宫颈癌是目前女性癌症死亡率的第三位。临床上局部晚期宫颈癌的主要放疗方案通常包括外照射(External Beam Radiation,EBRT)和体内照射(Brachytherapy,BT)。提高宫颈癌局控率的有效手段主要通过提高靶区的放射剂量,然而高剂量照射必然会增加危及器官(Organ at Risk,OAR),如膀胱、直肠、乙状结肠、阴道等的放射毒性,并且增加其发生放疗并发症的风险。目前临床上主要沿用剂量体积参数D0.1cc、D1cc、D2cc评价OAR放射毒性。其中D0.1cc、D1cc、D2cc是基于最坏条件假设计算得到的,即完全不考虑OAR的形变,认为OAR的高剂量点在不同放疗分次之间是静止不变的。然而分次治疗间必然存在OAR形变和位移等问题,导致放疗计划中OAR的D0.1cc、D1cc、D2cc与真实受照剂量并不一致。另外,Do.1cc、D1cc、D2cc是一维点剂量,并不包含任何剂量的空间分布信息。充分理解OAR放射毒性与剂量分布之间的关系,能够有效安全地提高靶区剂量,从而提高局部晚期宫颈癌的局控率。因此,本文针对此出发点深入展开研究。本文通过详细介绍与本课题相关算法的基本原理,包括TOP-DIR图像配准算法、机器学习中的逻辑回归模型和支持向量机模型、深度学习中的卷积神经网络,对宫颈癌放疗中直肠放射毒性的评价和预测展开深入探索和研究,提出以下两种直肠毒性预测模型:第一,基于机器学习的直肠毒性预测模型。通过TOP-DIR点配准算法获取直肠表面精确的累积剂量,将其投影于平面上得到2D剂量分布图像(RSDMs),分别对3D剂量分布和2D剂量分布提取出剂量体积特征、纹理特征和剂量几何特征,通过序列前向特征选择算法建立基于支持向量机的直肠毒性预测模型。本实验评估结果为SEN 84.75%、SPE 79.87%、AUC 0.91,表明该模型能较准确地预测直肠毒性发生的可能性,为宫颈癌患者直肠毒性预测提供可靠的支持。第二、基于深度学习的直肠毒性预测模型。本研究利用3D-2D剂量映射方法对直肠表面累积受照剂量展开得到RSDMs剂量图像,并采用迁移学习(Transfer Learning)解决有限图像数据的问题,即首先利用自然图像大型数据库ImageNet对深度卷积神经网络(VGG-16-CNN)进行预训练后通过RSDMs进行参数微调,建立最终的直肠毒性预测模型。同时应用了权重梯度类激活映射(Grad-CAM)方法,在模型作预测的同时能反映出受照剂量分布与毒性分类的关联程度。本实验经留一法交叉验证的结果为SEN 75%、SPE 83.3%、AUC 0.89。该结果表明,迁移学习成功地解决关于有限的剂量图像数据问题,同时VGG-16-CNN通过自身框架优势挖掘出剂量图像上的重要特征并构建高性能的直肠毒性预测模型,能够有效反映出直肠毒性与剂量分布两者的关系。本文针对宫颈癌放疗中直肠放射毒性预测问题,提出两种直肠毒性预测模型,一种是基于先验知识进行特征提取的机器学习算法,而另一种是利用具备优异性能的自动特征提取的深度学习算法。实验结果显示该两种模型均具有可行性和有效性,并且能够有效反映出直肠毒性与剂量分布之间的关系。虽然该课题目前已得到这些初步结果,不过仍然存在很多缺陷和不足需要完善和解决,如最大的问题是有限的图像数据,另外基于机器学习的模型中只考虑了剂量特征而未考虑其他因素,基于深度学习的模型中未比较不同CNN结构的优劣等,我们仍需在后续中做进一步的研究。