目的:评估成像系统多因素尤其是图像几何精度对靶区和危及器官勾画的影响.方法:使用模体测试1.5T磁共振直线加速器系统的成像性能,包括磁共振图像几何失真评估以及由图像几何失真等因素引起的勾画偏差评估.使用Model 604-GS大场磁共振图像失真模体对磁共振引导放疗流程的磁共振图像进行几何失真度测试;同时使用CIRS Model 008z上腹部模体进行相关靶区及OAR的勾画差异分析.结果:几何失真度结果显示,3D T1WI-FFE图像平均几何失真度0.54 mm,最大失真度1.96 mm;3D T2WI-TSE图像平均几何失真度0.53 mm,最大失真度1.68 mm,其中较大失真度的控制点分布于模体边缘,符合既往报道的磁共振图像特性.基于CT的勾画与基于3D T1WI-FFE和3D T2WI-TSE图像的勾画平均结果分别为MDA=1.17 mm,DSC=0.91;MDA=0.86 mm,DSC=0.94.结论:本研究定量评估了磁共振引导放疗成像系统的几何精度.基于仿真模拟人的勾画分析表明相对于CT图像,基于磁共振图像的勾画差异符合临床要求,同时3D T2WI-TSE图像在勾画精度相比于3D T1WI-FFE图像更有优势.

目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例，以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本，随机划分300例用于训练与验证，197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC)，与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响，按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN)，使用相同数据训练与测试，统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020，训练与测试时长是Unet、DeepLabv3+的1/3~1/30，S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002，脊髓平均值相差0.001，但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画，不仅可以提高模型应用效率，还有利于提高模型的泛化性能。

目的:设计一种基于深度学习的自动勾画模型，用于勾画头颈部危及器官(OARs)，并与基于图谱方法的Smart segmentation勾画软件进行比较。方法:自动勾画模型由基于深度学习神经网络的分类模型和勾画模型组成。分类模型将CT图像从头脚方向分为6个分类，将每个OARs对应分类的CT图像输入勾画模型进行分割勾画。自动勾画模型使用150例病例训练模型，Smart segmentation使用相同的150例病例组成图谱库，两者同时对20例测试集进行勾画。使用相似度系数(DSC)和豪斯多夫距离(HD)评估2种方法勾画准确性，同时记录两种方法勾画花费时间。根据数据是否满足正态分布，分别使用配对 t检验和Wilcoxon符号秩和检验。 结果:自动勾画模型的DSC和HD结果如下：脑干为0.88和4.41 mm、左眼球为0.89和2.00 mm、右眼球为0.89和2.12 mm、左视神经为0.70和3.00 mm、右视神经为0.80和2.24 mm、左颞叶为0.81和7.98 mm、右颞叶为0.84和8.82 mm、下颌骨为0.89和5.57 mm、左腮腺为0.70和11.92 mm和右腮腺为0.77和11.27 mm。除腮腺外，自动勾画模型勾画结果均优于Smart segmentation，差异有统计学意义( t＝3.115～7.915， Z＝－1.352～－3.921， P<0.05)。同时，自动勾画模型速度比Smart segmentation提高了51.28%。 结论:利用深度学习方法建立了自动勾画头颈部OARs的模型，得到较准确结果，勾画精度和速度均优于Smart segmentation软件。

肿瘤放射治疗教学现状显著落后于放疗技术的发展。基于人工智能靶区自动勾画系统及标准化肿瘤放疗案例库教学体系的建设及其应用，可操作性和实践性强，实现临床靶区勾画教学的规范化、标准化和同质化，提高了学生靶区勾画的精度和速度，促进了学生学习的兴趣、主动性和效率，为肿瘤放疗教育的发展注入新活力，值得深入探索及推广。

