目的:探讨不同部位注射碘对比剂对多层螺旋CT血管成像(CTA)颈部动脉造影患者检查效果的影响。方法:选取2018年1～12月CTA颈部动脉造影检查患者84例，根据随机数字表法分为观察组和对照组各42例。对照组选择左上肢贵要静脉注入造影剂，观察组选择右肢踝部大隐静脉注入造影剂。比较两组CTA图像质量评分、图像优良率、造影剂外渗发生率、医疗纠纷发生率及患者满意度。结果:观察组Ⅰ～Ⅱ级图像分辨率及患者满意度均高于对照组( P<0.05)，而造影剂外渗及医疗纠纷发生率均低于对照组( P<0.05)。 结论:选择右侧上肢建立颈部CTA静脉通道可有效提高颈部CTA图像质量，减少静脉伪影生成，降低造影剂外渗发生率，提高患者造影满意度。

目的:研究利用生成对抗网络(GAN)建立头颈部肿瘤MRI图像与CT图像的映射模型，实现MRI引导放疗中伪CT (sCT)的预测生成。方法:收集45例鼻咽癌患者治疗前影像信息与IMRT计划信息。首先对MRI (T1)和CT图像进行刚性配准、裁剪、去背景、数据增强等预处理操作；其次对病例进行GAN训练，随机选取30例作为训练集放入网络进行建模学习，另15例用于测试。比较预测sCT与真实CT的图像质量，以及后续比较预测sCT进行重计算的剂量分布与真实计划的剂量分布。结果:测试集的预测sCT与实际CT图像质量比较显示，二者误差较小，体素平均绝对误差值为(79.15±11.37) HU，结构相似性系数值为0.83±0.03。sCT重计算的剂量分布与实际剂量较为接近，不同区域水平下的MAE值相对处方剂量均<1%。在2mm/2%、3mm/3%准则下，所有病例sCT重计算剂量分布的γ通过率均>92%、>98%。结论:提出并实现了使用GAN进行鼻咽癌患者sCT的生成，为MR-IGRT实施奠定了基础。图像质量与剂量学比较均显示了方法的可行性与准确性。

目的:探讨不同CT值赋值法对鼻咽癌调强放射治疗(IMRT)计划剂量计算的影响，以及基于磁共振(MR)图像制定鼻咽癌IMRT计划的赋值方法。方法:选取2018年3月至2018年11月在山东省肿瘤医院行IMRT的32例鼻咽癌患者，在其定位CT图像上勾画并统计骨骼、空腔、大脑、眼球、视神经、晶状体、腮腺、咬肌、皮肤等组织器官的群体化CT值。通过不同CT值赋值法生成伪CT：(1)CT1：对全组织整体赋予0 HU；(2)CT2：在CT1的基础上对空腔赋予群体化CT值；(3)CT3：在CT2的基础上对骨骼赋予群体化CT值；(4)CT4：在CT3的基础上对各个软组织分别赋予群体化CT值。在定位CT上制定鼻咽癌IMRT计划Plan0，再将Plan0分别移植到4个伪CT上重新进行剂量计算，得到Plan1、Plan2、Plan3和Plan4，并分别与Plan0进行剂量学比较。在定位MR图像上对各组织器官分别赋予群体化CT值并制定鼻咽癌IMRT计划。结果:鼻咽癌患者的头颈部CT图像中，骨骼群体化CT值平均为621 HU，空腔群体化CT值平均为-720 HU，其余软组织群体化CT值范围为-20～70 HU。Plan1、Plan2、Plan3、Plan4与Plan0的剂量指标差异依次减少，其中Plan4与Plan0的剂量学参数差异最小，PTV D 95、PTV D 99、等中心点剂量、全组织D mean、左右眼球D max、左右晶状体D max、左右视神经D max、左右腮腺D mean、左右腮腺V 20、左右腮腺D 50、脊髓D max、脑干D max、脑干D 5差异<1%，左右腮腺V 30差异<1.5%。像素点剂量分布比较，剂量分布差异>1%的区域主要分布于空腔间隙、骨骼周边以及皮肤。基于MR图像制定的鼻咽癌IMRT计划靶区满足95%处方剂量，各危及器官的受量均在剂量限制条件内。 结论:将所有器官和组织分别赋予群体化CT值的赋值方法较其他方法对鼻咽癌IMRT计划剂量计算影响最小，可以基本满足临床要求，应作为基于MR图像制定鼻咽癌IMRT计划时的首选赋值方法。

