下载文档原格式
全国医用设备资格考试直线加速器（LA）物理师专业考试大纲（含伽玛刀物理师部分）2008年版）中华人民共和国卫生部人才交流服务中心说明为更好地贯彻落实《大型医用设备管理办法》（卫规财发[2004]474号文）精神，中华医学会和卫生部人才交流服务中心自2004年开始分别组织对全国医用设备使用人员进行培训和专业技术知识统一考试。
为使应试者了解考试范围，卫生部人才交流服务中心组织有关专家编写了《全国医用设备资格考试大纲》，作为应试者备考的依据。
考试大纲中用黑线标出的为重点内容，命题以考试大纲的重点内容为主。
全国医用设备资格考试直线加速器（LA）物理师专业考试大纲（含伽玛刀物理师部分）直线加速器（LA）物理师部分第一章放射物理基础1.1介绍基本物理常数重要推导物理常数物理量和单位四种基本作用力基本粒子韭电离辐射和电离辐射光子致电离辐射质能关系辐射量和单位1.2原子与原子核结构原子结构组成和特性卢瑟福原子模型玻尔氢原子模型及四个假定玻尔氢原子模型能级结构多电子原子壳层模型核结构核反应放射性放射性活度放射性衰变衰变常数半衰期比放射性活度平均寿命递次衰变核素活化放射性衰变方式及特点1.3电子相互作用电子与轨道电子相互作用电子与原子核相互作用阻止本领总质量能量阻止本领质量阻止本领质量碰撞阻止本领质量辐射阻止本领限制性阻止本领质量散射本领传能线密度1.4光子相互作用间接电离光子辐射光子束衰减性质半价层十分之一价层线性衰减系数质量衰减系数原子和电子衰减系数能量转移系数能量吸收系数光子相互作用类型光电效应相干（瑞利）散射康普顿效应对效应光致核反应各种效应的相对优势第二章剂量学原则，量和单位2.2光子注量和能量注量粒子注量能量注量粒子注量率能量注量率粒子注量谱能量注量谱；2.3比释动能比释动能2.4CEMACema2.5吸收剂量吸收剂量2.6阻止本领阻止本领阻止本领比线性阻止本领质量阻止本领非限制性质量碰撞阻止本领限制性质量碰撞阻止本领软性碰撞硬性碰撞2.7不同剂量学量间的关系能量注量和比释动能的关系碰撞比释动能辐射比释动能总比释动能注量和吸收剂量的关系比释动能和吸收剂量的关系碰撞比释动能和照射量的关系2.8空腔理论Bragg-Gray空腔理论Spencer—Attix空腔理论Burlin空腔理论第三章辐射剂量计3.1介绍辐射剂量计及剂量测量3.2剂量计的特点准确度精确度不确定度测量误差A类标准不确定度B类标准不确定度、合成不确定度展伸不确定度剂量响应线性剂量率的依赖性能量依赖性方向依赖性空间分辨率和物理尺寸数据读出的方便性使用的方便性3.3电离室剂量测定系统电离室辐射束校准电离室的基本结构及特性静电计圆柱形电离室平行板电离室近距离治疗电离室（井形电离室或凹形电离室）外推电离室3.4胶片剂量计透明度光学密度剂量-0D曲线胶片的gamma宽容度感光度、辐射显色胶片3.5发光剂量计发光现象光致发光空穴储存陷阱复合中心热释光剂量计工作原理光致荧光剂量测量系统3.6半导体剂量计硅半导体剂量测量系统MOSFET剂量测量系统3.7其它剂量测量系统丙胺酸/电子顺磁共振剂量测量系统塑料闪烁体剂量测量系统金刚石剂量计凝胶剂量测量系统3.8一级标准一级标准空气比释动能的一级标准水吸收剂量的一级标准水量热计离子浓度测量标准化学剂量测定标准Fricke剂量计辐射化学产额量热法标准石墨量热计3.9常用剂量测定系统的总结四种常用剂量计系统的主要优点与缺点第四章辐射监测仪器4.1介绍外照射检测辐射监测的范围4.2辐射监测中用到的量环境剂量当量定向剂量当量个人剂量当量4.3场所辐射测量仪气体探测器的离子电压收集曲线电离室正比计数器中子测量仪GM计数器闪烁探测器半导体探测器的特点场所检测仪的一般特性场所监测计量仪校准的方法和步骤场所监测计量仪的灵敏度能量依赖性方向依赖性剂量当量范围响应时间过载特性长期稳定性区别辐射类型的能力不确定度4.4个人剂量监测个人胶片剂量计热释光剂量计放射光致发光玻璃系统光释光系统和直读式个人剂量计的特点个人剂量计的校准方法和步骤个人剂量计的特性能量依赖性不确定度当量剂量范围方向依赖性区别不同辐射类型的能力第五章体外照射放射治疗设备5.1体外放疗设备简介外照射放射治疗设备发展历史5.2X射线束与X射线机临床使用的X射线束能量范围X射线束的产生X射线的组成5.2.1特征X射线特征辐射荧光产额特征X射线能谱5.2.2轫致辐射X射线轫致辐射轫致辐射X射线能谱5.2.3X射线靶薄靶厚靶浅层X射线深部X射线兆伏级X射线5.2.4临床X射线束临床X射线能谱X射线束成分入射电子与产生的光子方向5.2.5X射线质的描述半价层标称加速电压有效能量5.2.6放射治疗机X射线放射治疗X线机组成5.3伽玛射线束和伽玛射线单位5.3.1伽玛射线的基本特性外照射放射治疗用同位素特性比活度空气比释动能率远距离外照射放射治疗的Y 