目的:采用刚性配准和形变配准方法获得大体积非小细胞肺癌(NSCLC) IMRT中靶区和危及器官(OAR)的累加剂量，并与初次计划的剂量进行比较。方法:选择30例采用IMRT的大体积NSCLC患者，每位患者分别在放疗前和放疗20分次时进行4DCT模拟定位，基于初次4DCT的平均密度投影CT 1-avg制定放疗计划为Plan 1，基于二次4DCT的平均密度投影CT 2-avg修改放疗计划为Plan 2，分别采用刚性配准和形变配准方法将两次计划进行剂量累加得到Plan 刚性和Plan 形变。比较初次定位和二次定位之间大体肿瘤体积(GTV，以吸气末时相图像CT50%上的勾画为准)和OAR (OAR，以平均密度投影图像CT avg上的勾画为准)的体积变化，以及Plan 2、Plan 刚性、Plan 形变的剂量体积指标相比Plan 1的差异。 结果:二次定位和初次定位相比，GTV、心脏体积分别缩小44.2%、5.5%，患侧肺、健侧肺、全肺体积分别增大5.2%、6.2%、5.8%( P<0.05)；对于内GTV (IGTV，10个4DCT时相的GTV融合而来)和计划靶体积(PTV)的D 95%、D 98%、V 100%，Plan 2与Plan 1相近( P>0.05)，Plan 刚性、Plan 形变较Plan 1均略有下降( P<0.05)；对于脊髓、心脏、患侧肺、双肺剂量，Plan 2、Plan 刚性、Plan 形变较Plan 1均降低( P<0.05)，其中心脏V 30Gy和D mean分别降低27.3%、16.5%、15.3%和15.2%、6.6%、5.6%，双肺V 20Gy和D mean分别降低15.6%、4.5%、3.7%和15.7%、6.2%、5.1%；Plan 形变的IGTV和PTV的D 95%、D 98%，心脏V 40Gy，患侧肺和全肺的V 20Gy、D mean高于Plan 刚性( P<0.05)。形变配准后OAR相似指数明显高于刚性配准( P<0.05)。 结论:Plan 2中OAR剂量体积指标相比Plan 1差别很大，因此它们在预测OAR放射性损伤方面均有较大偏差，而形变配准得到的剂量体积指标可以提高预测精度。

目的:在U-net卷积神经网络基础上设计出混合注意力U-net (HA-U-net)网络用于全脑全脊髓临床靶体积(CTV)自动勾画，并与U-net自动分割模型分割结果进行比较。方法:研究回顾了110例全脑全脊髓患者数据，选择80例用于训练集，10例用于验证集，20例作为测试集。HA-U-net以U-net为基准网络，在U-net网络输入端加入双注意力模块，同时在跳跃连接中加入注意力门模块来建立全脑全脊髓CTV自动勾画网络模型。评估参数为戴斯相似性系数、豪斯多夫距离和精确率。结果:HA-U-net网络得到戴斯相似性系数为0.901±0.041，豪斯多夫距离为(2.77±0.29) mm，精确率为0.903±0.038，结果均优于U-net网络分割结果(均 P<0.05)。 结论:HA-U-net卷积神经网络可以有效提升全脑全脊髓CTV自动分割的精度，有助于医生提高工作效率与勾画一致性。

近距离治疗（BT）技术是使放射源进入或贴近治疗部位，利用近源处剂量极高随着距离的增加剂量快速跌落，实现肿瘤局部治疗的一种技术。近距离治疗是宫颈癌放射治疗的重要组成部分。近距离治疗过程复杂且需要一系列步骤，可能导致患者在施源器置入状态下等待时间过长而产生施源器相对于肿瘤的位置以及器官充盈状态的改变。近些年，人工智能（AI）在医学领域有了极大的发展，机器学习以及神经网络等模型广泛应用于近距离治疗的各个环节，如施源器置入、图像采集、靶区和危及器官勾画、施源器重建、剂量优化和治疗实施等步骤。在缩短流程总体耗时、提高操作同质性及提高治疗精度等方面作用显著。本文总结了近年来AI在宫颈癌近距离治疗中的应用、发展前景以及面临的挑战，对AI在临床近距离治疗中的应用进行展望并提供新的思路。

