FluenceFormer：基于 Transformer 的多束剂量图回归
计算机视觉与模式识别
2026-03-06 v2 人工智能
摘要
剂量图预测是自动放疗规划的核心内容，但由于体积解剖学与束流强度调制之间复杂的关系，仍是一个难以定义的逆问题。先前工作中的卷积方法往往难以捕获长程依赖关系，可能导致结构不一致或在物理上不可实现的计划。我们引入了 FluenceFormer，一个支持多种 backbone 的 Transformer 框架，用于直接几何感知的剂量回归。该模型采用统一的两阶段设计：阶段 1 从解剖输入预测全局剂量先验，阶段 2 将该先验置于显式束流几何条件下进行物理校准的剂量图回归。方法的核心是 Fluence-Aware Regression (FAR) 损失函数，它集成了体素级保真度、梯度平滑性、结构一致性和束流能量守恒。我们在多个 Transformer backbone 上（包括 Swin UNETR、UNETR、nnFormer 和 MedFormer）使用前列腺 IMRT 数据集评估了框架的通用性。FluenceFormer 使用 Swin UNETR 实现了最佳性能，超越现有基准 CNN 和单阶段方法，将能量误差降低至 4.5%，在结构保真度上实现统计显著的提升（p < 0.05）。
引用
@article{arxiv.2512.22425,
title = {FluenceFormer: Transformer-Driven Multi-Beam Fluence Map Regression for Radiotherapy Planning},
author = {Ujunwa Mgboh and Rafi Ibn Sultan and Joshua Kim and Kundan Thind and Dongxiao Zhu},
journal= {arXiv preprint arXiv:2512.22425},
year = {2026}
}
备注
Accepted at Medical Imaging with Deep Learning (MIDL-2026)