计划参数。实验结果表明,SSFRP3DRes34RL搜索框架的召回率在90%左右,能够很好的满足相似放疗计划的搜索任务。