目的:探究使用基于3D U-Net结合三期相CT图像的分割模型对鼻咽癌肿瘤原发灶(GTVnx)和转移的区域淋巴结(GTVnd)自动勾画的有效性和可行性。方法:回顾性收集215例鼻咽癌病例的电子计算机体层扫描(CT)，包括平扫期(CT)、增强期(CTC)和延迟期(CTD)3个期相共计645组图像。采用随机数字表法，将数据集划分为172例训练集和43例的测试集。设置了包括三期相CT图像模型及期相微调模型共计6个实验组：三期相CT图像模型即仅使用平扫期(CT)A1组、仅使用增强期(CTC)A2组、仅使用延迟期(CTD)A3组和同时使用三期相(All)A4组。期相微调模型：CTC微调B1组和CTD微调B2组。使用Dice相似性系数(DSC)和95%豪斯多夫距离(HD95)作为定量评价指标。结果:使用三期相CT(A4)进行GTVnd靶区自动勾画相比于仅使用单期相CT(A1、A2、A3)获得更好的勾画效果(DSC：0.67 vs. 0.61、0.64、0.64, t＝7.48、3.27、4.84， P<0.01; HD95: 36.45 mm vs. 79.23、59.55、65.17 mm, t＝5.24、2.99、3.89， P<0.01)，差异有统计学意义。使用三期相CT(A4)对于GTVnx的自动勾画效果相比于仅使用单期相(A1、A2、A3)无明显提升(DSC: 0.73 vs. 0.74、0.74、0.74；HD95: 14.17 mm vs. 8.06、8.11、8.10 mm)，差异无统计学意义( P>0.05)。在GTVnd的自动勾画中，B2、B3 vs. A1模型具有更好的自动勾画精度(DSC：0.63、0.63 vs. 0.61, t＝4.10、3.03, P<0.01；HD95：58.11、50.31 mm vs. 79.23 mm， t＝2.75、3.10, P<0.01)。 结论:使用三期CT扫描对于鼻咽癌GTVnd靶区具有更好的自动勾画效果。通过期相微调模型，可以提升平扫CT图像上GTVnd靶区的自动勾画精度。

MR加速器具有软组织分辨率高、不需金标/信标置入的优势，且可实现自适应靶区勾画和计划设计；完美解决前列腺放疗期间体积变化、每分次治疗时膀胱和直肠变化对靶区和剂量分布的影响等问题，有望在靶区剂量安全前提下将外放边界继续缩小。但形状自适应流程临床执行难度较大，本文将总结我科经验及标准操作流程。

目的:研究不同扫描视野(FOV)CT图像对乳腺癌根治术后放射治疗中危及器官自动勾画及剂量计算精度的影响。方法:使用相同扫描条件在患者模拟定位CT等中心处及扩展扫描射野(eFOV)处建立50、60、70和80 cm FOV的电子密度转换曲线并比较其差异；扫描已知体积的标准模体，比较模体在不同FOV重建图像上自动勾画的差异。简单随机抽样选取2020年1月至2022年6月广东省第二人民医院乳腺癌患者30例，获取不同FOV模拟定位CT图像进行危及器官自动勾画，并与医师的勾画进行比较；基于FOV 50图像设计治疗计划，将计划移植到不同FOV重建图像进行剂量计算，比较剂量计算结果的差异。 结果:以不同FOV重建CT图像建立的电子密度转换曲线基本一致。在等中心处，标准模体随FOV增大，模体勾画体积与实际体积差异增大，最大为6 cm 3(4.8%)；在自动勾画中，脊髓、气管、食管、甲状腺、健侧乳腺和皮肤的勾画精度随FOV增大而减小( t＝ －28.43～8.23， P<0.05),基于不同FOV图像的剂量计算比较中，锁骨上淋巴结区域靶区 V95、最大剂量和平均剂量，危及器官剂量学的差异无统计学意义( P>0.05);计划靶区覆盖度随FOV增大而减小(最大差异为4.06%)。 结论:乳腺癌根治术后放疗中危及器官自动勾画应选择FOV 50重建图像，电子密度转换曲线应依据eFOV区域电子密度模体影像建立，首选eFOV 80的重建图像进行剂量计算。