辐射源5.3.2远距离治疗机远距离治疗机定义远距离治疗机的组成5.3.3远距离治疗辐射源常用辐射源强度、半衰期、射线能量5.3.4远距离治疗辐射源容器（治疗头）治疗头结构辐射源驱动辐射源容器防护要求5.3.5远距离治疗照射剂量计时器与剂量关系照射时间的计算5.3.6准直器与半影照射野范围几何半影与辐射源结构关系5.4粒子加速装置粒子加速的基本条件粒子加速装置分类各种加速器结构与原理5.5电子直线加速器工作原理发展和更代安全性要求现代电子直线加速器组成各分系统结构、工作原理与要求临床光子射线与电子射线的产生射线束准直系统剂量监测系统5.6粒子（质子、中子与重离子）放射治疗质子、中子与重离子的产生粒子治疗的优势5.7外照射放射治疗的防护屏蔽射线类型与屏蔽材料5.860钴远距离治疗机与电子直线加速器比较60钴远距离治疗机特点现代电子直线加速器特点5.9模拟机与CT模拟机模拟定位的作用模拟定位的主要步骤5.9.1放射治疗模拟定位机模拟机的组成与结构要求现代模拟机功能要求5.9.10CT模拟机CT模拟机系统组成DRRBEVDCRCT模拟机与模拟机比较5.10放射治疗设备的培训要求设备培训应包括的重要内容第六章外照射光子射线：物理方面6.1介绍产生治疗光子射线的主要来源6.2描述光子的物理量光子的通量和通量率，能量通量和通量率，空气中的比释动能和照射量6.3光子射线源单能光子线的半价层6.4平方反比定律平方反比定律6.5入射到体模或病人的光子射线表面剂量，建成区，最大剂量深度，出射剂量6.6放射治疗参数射野面积/周长比，准直器因子，峰值散射因子，相对剂量因子6.7水中的中心轴深度剂量：源皮距摆位百分深度剂量，散射函数6.8水中的中心轴百分深度剂量：源轴距摆位组织空气比，组织空气比和百分深度剂量之间的关系，空气散射比，组织体模比和组织最大比，组织体模比和百分深度剂量之间的关系，散射最大比6.9离轴比和射线的等剂量曲线射野剂量曲线的区域定义，散射半影，穿透半影，几何半影和物理半影，射野平坦度和对称性6.10水体模中的等剂量分布水体模中的等剂量分布的特点6.11病人的单野剂量分布病人体内的等剂量分布的修正法则，不规则轮廓和斜入射的剂量校正方法,楔形板的作用，楔形角，楔形因子，使用补偿器的作用和影响，组织填充物（Blous）的作用和影响，不均匀组织对剂量的影响和几种经验修正方法6.12克拉森积分克拉森积分的基本原理6.13指形电离室测量相对剂量光子射线表面剂量、建成区剂量和最大剂量深度后的剂量测量方法，影响电离室剂量测量的主要因素，6.14单野照射的剂量传输单野照射的剂量跳数的计算6.16端效应端效应的计算第七章光子射线外照射放射治疗的临床治疗计划7.2体积的定义三维治疗计划需要定义的主要的靶区体积，肿瘤区，临床靶区，内靶区、计划靶区和危及器官7.3剂量规范靶区最小剂量，靶区最大剂量，靶区平均剂量，剂量参考点（剂量规定点）和位置建议7.4病人数据的获取和模拟需要的病人数据，二维治疗计划，三维治疗计划，治疗模拟的任务，CT模拟和常规模拟机，病人的体位固定方式和作用，照射野几何参数的确定，病人单层或数层层面的获取方式，基于病人数据获取的CT扫描和虚拟模拟，数字重建的射野影像，射野方向观，CT模拟的具体过程，CT模拟和常规模拟的差别，用于治疗计划的核磁共振影像，7.5光子射线临床应用的思考等剂量线，楔形板的类别和作用，楔形因子的定义，补偿膜的的作用，补偿器厚度的计算,人体曲面修正的方法，不均匀组织的修正方法，多野照射技术的临床应用，旋转照射技术，射野衔接技术，7.6计划评估等剂量线的评估，剂量统计，剂量一体积直方图，射野胶片和在线射野影像7.7治疗时间和跳数的计算源皮距摆位技术的治疗时间和跳数计算，等中心照射技术的治疗跳数和时间的计算，剂量分布的归一方法，包含在剂量分布中的输出参数,X射线机和钻-60治疗机治疗时间的计算第八章电子束:物理和临床方面8.1中心轴深度剂量曲线深度剂量曲线、电子与物质的相互作用反平方定律（虚源位置）高能电子束射野剂量学建成区（表面剂量到最大剂量之间的深度）不同能量电子束的百分深度剂量曲线8.2电子束剂量学参数电子线能量说明不同深度的剂量参数百分深度剂量照射野对百分深度剂量的影响斜入射电子束百分深度剂量输出因素R90治疗范围Profiles和离轴比平坦度和对称性8.3电子束治疗的临床应用剂量说明和报告小射野选择等剂量曲线射野形状低熔点铅档不规则表面修正填充物不均性修正电子束射野衔接电子束弧形照射电子束治疗计划第九章光子和电子束的剂量校准9.1前言量热法化学剂量计电离室计量计石墨量热计密封水量热计弗瑞克剂量计参考剂量计医用射线束的校准与测量9.2电离室剂量学系统电离室的构成电离室基本原理指形电离室平行板电离室模体材料水等效9.3影响电离室剂量校准的参数电离室的方向性电离室的饱和效应电离室的漏电流电离室的杆效应电离室的复合效应电离室的极化效应气压温度修正9.4使用校准电离室测量吸收剂量电离室吸收剂量测量规程基于空气比释动能的校准系数的规程基于水中吸收剂量的校准系数的规程9.5阻止本领率电子阻止本领率光子阻止本领率9.6质能吸收系数率质能吸收系数率9.7扰动校准因子扰动校准因子有效测量点电离室壁的扰动因子中心电极的扰动因子9.8射线质的描述低能X线，中低能X线，高能（MV级）X线，高能电子束辐射质9.9高能光子和电子束的剂量校准高能X线吸收剂量校准高能电子束吸收剂量校准IAEATRS277报告IAEATRS398报告9.10中低能X射线吸收剂量校准中低能X射线吸收剂量校准9.11电离室测量偏差和不确定性分析不确定性分类校准过程的不确定性第十章验收测试和临床测试10.1 