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.

随着人工智能技术的发展,图像分割技术在直肠癌放疗领域有越来越多的研究和应用.新辅助放化疗是局部晚期直肠癌患者的标准治疗策略.对于放疗科医师而言,手动勾画放疗靶区及危及器官是一项非常费时耗力的工作.采用人工智能技术可以构建放疗靶区自动勾画模型,显著提高放疗靶区勾画的效率和鲁棒性.此外,结合影像组学方法,基于计算机断层扫描、磁共振成像等影像图像,提取直肠肿瘤区域的特征可以建立直肠癌新辅助治疗的疗效评估和预测模型,以帮助临床医师制订个体化的治疗方案.其中,分割感兴趣区,并且从中提取影像特征是模型构建的关键步骤.本文基于图像分割在直肠癌放疗领域中的应用展开综述,以探究图像分割对直肠癌放疗的重要性以及未来的研究方向.

局限肢体软组织肉瘤(STS)的主要治疗方法是获得阴性切缘的原发肿瘤广泛切除,治疗的目标是维持生存、避免复发及转移、最大限度保全功能及减少并发症.对于大部分的成人肢体STS,放疗联合保肢手术可获得与截肢手术相当的局部控制率,并且局部控制率高于任何单一治疗手段,是目前标准的治疗模式.本指南由国家肿瘤质控中心牵头,多位专家共同制定,详细阐述了成人肢体STS的诊疗概况及调强放疗的具体实施.诊疗概况包括流行病学、诊断、分期及治疗原则.放疗实施包括准备、治疗决策、放疗适应证、定位、靶区勾画、处方和危及器官限量及计划设计,并从术前放疗、术后放疗两个方面分别阐述,涵盖了诊疗全过程,提供了全方位的放疗指导.

目的:分析IPSA联合宫颈中心加量方式在局部晚期宫颈癌腔内联合组织间插植(IC/IS)治疗中剂量学方面优势。方法:选取宫颈癌(Ⅱ B期)经调强放疗45　Gy分25次后局部病灶≥5　cm患者46例，行宫腔管及插植针植入，在CT图像上勾画高危临床靶体积(HR-CTV)、直肠、膀胱、乙状结肠及宫颈加量区宫颈中心(HR-宫颈)，采用IPSA优化。根据宫颈中心是否加量，分成IC/IS＋宫颈中心(HR-宫颈)组(A组)和IC/IS组(B组)，比较A、B组间剂量学差异。 结果:A组宫腔管驻留时间较B组明显提高( P<0.001)；宫颈中心的V 150%和V 200%由原来B组63.94%和30.80%分别提高到91.54%和64.06%；A组D 90%及D 100%低于B组( P<0.05)；危及器官受量相近( P>0.05)。 结论:IPSA联合宫颈中心加量方式可满足高危临床靶体积D 90%受量及危及器官限量，并可提高宫颈中心区剂量。

目的:分析食管癌在线CT引导放疗不同部位脊髓分次间摆位误差和残差，探讨脊髓分段外放的必要性。方法:依照食管癌患者放疗部位选颈、胸、腹段脊髓各20例。颈胸膜或真空袋固定，IMRT技术，采用CT Vision获取治疗前位置验证CT图像，每例收集连续20次。在MIM软件上导入CT图像，处理并提取摆位参数。勾画验证和计划CT脊髓，处理并提取勾画脊髓的Dice系数、Hausdorff距离最大值、质心坐标值。采用配伍方差分析数据，外扩值计算公式为M PRV＝1.3∑ 总群体＋0.5σ 总群体。 结果:残差质心方法，非在线和在线CT引导颈、胸、腹段脊髓 x、 y、 z轴向外扩值分别为3.86、5.37、6.36 mm，3.45、3.83、4.51 mm，4.05、4.83、7.06 mm和2.85、2.19、2.83 mm，2.32、2.20、2.16 mm，2.86、2.21、2.83 mm。残差Hausdorff距离方法，非在线和在线CT引导颈、胸、腹椎脊髓脊髓 x、 y、 z轴向外扩值分别为3.10、5.33、6.15 mm，3.30、3.77、4.61 mm，3.35、4.76、6.87 mm和2.12、2.06、2.32 mm，2.12、2.06、2.32 mm，2.12、2.06、2.32 mm。 结论:各段脊髓摆位误差、残差均不同，应给予不同外扩范围。