目的:评估采用单一MRI模拟定位实现鼻咽癌光子和质子放疗计划剂量计算的可行性。方法:回顾性分析2020年1月至2021年12月在中国医学科学院肿瘤医院接受放射治疗的100例鼻咽癌患者的T 1加权MRI图像和CT图像。利用深度学习网络模型将MRI转换成伪CT，训练集、验证集和测试集分别包括70例、10例和20例。深度学习方法采用监督学习的卷积神经网络（CNN）和无监督学习的循环一致性生成对抗网络（CycleGAN）两种方法。利用平均绝对误差（MAE）和结构相似性（SSIM）等定量评估图像质量，利用γ通过率和剂量体积直方图（DVH）评估剂量。用Wilcoxon符号秩检验来统计分析伪CT的图像质量。 结果:图像生成方面，CNN和CycleGAN模型的MAE分别为（91.99±19.98）HU和（108.30±20.54）HU，SSIM分别为0.97±0.01和0.96±0.01。剂量学方面，伪CT用于光子剂量计算的准确性高于质子。光子放疗计划的γ通过率（3 mm/3%）分别为：CNN模型99.90%±0.13%，CycleGAN模型99.87%±0.14%，且均大于98%。质子放疗计划分别为：CNN模型98.65%±0.64%，CycleGAN模型97.69%±0.86%。DVH的指标显示，伪CT的光子计划中剂量数值一致性优于质子计划。结论:基于深度学习的模型能从MRI图像生成准确的伪CT，大多数剂量学差异都在光子和质子放疗的临床可接受范围内，只用MRI成像的工作流程对鼻咽癌患者放疗是可行的。但与原始CT相比，伪CT图像在鼻腔区域的CT值误差较大，临床使用时应特别注意。

目的:通过训练生成对抗网络（generative adversarial networks，GAN）模型，构建一种用于消除CT图像金属伪影的神经网络，以期为临床提供参考。方法:收集2017年1月至2022年6月四川大学华西口腔医院影像科就诊患者的CT资料，共纳入1 000例无伪影CT数据和620例金属伪影CT数据，包含充填体、冠类、钛板钛钉类、托槽类、金属异物类5种。将400例金属伪影CT数据和1 000例无伪影CT数据用于仿真合成，构建出1 000对配对的模拟金属及伪影图像和模拟金属图像（每种200对）。在保证5种金属伪影数据相等的情况下，将整个数据集随机（计算机随机）分为训练集（800对）和测试集（200对），前者用于训练GAN模型，后者用于评估GAN模型性能。定量评价测试集均方根误差（root-mean-square error，RMSE）和结构相似性（structural similarity index measure，SSIM）。用训练好的GAN模型对剩余的220例临床病例颌面部CT图像金属伪影进行消除，并由2名高年资主治医师分别使用改良利克特量表对消除结果进行评价。结果:测试集中充填体、冠类、钛板钛钉类、托槽类和金属异物类伪影消除的RMSE值分别为0.018±0.004、0.023±0.007、0.015±0.003、0.019±0.004、0.024±0.008（ F=1.29， P=0.274），SSIM值分别为0.963±0.023、0.961±0.023、0.965±0.013、0.958±0.022、0.957±0.026（ F=2.22， P=0.069），总体差异均无统计学意义。2名评价者评分的组内相关系数为0.972，对于220例临床病例，改良利克特量表的总体得分为（3.73±1.13）分，整体消除效果较满意。充填体、冠类、钛板钛钉类、托槽类和金属异物类的改良利克特量表得分分别为（3.68±1.13）、（3.67±1.16）、（3.97±1.03）、（3.83±1.14）、（3.33±1.12）分，总体差异无统计学意义（ F=1.44， P=0.145）。 结论:本项研究构建的CT图像金属伪影消除GAN模型，可有效去除金属伪影的干扰，提升图像质量。

目的:比较不同神经网络由磁共振成像(MRI)图像生成伪CT图像的本领，探讨伪CT用于临床放疗计划的可行性。方法:选取29例同时具有计划CT和诊断MRI的脑癌患者，23例用于训练，6例用于测试。分别采用循环生成对抗网络(cycleGAN)、对比学习非配对图像转换网络(CUT)以及本研究提出的改进网络denseCUT由MRI生成伪CT，并将伪CT导入治疗计划系统中验证其用于放疗计划的可行性。结果:CycleGAN、CUT和denseCUT生成的伪CT与真实CT之间的平均绝对误差分别为(72.0±6.9)、(72.5±8.0)和(64.6±7.3)HU，结构相似性分别为0.91±0.01、0.91±0.01和0.93±0.01，峰值信噪比分别为(28.5±0.7)、(28.5±0.7)和(29.5±0.7)dB，放疗计划剂量计算γ通过率(2%/2 mm)分别为98.05%、97.92%、98.31%。结论:denseCUT能更准确地生成伪CT，伪CT能满足调强放疗计划剂量计算的需求。