简介放疗设备使用前测试项目10.2 测量设备 辐射环境检测仪，离子计型剂量测定设备，胶片，半导体，模体（辐射野分析器和固体水模体）10.3 验收测试 安全检查（联锁、警告信号灯和病人监护设备；辐射防护探测准直器和头漏射）机械检查准直轴的旋转轴，灯光与射野的一致性，臂架的旋转，治疗床的旋转，等中心旋转，光距尺，臂架角度，准直器大小指示，治疗床的运动）剂量测量光子射野（能量,射野平坦度和射野对称性,半影）,电子射野（能量,电子线污染，均匀性，半影）,剂量刻度，弧度治疗10.4 临床测试光子射野测量：中心轴PDD ,输出因子，挡块托盘因子，多叶准直器，中心轴楔形野穿透因子，动态楔形板，离轴比曲线/离轴能量改变，入射剂量和界面剂量学，虚源位置电子射野测量：中心轴PDD ,输出因子，离轴比曲线，虚源位 临床测试需要的时间第十一章光子射线外照射计算机治疗计划系统11.1 治疗计划系统的硬件TPS 基本硬件组成11.2 治疗计划系统的配置11.3 系统软件和计算算法计算算法：算法的发展，分析模型法，MilanBentley 模型，Clarkson 积分法,卷积方式，蒙特卡罗或随机取样方法，笔形束算法射野修饰的影响：光子束修饰器（光栏，挡块，补偿器，MLC ,楔形板）和电子束修饰器邙限光筒，挡块,bolus 等）组织不均匀修正，图像显示（BEV 、REV 、DRR 、DCR ）和剂量体积直方图（积分DVH 、微分DVH 、naturalDVH ）,优化和MU 计算，记录与验证系统，生物模型 11.4 数据获取与输入治疗机数据（机械运动与限制、楔形板的限制、MLC 、物理补偿的材料、电子窗），射野数据获得和输入，病人数据（影像、输入方式、CT 值转换）11.5 临床验证与质量保证错误，验证，抽样调查，归一化和射野权重的选择，剂量体积直方图与优化，培训和归档，定期的质量保证，需注意的特殊技术置10.5第十二章放射治疗的质量保证12.1前言定义放射治疗的质量保证要求精确放射治疗的需求放射治疗事故12.2质量保证管理指标12.3放射治疗设备的质量保证钴-60治疗机的质量保证质量控制指标医用加速器的质量保证指标模拟定位机的质量保证指标CT扫描和CT模拟的质量保证指标治疗计划系统的质量保证质量控制指标12.4治疗实施病历射野成像射野成像技术未来射野影像的发展12.5质量核查定义实际的质量审核样式放射剂量测量比对在哪一方面质量核查随访应该仔细检查第十三章近距离治疗物理和临床特点13.1前言近距离治疗的方式近距离治疗的分类近距离治疗的特点13.2光子放射源特点临床要求光子放射源的物理特性放射源的机械特性参考空气比释动能率空气比释动能强度显活度毫克镭当量0射线源参考吸收剂量率13.3临床应用和剂量学系统13.3.1妇科肿瘤腔内近距离治疗放射源的类型曼彻斯特系统ICRU系统直肠和膀胱的剂量监测13.3.2组织间近距离治疗剂量学系统Patterson-Parker（Manchester）系统Quimby（Memorial）系统巴黎系统巴黎系统设置放射源规则巴黎系统标称（参考）剂量率巴黎系统基准剂量率13.3.3远距离后装治疗系统远距离后装治疗装置的优点远距离后装治疗系统的基本部件远距离后装治疗装置常用的放射源远距离后装治疗装置类型及特点13.3.4前列腺的永久性植入治疗前列腺植入治疗的放射源治疗计划技术预计划籽粒植入剂量分布植入后的剂量评估13.3.5眼敷贴器眼敷贴器治疗技术13.3.6血管内照射血管内照射技术13.4剂量定义和报告腔内治疗组织间治疗13.5放射源周围剂量分布剂量率常数几何因子径向剂量函数各向异性函数Meisberger多项式Sievert积分13.6剂量计算过程和方法剂量的手工累加方法放射源的定位剂量分布的优化参考点的选择衰减校正13.7近距离治疗计算机治疗计划系统的临床应用测试重建过程的检测物理量和单位一致性检测单一放射源计算机与手工剂量计算衰减校正的检测13.8放射源的临床应用测试接触检测活度的自动放射影像和均匀性检测校准链13.9质量保证第十四章基础放射生物学14.1前言放射生物学细胞体细胞胚细胞细胞分裂体细胞的分类组织器官器官系统14.2放射生物学中辐射的类型线性能量传递(LET)照射中常用的典型LET值低LET辐射(稀疏电离辐射)高LET 辐射(致密电离辐射)14.3细胞周期和细胞死亡有丝分裂期(M)DNA合成期(S)G］和G2期细胞周期时间细胞死亡14.4细胞的照射辐射的生物效应辐射对细胞损伤的直接作用辐射对细胞损伤的间接作用受照射细胞的命运14.5辐射损伤的类型放射的早期效应放射的晚期效应致死损伤亚致死损伤潜在致死损伤躯体效应遗传效应随机效应注定（非随机）效应急性效应晚期效应全身照射反应胎儿的辐射14.6细胞存活曲线细胞存活曲线线性二次模型a/B比值多靶单击模型14.7剂量效应曲线剂量效应曲线早反应组织晚反应组织14.8组织放射损伤的测量克隆形成分析功能分析死亡率分析14.9正常和肿瘤细胞：治疗比肿瘤控制概率（TCP）正常组织并发症概率（NTCP）治疗比14.10氧效应氧增强比（OER）再氧合14.11相对生物效应相对生物效应（RBE）RBE变化特点14.12剂量率和分次放射治疗中使用的剂量率5个主要生物学因素（5Rs）常规分割以增进治疗比为目的分次方案14.13放射防护剂和放射增敏剂放射防护剂剂量修饰因子（DMF）放射增敏剂含硼化合物第十五章放射治疗特殊技术与方法15.1概述熟悉临床各种放射治疗技术。