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。

目的:比较头颈部肿瘤容积调强旋转放疗(VMAT)和适形调强放疗(IMRT)的剂量学差异。方法:选取2019年1月至2019年12月安徽医科大学第一附属医院经病理证实的46例头颈部肿瘤患者，所有患者采取仰卧位做CT模拟。勾画两个处方剂量水平的计划靶区(PTV)，PTV70和PTV54，35次分割。使用同步加量计划。每例患者分别制定VMAT和IMRT计划，比较两者的剂量学差异。结果:VMAT计划PTV70的适形性指数(CI)95%高于IMRT计划(0.91±0.02 vs. 0.86±0.06)，差异有统计学意义( t＝4.933， P＝0.004)。VMAT计划PTV54的均质性指数(HI)95%优于IMRT(0.09±0.04 vs. 0.26±0.02)，差异有统计学意义( t＝4.548， P＝0.038)。VMAT的脊髓D 1%低于IMRT(37.62±4.34 vs. 40.93±7.45)，差异有统计学意义( t＝2.615， P＝0.045)。VMAT的左腮腺剂量为(21.28±8.13)Gy，右腮腺剂量为(22.39±7.42)Gy，比IMRT[(22.73±11.42)Gy和(24.25±7.91)Gy]略低，但差异无统计学意义( t＝0.703， P＝0.322； t＝1.134， P＝0.315)。与IMRT相比，VMAT可大幅降低机器跳数(521±112 vs. 2 129±564)，明显缩短患者治疗时间[(2.12±0.39)min vs.(9.18±2.62)min]，差异均有统计学意义( t＝18.957， P<0.001； t＝18.213， P<0.001)。 结论:VMAT技术的剂量分布优于IMRT，危及器官受量降低，并且可减少机器跳数，缩短治疗时间。

目的:观察口咽癌调强放疗（IMRT）中颈部Ⅱ区及口腔靶区优化对治疗效果、涎腺功能、口腔黏膜反应的影响。方法:选取徐州市肿瘤医院2012年1月至2017年5月收治的口咽鳞状细胞癌患者50例，采用随机数字表法分为常规放疗组（对照组）25例及口腔、颈部靶区优化组（观察组）25例。两组均采用IMRT同步铂类药物化疗，对照组行双侧颈部Ⅱ~Ⅳ区淋巴引流区照射（颈部淋巴结阳性侧包括Ⅰ B区），双侧颈部Ⅱ区给予肿瘤剂量60 Gy照射（阳性淋巴结予推量照射）；观察组进行靶区优化，其中健侧颈部（无阳性淋巴结侧）Ⅱ B区给予肿瘤剂量50 Gy照射；观察组口腔结构勾画为危及器官并限制平均照射剂量（D mean）<32 Gy。比较两组患者腮腺受照射剂量、急性口腔黏膜反应情况、远期（放疗结束6个月以后）口干反应情况、客观缓解率（ORR）、局部复发率（LRR）、3年总生存（OS）率差异。 结果:对照组健侧腮腺D mean为（29±4）Gy，接受34 Gy照射体积占比（V 34）为（48±5）%；观察组健侧腮腺D mean为（23±3）Gy，V 34为（41±5）%；两组比较差异均有统计学意义（ t值分别为6.14、4.98，均 P<0.05）。对照组口腔D mean为（35±6）Gy，接受30 Gy照射体积占比（V 30）为（36±5）%；观察组口腔D mean为（29±4）Gy，V 30为（28±4）%；两组比较差异均有统计学意义（ t值分别为4.11、5.98，均 P<0.05）。对照组≥Ⅱ级急性口腔黏膜不良反应和口腔黏膜反应持续时间≥2周发生率分别为64%（16/25）和76%（19/25），观察组分别为36%（9/25）和40%（10/25），两组比较差异均有统计学意义（ χ2值分别为3.92、6.65， P值分别为0.048、0.009）。≥Ⅱ级远期口干反应对照组为72%（18/25），观察组为44%（11/25），两组比较差异有统计学意义（ χ2=4.02， P=0.044）。对照组ORR、LRR、3年OS率为分别为80%、28%、48%，观察组分别为76%、24%、44%，两组OS差异无统计学意义（ χ2=0.04， P=0.849）。 结论:口咽癌IMRT中口腔及颈部Ⅱ区靶区优化能改善涎腺功能，进而减轻患者口干反应及口腔黏膜反应，改善患者生命质量，同时不影响肿瘤治疗效果。

目的:研究基于聚类的多Atlas分割方法对正常组织感兴趣区分割的改善，以达到更好的危及器官的勾画效果。方法:选取2019—2020年浙江省肿瘤医院已完成治疗的100例宫颈癌患者的CT图像作为Atlas图谱库。按照危及器官（膀胱、直肠和外轮廓）的体积特征参数作为测度，利用k均值聚类（k-means）算法将Atlas图谱库划分成若干子集。将待分割图像匹配到相对应的图谱库中进行多Atlas分割。使用相似性系数（DSC）对分割结果进行评价分析。结果:以30例患者作为测试组，比较了不同聚类方法所生成的子图谱库对图像分割结果的改进。相较于一般多Atlas分割，聚类多Atlas分割方法能显著提高膀胱（DSC为0.83±0.09∶0.69±0.15， P<0.001和直肠（DSC为0.7±0.07∶0.56±0.16， P<0.001）的分割准确性，但左、右双侧股骨头（0.92±0.04、0.91±0.02）和骨髓（0.91±0.06）的差异无统计学意义。并且聚类多Atlas分割方法平均分割时间短于一般多Atlas分割方法（2.7∶6.3 min）。 结论:聚类多Atlas分割方法不但会减少与待分割图像配准的Atlas图像个数，而且预期能提高分割效果，并获得较高的准确率。