目的:针对前列腺癌放疗，研究锥形束CT（CBCT）生成伪CT的深度学习方法，以满足自适应放疗的需要。方法:纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像，并使用MIM软件进行形变配准。将数据按简单随机法分为训练集（59例）和测试集（15例）。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像，评价平均绝对误差（MAE）、结构相似指数（SSIM）和峰值信噪比（PSNR）。另外单独分析了图像质量，包括软组织分辨率、图像噪声和伪影等。结果:使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为（29.4±16.1）、（37.1±14.4）、（34.3±17.3）HU。在图像质量方面，U-net和Pix2PixGAN生成的图像存在过度模糊的问题，导致了图像失真；而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论:CycleGAN能有效地提高CBCT图像质量，有更大的潜力应用于自适应放疗中。

目的:利用卷积神经网络实现基于锥形束CT(cone-beam computed tomography,CBCT)体素数据的牙齿实例分割和牙位标定.方法:本文所提出的牙齿算法包含三个不同的卷积神经网络,网络架构以Resnet为基础模块,首先对CBCT图像进行降采样,然后确定一个包含CBCT图像中所有牙齿的感兴趣区域(region of interest,ROI).通过训练模型,ROI利用一个双分支"编码器-解码器"结构网络,预测输入数据中每个体素所对应的相关空间位置信息,进行聚类后实现牙齿的实例分割.牙位标定则通过另一个多类别分割任务设计的U-Net模型实现.随后,在原始空间分辨率下,训练了一个用于精细分割的U-Net网络,得到牙齿的高分辨率分割结果.本实验收集了 59例带有简单冠修复体及种植体的CBCT数据进行人工标注作为数据库,对牙齿算法的预测结果使用实例Dice相似系数(instance Dice similarity coefficient,IDSC)用来评估牙齿分割结果,使用平均 Dice 相似系数(the average Dice simi-larity coefficient,ADSC)评估牙齿分割及牙位标定的共同结果并进行评定.结果:量化指标显示,IDSC为89.35％,ADSC为84.74％.剔除了带有修复体伪影的数据后生成了有43例样本的数据库,训练网络得到了更优良的性能,IDSC为90.34％,ADSC为87.88％.将得到的结果进行可视化分析,牙齿算法不仅可以清晰地分割出CBCT中牙齿的形态,而且可以对牙齿的分类进行准确的编号.结论:该牙齿算法不仅可以成功实现三维图像的牙齿及修复体分割,还可以准确标定所有恒牙的牙位,具有临床实用性.

目的 为解决修复后的投影数据与周围投影数据之间过渡不连续的问题,提出一种基于正弦图融合的CT金属伪影校正算法.方法 通过预处理和K均值聚类技术将具有相同空间信息的组织聚在一起生成先验图像,并根据金属区域与先验图像的投影差异校正原始图像投影以得到校正后的投影数据,最后采用滤波反投影算法重建得到校正后的CT图像.结果 在CT仿真数据验证中,基于先验插值的金属伪影校正(Fusion Prior-Based Metal Artifact Reduction,FP-MAR)算法在单金属校正和多金属校正中的峰值信噪比分别为0.943和0.915,比线性插值校正金属伪影(Linear Interpolation Based Metal Artifact Reduction,LI-MAR)算法分别增加了28.65%和44.55%;FP-MAR算法在单金属校正和多金属校正中的结构相似性分别为0.984和0.961,比LI-MAR算法分别增加了48.41%和64.27%.临床CT伪影影像验证中,FP-MAR算法校正后CT金属伪影的主观评价高于LI-MAR算法校正后的CT金属伪影图像,且二者差异有统计学意义.结论 本研究提出的算法可有效解决修复后的投影数据与周围投影数据之间过渡不连续的问题,更好地保留金属结构附近的信息.

目的:开发一种基于深度学习神经网络的方法将宫颈癌MVCT图像转换为具有高信噪比和高对比度的伪kVCT图像,从而提供宫颈癌自适应放疗需要的患者三维解剖图像和定位信息,引导加速器实现精确放疗.方法:收集54例宫颈癌患者的MVCT和kVCT图像组成数据集,随机选择44例样本作为训练集,并将剩下的10例样本作为测试集.采用加入门控机制和多通道数据输入的循环生成对抗网络(CycleGAN)基于MVCT合成伪kVCT图像.采用平均绝对误差(MAE)、峰值信噪比(PSNR)和结构相似度指数(SSIM)等影像学成像质量评估参数,评估网络训练效果.结果:5通道MVCT-5通道kVCT图像与MVCT图像对比,MAE从(24.9±0.7)HU降至(17.8±0.3)HU,PSNR从(29.8±0.2)dB升至(30.7±0.2)dB,SSIM从0.841±0.007升至0.898±0.003.结论:该方法生成的伪kVCT在降噪和增强对比度方面具有优势,同时能够减少剂量计算中对额外MV-kVCT电子密度校准的需求.伪kVCT的剂量计算能力与MVCT相当,为伪kVCT影像应用于图像引导自适应放疗提供了可能.