遗传算法应用遗传算法是一种模拟自然进化过程的优化算法，通过模拟基因的遗传、交叉和变异等操作来搜索最优解，在各个领域都有广泛的应用。
本文将探讨遗传算法在以下三个领域的具体应用：优化问题、机器学习和组合优化。
一、优化问题遗传算法在解决各种优化问题中发挥了重要作用。
例如，在工程设计中，我们经常需要确定最优的参数配置以满足一定的约束条件。
通过将参数编码成染色体，并利用交叉和变异等操作，遗传算法可以搜索到最优的参数组合，从而达到最优化的目标。
此外，遗传算法还可以用于解决旅行商问题、背包问题等经典的组合优化问题。
通过将问题抽象成染色体和适应度函数，遗传算法可以在搜索空间中快速找到最优解，显著提高问题求解的效率和准确性。
二、机器学习遗传算法在机器学习领域也得到了广泛应用。
机器学习算法的目标通常是通过学习样本数据来构建模型，并用于预测和分类等任务。
在传统的机器学习方法中，参数的选择通常是由人工经验或者网格搜索等方式确定的。
而遗传算法可以通过自动优化参数配置，减少人工干预的程度。
例如，在神经网络的训练中，遗传算法可以用于确定网络的结构、激活函数的选择以及超参数的设置等。
通过遗传算法优化神经网络的参数，可以提高网络的性能和泛化能力。
三、组合优化组合优化问题是指在给定一组元素或者对象的情况下，找到最佳的组合方式以使得某个目标函数达到最优。
在实际应用中，组合优化问题广泛存在于物流调度、电力系统优化等领域。
遗传算法在组合优化问题中具有独特的优势。
通过将优化问题抽象成染色体编码和适应度函数，遗传算法可以在大规模的搜索空间中搜索到全局最优解。
同时，遗传算法还可以通过群体的进化来提高搜索的效率，并避免陷入局部最优解的问题。
总结：遗传算法作为一种优化算法，在不同领域均有着广泛的应用。
通过模拟基因的遗传操作，遗传算法可以在优化问题、机器学习和组合优化等领域中找到最优解。
其优势在于可以处理大规模的搜索空间，并且不容易陷入局部最优解。
基于改进GA-SVM的智能推荐诊断挂号算法陈俊梅;周晋阳;张慧英【摘要】An intelligent-recommendation diagnosis registration algorithm was designed to improve the efficiency of medical treatment. The intelligent medical system performs training and machine learning for a large number of historical medical record texts,and classifies and recommends the appropriate medical departments for patients according to the patient characteristics. The genetic algorithm(GA)is combined with support vector machine to extract the characteristic value and optimize the parame-ter. The kernel function parameters and text characteristic values are taken as the chromosomes of the genetic algorithm to exe-cute the selection,crossover and mutation operations. To improve the efficiency of GA,and avoid trapping in local optimum, the mechanism combining weighted depth-first search with roulette is used in the group initialization stage with GA to guarantee the population diversity,and performs with adaptive optimization to the crossover probability and mutation probability,which can realize the global search while reserving the useful genetic information. The experiment results show that the algorithm can improve the classification accuracy while reducing the quantity of characteristic values.