Abstract With the advancement of treatment modalities in radiation therapy for cancer patients, outcomes have improved, but at the cost of increased treatment plan complexity and planning time. The accurate prediction of dose distributions would alleviate this issue by guiding clinical plan optimization to save time and maintain high quality plans. We have modified a convolutional deep network model, U-net (originally designed for segmentation purposes), for predicting dose from patient image contours of the planning target volume (PTV) and organs at risk (OAR). We show that, as an example, we are able to accurately predict the dose of intensity-modulated radiation therapy (IMRT) for prostate cancer patients, where the average Dice similarity coefficient is 0.91 when comparing the predicted vs. true isodose volumes between 0% and 100% of the prescription dose. The average value of the absolute differences in [max, mean] dose is found to be under 5% of the prescription dose, specifically for each structure is [1.80%, 1.03%](PTV), [1.94%, 4.22%](Bladder), [1.80%, 0.48%](Body), [3.87%, 1.79%](L Femoral Head), [5.07%, 2.55%](R Femoral Head), and [1.26%, 1.62%](Rectum) of the prescription dose. We thus managed to map a desired radiation dose distribution from a patient’s PTV and OAR contours. As an additional advantage, relatively little data was used in the techniques and models described in this paper.

The treatment planning process for patients with head and neck (H&N) cancer is regarded as one of the most complicated due to large target volume, multiple prescription dose levels, and many radiation-sensitive critical structures near the target. Treatment planning for this site requires a high level of human expertise and a tremendous amount of effort to produce personalized high quality plans, taking as long as a week, which deteriorates the chances of tumor control and patient survival. To solve this problem, we propose to investigate a deep learning-based dose prediction model, Hierarchically Densely Connected U-net, based on two highly popular network architectures: U-net and DenseNet. We find that this new architecture is able to accurately and efficiently predict the dose distribution, outperforming the other two models, the Standard U-net and DenseNet, in homogeneity, dose conformity, and dose coverage on the test data. Averaging across all organs at risk, our proposed model is capable of predicting the organ-at-risk max dose within 6.3% and mean dose within 5.1% of the prescription dose on the test data. The other models, the Standard U-net and DenseNet, performed worse, having an averaged organ-at-risk max dose prediction error of 8.2% and 9.3%, respectively, and averaged mean dose prediction error of 6.4% and 6.8%, respectively. In addition, our proposed model used 12 times less trainable parameters than the Standard U-net, and predicted the patient dose 4 times faster than DenseNet.

Proper identification and annotation of cells in mammalian tissues is of paramount importance to biological research. Various approaches are currently used to identify and label cell types of interest in complex tissues. In this report, we generated an artificial intelligence (AI) deep learning model that uses image segmentation to predict cardiomyocyte nuclei in mouse heart sections without a specific cardiomyocyte nuclear label. This tool can annotate cardiomyocytes highly sensitively and specifically (AUC 0.94) using only cardiomyocyte structural protein immunostaining and a global nuclear stain. We speculate that our method is generalizable to other tissues to annotate specific cell types and organelles in a label-free way.### Competing Interest StatementThe authors have declared no competing interest.

This study explored the factors affecting members’ satisfaction with the quality of support activities of cooperatives using data collected from 301 members of horticultural cooperatives in Son La province. The study applied the SEVERQUAL concept and cooperative principles to develop the research model. Exploratory factor analysis (EFA) and the regression model were used for data analyses. Members’ satisfaction with the quality of the support activities of the cooperatives was specifically evaluated by measuring members’ satisfaction with collective input purchasing; collective marketing; self-help activities; support activities for directly receiving government support; and capacity-building activities. It was found that “Responsiveness” was the prominent factor, followed by the “Assurance and Reliability”, “Empathy”, “Competency of cooperative managers”, and “Tangibles” factors, which were found to positively affect the members’ satisfaction with the quality of the support activities of the cooperatives. To enhance the members’ satisfaction with the quality of the support activities of the cooperatives, the responsiveness of cooperative managers to market risks; social relationships among members; members’ awareness about voluntary participation opportunities in the cooperatives; competency of managers in management and negotiation; internal control systems of the cooperatives; involvement of members in the decision-making process; investment of equipment with internet connections; and the number of members should be improved.