制定术前计划是近距离粒子植入手术治疗的关键,计划质量的好坏直接影响到患者术后的效果。本文以肺部肿瘤近距离粒子植入治疗剂量规划系统为研究对象,提出了一种将深度学习应用到粒子布源过程的智能剂量规划流程,主要内容包括剂量预测算法、相似病例匹配算法以及剂量优化算法。本文主要研究内容和成果如下:首先,提出了用于肺部肿瘤剂量预测的分层密集U型网络结构,利用高质量的先验病例训练该模型,可对新病例的计划靶区进行剂量预测。该网络模型以U-net为框架,结合DenseNet结构特点增加特征复用性,同时缓解卷积过程中梯度消失的问题。剂量预测结果可以指导剂量规划过程,辅助医生快速准确地制定出高质量的手术计划。其次,提出了基于孪生神经网络结构的相似病例匹配算法。该算法将传统孪生神经网络从二维网络结构扩展到三维,并综合考虑多种影响匹配的重要因素,包括靶区的三维剂量分布、重建数据和靶区中心点坐标,对其设置相应的权重,可在先验病例库中匹配到相似度最高的先验病例。最后,提出了基于先验病例的改进模拟退火优化算法。该算法是将匹配得到的先验病例的粒子分布状态作为模拟退火算法的初始解,结合放射性粒子植入原则,改进模拟退火过程中“扰动”的产生方式,使其搜索模式具有一定的“方向性”,并结合预测的剂量分布结果制定状态方程,提高规划的效率和手术计划的质量。本文针对肺部肿瘤近距离粒子植入治疗剂量规划系统进行研究,提出了基于深度学习的剂量预测算法、相似病例匹配算法以及基于先验病例的改进模拟退火算法,并搭建了肺部肿瘤粒子植入手术智能剂量规划系统,对上述流程进行了算法实现,验证了所提流程的有效性。