%为提高患者就医效率设计了一套智能推荐诊断挂号算法,对大量的历史病案文本进行训练和机器学习,以患者特征为依据进行分类并推荐相应的科室.使用遗传算法与支持向量机结合进行特征值提取和参数优化,以核函数参数和文本特征值作为遗传算法的染色体执行选择、交叉和变异操作,为提高遗传算法效率并避免陷入局部最优值,在遗传算法初始化群体阶段使用加权深度优先搜索和轮盘赌结合的机制以保证种群多样性,并对交叉概率和变异概率进行自适应优化,在保留有用遗传信息的同时实现全局搜索.实验结果表明,该算法在有效降低特征值数目的同时提高了分类精度.【期刊名称】《现代电子技术》【年(卷),期】2017(040)011【总页数】4页(P115-118)【关键词】改进遗传算法;支持向量机;智能医疗系统;智能推荐诊断挂号算法【作者】陈俊梅;周晋阳;张慧英【作者单位】长治医学院生物医学工程系,山西长治 046000;长治医学院生物医学工程系,山西长治 046000;长治医学院基础医学部,山西长治 046000【正文语种】中文【中图分类】TN911-34现代医学分工精细化为门诊患者自助挂号带来了一定的困扰，患者及其家人因缺乏专业基础知识而且选择主观性大，易出现挂号时因科室较多难于选择而费时低效，甚至存在挂错科室的现象，给患者和医院都带来了不便，这是医疗办提高自助挂号准确率的主要原因。
遗传算法在人工智能中的优化问题解决策略人工智能领域中的优化问题一直是研究的重点之一。
为了解决这些复杂的问题，研究者们提出了各种各样的优化算法。
其中，遗传算法是一种基于生物进化理论的优化算法，被广泛应用于人工智能领域。
遗传算法的独特性质使其在解决优化问题方面显示出了很大的潜力。
遗传算法的基本原理是通过模拟自然界中的遗传和进化机制来解决问题。
在遗传算法中，问题的解被编码为一个个体的染色体，其基因表示问题的解空间。
遗传算法通过对这些个体进行遗传操作，如选择、交叉和变异，来搜索问题的最优解。
通过迭代和进化过程，遗传算法不断优化当前种群中的个体，并逐渐趋向全局最优解。
相较于传统的优化算法，遗传算法具有以下几个优势：首先，遗传算法能够处理复杂的优化问题。
由于优化问题的解空间通常非常庞大，传统的优化算法在搜索难度较大的优化问题时表现欠佳。
而遗传算法采用多个个体并行搜索的方式，能够更好地发现问题的全局最优解。
其次，遗传算法不容易陷入局部最优解。
传统优化算法常常会受到初始解的影响，导致搜索陷入局部最优解无法跳出。
而遗传算法通过引入随机性和多样性，可以同时搜索多个解，从而避免陷入局部最优解。
此外，遗传算法对问题的描述和处理能力非常强。
通过合理的编码方式和适应度函数的设计，可以将各种类型的问题映射到染色体上，并对其进行搜索和优化。
这种通用性使得遗传算法在不同领域的人工智能问题中得到广泛应用。
在实际应用中，遗传算法已经成功解决了许多人工智能领域的优化问题。
例如，在机器学习中，遗传算法被用于优化神经网络的结构和参数，以提高分类和预测的准确度。
在智能优化中，遗传算法常被应用于求解函数最优化问题，如参数优化、组合优化等。
在计划和调度问题中，遗传算法也能够帮助找到最优的调度方案和路径规划。
然而，遗传算法也存在一些局限性和挑战。
首先，遗传算法的计算成本较高，特别是在解空间较大的情况下，需要大量的计算资源和时间。
其次，遗传算法的结果受到参数设置的影响，需要经过一定的调优才能发挥最佳效果。
附件:全国伽玛射线头部立体定向放射外科治疗系统配置规划伽玛射线头部立体定向放射外科治疗系统（简称头部伽玛刀），是一种融立体定向技术和放射外科技术于一体，以治疗颅脑疾病为主的大型设备，具有不开颅、损伤小的优点。
该设备价格昂贵，应用技术要求高。
为合理配置和有效利用头部伽玛刀，避免医疗机构盲目引进，维护患者合法权益，根据卫生部、国家发展和改革委员会、财政部《大型医用设备配置与使用管理办法》（卫规财发[2004]474 号）规定，制定本规划。
一、规划原则与目标以科学发展观为指导，依据区域卫生规划的要求，按照控制总量、合理布局、严格准入、有效使用的原则，制定本规划，以合理配置头部伽玛刀，避免重复配置和低效配置，使有限的卫生资源发挥最大的效益。
二、配置数量配置头部伽玛刀以省级区域为规划单位，综合考虑适应症、发病率、人口、区域经济社会发展水平、卫生资源总量等因素，合理确定各地配置数量。
2007〜2010年全国头部伽玛刀配置总量控制在60台以内，其中，2007－2008年控制在50 台以内。
具体测算公式：全国配置总量二艺31省区市配置数量各省区市配置数量二（人口数x发病率x适合头部伽玛刀治疗的病人比例X选择头部伽玛刀治疗的病人比例）+头部伽玛刀年标准工作量X 经济调整系数X卫生资源调整系数经济调整系数二各省区市人均GD片全国人均GDP卫生资源调整系数二各省区市每千人口床位数+全国每千人口床位数三、准入标准医疗机构申请配置头部伽玛刀应符合以下规定：1 、三级甲等医院或神经外科专科医院或肿瘤专科医院。
