具有知识转移的 Any2Any 3D 扩散模型：放射治疗计划研究

在实际放射治疗 (RT) 计划中，体素剂量预测是一项关键但具有挑战性的任务，因为从头开始训练的定制模型通常很难在不同的临床环境中推广。与此同时，在视觉领域数十亿级数据集上训练的生成模型取得了令人印象深刻的性能。在此，我们提出了 DiffKT3D，这是一个统一的 Any2Any 3D 扩散框架，它利用预训练视频扩散模型的先验知识来进行有效且具有临床意义的剂量预测。为了实现跨多种临床模式（CT、解剖结构、身体、波束设置等）的灵活调节，我们引入了 Any2Any 条件范例，利用特定于模式的嵌入而无需交叉注意开销。此外，我们设计了一种新颖的强化学习（RL）后训练 机制，该机制由临床知情的记分卡引导，明确适合机构治疗偏好。与 GDP-HMM 挑战赛的获胜者相比，DiffKT3D 通过将体素级 MAE 从 2.07 降低至 1.93，在剂量预测方面树立了新的最先进水平。此外，DiffKT3D 实现了卓越的图像质量和偏好匹配。这些结果表明，通过模态感知调节和临床对齐的 RL 后训练 转移扩散先验可以为跨各种临床场景的 RT 规划提供强大且通用的解决方案。