综合医院住院床位数在600张以上，日门急诊工作量不少于 1 600人次，内、外科处于所在区域领先水平，神经外科床位数在50 张以上；神经外科专科医院住院床位数在200 张以上；肿瘤专科医院头部肿瘤外科住院床位数在40 张以上。
2、设置神经外科或头部肿瘤外科，成立时间3 年以上，具备治疗各种颅脑肿瘤、脑血管疾病，及其他神经系统疾病的能力，年手术量不少于 1 000人次；具备较高水平的教学、科研能力。
遗传算法的改进及其在优化问题中的应用作者：张梦阳来源：《数码设计》2017年第09期摘要：文章针对于基于陆军分队级作战 CGF 的WTA 问题，对 WTA 基础模型进行改进，建立基于陆军分队级作战的 WTA 模型，应用遗传算法对WTA 问题的解决方法进行具体设计，以为 CGF 的决策和规划提供支持。
关键词：遗传算法；改进；WTA中图分类号：TP18文献标识码：A文章编号：1672-9129（2017）09-257-02Abstract： Aiming at the problems in the WTA army unit level operation based on CGF， based on WTA model is improved， the establishment of WTA Model ArmyunitleveloperationbasedonthesolutionofapplicationofgeneticalgorithmtotheWTAproblemforthesp ecificdesign，toprovidesupportforthedeci- sion-making and planning CGF.Key words： genetic algorithm； improvement； WTA基于陆军分队级计算机生成兵力（ComputerGeneratedForces，CGF）的武器——目标分配问题（WTA，WeaponTargetAssignment）是人类认知行为建模在作战仿真领域的具体应用。
WTA 问题是一个多参数、多约束 NP 完全问题。
从是否考虑时间因素的角度，WTA问题的模型研究可分为静态WTA 模型与动态WTA 模型研究。
本文主要研究静态WTA 问题。
1 WTA 模型建立1.1 基本模型的不足与改进静态的WTA 基础模型如公式（1）所示。
其中，M为武器平台种类，N为目标数量，W 是目标威胁值，p是武器对目标的打击概率矩阵，x为武器目标分配矩阵，F（x）为优化目标，表示武器对目标威胁的打击效果，F（x）越大，表示打击效果越好。
Matlab技术在遗传算法优化中的应用指南遗传算法是一种模拟生物进化的优化算法，它通过模拟进化的过程来寻找问题的最优解。
近年来，随着计算机技术的不断发展和Matlab软件的广泛应用，遗传算法在工程和科学领域的应用越来越广泛。
本文将介绍如何利用Matlab技术在遗传算法优化中取得更好的效果。
一、遗传算法概述遗传算法是一种模拟自然界进化过程的优化算法。
其基本思想是通过模拟生物遗传、突变和选择等过程，不断改进解的质量，逐步逼近最优解。
在遗传算法中，解被表示为染色体，染色体由若干个基因组成。
每个基因代表问题的一个自变量或参数。
遗传算法通过种群中个体间的交叉、突变和选择等操作，模拟出基因在自然界中的交换和变异，最终得到能够适应环境的个体。
二、Matlab中的遗传算法工具箱Matlab提供了全面的遗传算法工具箱，包含了丰富的函数和算法，使得用户能够方便地使用和实现遗传算法。
下面将介绍Matlab中一些常用的遗传算法函数和工具。
1. ga函数ga函数是Matlab中最基本的遗传算法函数，它实现了标准的遗传算法框架。
用户可以通过设置参数，如目标函数、变量范围、种群大小、迭代次数等来调用ga函数进行优化。
2. Genome类Genome类是Matlab中用于描述染色体的一个重要类。
通过设置基因和适应度函数等属性，可以方便地定义问题的解空间和优化目标。
3. 优化工具Matlab的优化工具箱中提供了多种遗传算法优化函数，如gamultiobj、paretosearch等。
这些函数用于多目标优化问题，能够得到问题的各种最优解。
三、遗传算法的应用遗传算法在各个领域的应用越来越广泛，包括机器学习、控制算法设计、电力系统优化等。
下面将举几个具体的例子来说明遗传算法在工程领域的应用。
1. 机器学习遗传算法可以用于优化神经网络的结构和权重。
通过调整网络的连接和节点数，以及不同的激活函数和损失函数，可以得到更好的机器学习模型。
2. 控制算法设计在控制系统设计中，遗传算法可以用于调整控制器的参数，使得系统的性能指标达到最优。
肿瘤放射治疗计划优化的方法和技巧肿瘤放射治疗是一种常用的肿瘤治疗方法，通过利用高能射线杀灭或抑制肿瘤细胞的生长来达到治疗的目的。
然而，放射治疗的效果往往受到多种因素的影响，如肿瘤形态、位置、生物学特性以及周围组织的受损程度等。
为了提高治疗效果和减少副作用，放射治疗计划的优化显得尤为重要。
本文将介绍几种常用的肿瘤放射治疗计划优化的方法和技巧。
首先，精确的肿瘤定位和轮廓划分是放射治疗计划优化的基础。
精确的肿瘤定位可以通过多种影像学技术进行，包括CT、MRI和PET等。
这些技术可以提供三维的肿瘤信息，帮助放射治疗医师了解肿瘤的大小、形态和位置，并对治疗区域进行准确的划定。
此外，还需要对周围正常组织进行保护，减少其受到辐射的损伤。
其次，在放射治疗计划中，剂量分布的均匀性和致伤效应的最大化是关键的优化目标。
传统的放射治疗计划通常采用均匀剂量的分布，但这种方式可能导致剂量在肿瘤和周围正常组织之间的过度叠加或不足。
为了达到更好的治疗效果，可以使用现代放射治疗技术，如强度调控放射治疗（IMRT）和调强弧形放疗（VMAT）。
这些技术可以根据肿瘤和正常组织的特征进行剂量的调整，使副作用最小化，同时确保肿瘤区域受到足够的辐射。
第三，良好的治疗计划必须考虑到肿瘤的生物学特性。
肿瘤的生物学特性会影响其对放射治疗的敏感性，因此在制定治疗计划时需要考虑到这一因素。
例如，一些肿瘤对辐射比较敏感，可以采用加强模式放射治疗（SBRT）等高剂量放疗技术进行治疗，而一些肿瘤则需要较长的治疗周期。
因此，了解肿瘤的生物学特性对于优化治疗计划至关重要。
此外，还可以利用数学优化方法来进一步优化放射治疗计划。
数学优化方法是一种能够通过最小化或最大化目标函数来求解优化问题的数学工具。
在放射治疗计划中，可以使用数学优化方法来优化剂量分布、治疗机器的参数设置以及治疗时间等。
例如，可以使用线性规划、整数规划和遗传算法等方法来解决剂量分布的优化问题，以实现最佳的治疗效果。
遗传算法基于优化的方法伽玛刀单位治疗计划系统1.这个问题的重述立体定向放射外科治疗提供了单个高剂量电离辐射对如果没有提供类似浸润明确、小颅内3D 脑肿瘤任何相当一部分的订明剂量向周围的脑组织。
三分之一个经常使用模式是伽马刀单位。
伽马刀单位提供了单高剂量的电离辐射所产生的201 钴60 单位通过重头盔的来源。
所有201 梁同时交于下半，导致球（大约）在有效剂量分布剂量水平。
辐照下半交付剂量称为一个"镜头"。
镜头可以表示为不同领域。
具有四个可互换外准直器头盔4、8、14、18 毫米的梁通道直径可供辐照不同卷的大小。
对于目标卷大于一枪，多个镜头可以使用到覆盖整个目标。
通过合并多个镜头的辐射，治疗方案可以自定义处理不同的尺寸和形状的病变。
在实践中，大多数的目标卷被治疗1 至15 枪。
伽马刀治疗计划是按传统方法制作使用手册迭代的方法。
在每次迭代计划者尝试确定：（1）数拍摄，（2）的镜头的大小、(3) 拍摄的地点和(4) 拍摄暴露时间(重量)，将会充分涵盖的目标和备件的关键结构。
对于大型或不规则形状的待遇卷，这一过程变得相当单调和耗时。
也往往生产计划的质量取决于两个耐心和用户的体验。
因此，有许多研究人员例如，学习技术的自动化伽马刀治疗规划过程，[1，2]。
已经过测试的算法包括退火[3、4]，和混合整数规划与非线性规划[5-8] 等。
在处理规划问题，目标是提供齐（统一）剂量的同时（通常称为目标）的肿瘤区域辐射避免不必要的损害周围的组织和器官。
一种方法近似于每个辐射拍摄作为一个球体[9]，从而减少问题之一几何的覆盖范围。
然后，可以用一个球体包装方法[10] 来确定子弹的位置和大小。
在此文件中，考虑到物理限制，生物的不确定性涉及伽马刀治疗过程中，我们也会制定最佳的治疗规划作为一球填料的伽马刀单位问题，并提出合理的算法，以找到一个解决办法。
假设占所有物理限制和生物不明朗因素参与伽马刀治疗过程中，我们进行几个假设如下：A1目标的形状不是太不规则，且该目标卷界。
作为一个经验法则，要处理的目标应在所有小于 3.5 厘米尺寸。
它的三维(3D) 数码图像，通常由组成的数以百万计的点，可以索取CT 或MRI。
A2考虑为3D 网格点的目标卷上，我们将划分成此网格两个子集，和目标，点的子集，分别称为T 和N。
A3梁通道直径四个可互换外准直器头盔w = {4、8、14、18} 毫米可供辐照大小不同的卷。
我们使用（x s、y s、z s) 来表示的镜头、t s、w 的中心位置的坐标来表示(重量) 的时间每个镜头暴露。
交付的总剂量是线性功能的t s、w。
对于目标卷大于一枪，可以是多个镜头用于支付整个目标。
在伽马刀案例中，有的绑定号，n，拍摄。
典型的n 值的范围是：1 ≤n ≤15。
（1）（A4）神经外科医师通常使用剂量曲线作为判断的手段质量的一种治疗计划，并且可能会想要强加一项要求，整个目标包围剂量线x %，即30 ~ 70%。
在我们的模型中，我们将会使用剂量线路的50%，这意味着，一个50%线必须的约束环绕着目标。
（A5）剂量云是作为一个球对称分布的近似平均沿x、y 和z 轴上的配置文件。
其他效果将被忽略的以下优化配方。
(A6)存放在目标和重要器官的总剂量应超过一小部分，P，提供的一项计划的总剂量。
通常情况下，我们选择的值P：25% ≤ P ≤ 40% .3 优化模型3.1 分析问题放射外科治疗的目标是要消耗肿瘤细胞同时保持正常结构。
一般情况下，最佳的治疗计划旨在满足以下要求：(R1)匹配指定的剂量轮廓到目标卷。
( R2)匹配指定的剂量卷约束的目标和重要器官。
( R3)约束到指定正常组织点下方耐受剂量的剂量。
( R4)尽量减少对正常组织或器官的整个卷的积分剂量。
（R5）目标卷跨减少剂量渐变。
(R6)最小化到关键卷的最大剂量。
此外，我们有以下约束：(C1)禁止拍摄突出以外的目标。
(C2)从重叠（以避免热点）禁止拍摄。
(C3)涵盖尽可能多的有效剂量的目标卷。
但在至少90%的目标卷必须覆盖拍摄。
(C4)尽可能使用尽可能少的镜头。
为了满足上述要求和约束，我们可以制订作为一个球体包装问题的伽马刀单位规划的最佳治疗。
"优化是在两个步骤中执行的。
第一，对于球包装问题，基于几何特征的启发式算法被用来制造拍摄的合理的配置数量、大小和位置。
下一步，一种基于剂量的优化用于生产最后的治疗方案。
3.2基于几何特征的启发式算法的球体包装问题基于几何特征的启发式算法被为了迅速生成一个合理配置的子弹的数量、大小和位置。
在我们基于几何特征的启发式算法，每个镜头的辐射是作为一个球体和中轴变换，称为建模"骨架"，在目标卷用于指导的拍摄位置。
"骨架经常使用的形状分析和其他相关领域[11-13]。
在我们情况下，我们将只使用骨架可以快速找到好位置的镜头。
我们基于几何特征的启发式算法是分三个阶段。
首先，我们生成骨骼使用3D 的骨架算法。
然后，我们将放枪并选择沿其大小骨骼能够最大限度地衡量我们的目标。
这一过程是通过遗传算法（GA）-基于镜头的放置方法。
聚焦头盔的次数后要包含在治疗计划中，规划产生可能的列表头盔的组合和拍摄用于基于剂量的建议的数第3.3 条所述的优化。
3.2.2 遗传算法基于镜头的放置在镜头的放置算法，我们限制我们注意到骨骼上的点。
我们的方法是搜索一个好位置要放一枪的所有点的点骨架。
我们从一种特殊类型的骨架点，一个终结点，可帮助启动确定的镜头的大小和位置在图1 中，而在[5] 采用两条所示特殊类型的骨架点，即一个终结点和交叉的点。
然后，基于骨架的结束点，我们随机找到一个最好的位置来放置的一枪使用基于GA 镜头的放置的算法。
首先，我们应该让一个终结点[5] 的定义。
定义1。
有一点是终点，如果：(1) 它是在框架；(2) 它有只有一个V-在骨架中的邻居。
从终点开始，我们然后寻找最佳点以放置一个镜头和通过使用GA [15、16] 确定的镜头的大小。
基于遗传算法的镜头放置在算法，我们必须解决以下问题：（1）的编码方法。
一般情况下，位字符串（0-1) 编码是最通过遗传算法的研究人员，因为它的简单性和易于区分的常见方法。
然而，在这情况下，如果我们直接到编码点坐标（x s、y s、z s)位串、交叉和突变操作之后，它将导致生成一些不在骨骼中的点。
为解决这个问题，我们构筑对应的表的点数和点坐标的关系（x s、y s、z s) 中的骨架，如表1 所示。
为此，我们只是进行编码点到一个位字符串的数目。
我们只是从到骨架的所有点选择m 点形成一个人口。
有一点是一个染色体。
表1。
点数与点坐标的关系（x s、y s、z s) 在骨架中(2) 绩效评价。
基于遗传算法方法的关键是评价职能。
理想情况下，我们想要放置涵盖整个区域的镜头无目标的overdosing 内（或外部）。
Overdosing 发生在外如果我们选择一个镜头的大小，对于当前的位置，太大的目标，从而铅球竖直的目标，这是约束(C1)。
Overdosing 出现在如果我们将放两枪太靠近在一起为他们选择的目标是的大小(C2) 的约束。
在定义一个适应性函数之前, 我们给一些定义需要用作如下所示：定义2。
(1) 分数：不是足够大，以最小的被摧毁目标零件射无任何伤害周围的正常组织。
(2) 大跨度：当前的位置和在终点之间的最小距离我们开始。
(3) 镭：近似欧氏到距离目标的边界。
我们想确保是比不上大跨度、镭和w （铅球大小）可能。
因此，我们选择是一笔的平方差的健身作用之间这3 个的量。
健身功能可以确保生成分数是最小的之后每个镜头放在目标[5]。
(3) 保证我们包的目标卷也是可能的那就是当前跨度镜头之间应接近到最接近目标的距离边界。
（4）用来选择一个适合骨架最适合的头盔大小当前所在的位置。
(5) 看好的适当距离的位置镜头的当前大小的目标边界。
(3) 遗传的运营商。
基于编码方法，我们发展遗传佐治亚州中的运算符他们是交叉和突变的操作。
交叉/ 重组操作。
交叉重组是一个过程交换的遗传信息，其中重要的是整个搜为了满足的要求(R3) 基于假设(A6) 公差存放在目标和重要器官的总剂量的总剂量辐射剂量广播电台提供的一项计划是：此外，为满足约束(C3)，伽马刀治疗单位应涵盖尽可能多的有效剂量的目标卷。
但至少镜头必须覆盖90%的目标卷。
我们表示：V: 总数量的目标，Vs：目标，其剂量值点的总有效剂量体积是更多0.5，f: 有效剂量率，符合下列不等式：每个镜头的t s 暴露的时，应满足w：t s、w ≥0。
() 13如果我们引入二进制变量δs，指示是否镜头的s 使用宽度的ww 与否，即，此外，我们有约束(C1) (C2) 和(C4)。
鉴于（8)-(13)，基于需求(R4)，它的目标是到这些制约因素最小化的目标之外的剂量。
然后，可以优化的第一个模型制定：。
