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.

目的:评价前列腺癌图像引导放疗时锥形线束CT（CBCT）的使用频率和匹配策略对靶区和危及器官剂量学参数的影响。方法:回顾性分析北京大学第一医院2022年6月—2023年5月收治的21例前列腺癌根治性放疗患者的561套每日CBCT图像，患者均接受中等分割容积弧形调强放疗（VMAT），剂量为70 Gy分25次，2.8 Gy/次。根据不同图像引导方式和频率，校准摆位误差后将计划CT刚性配准到CBCT，CT值和结构通过形变配准算法传播到CBCT，根据形变矢量场将每日剂量映射到计划CT进行剂量累加。将每日在线CBCT验证的实际累积剂量与每周CBCT方案（第1-3、6、11、16、21天CBCT扫描）进行比较。比较基于骨匹配与基于软组织匹配（自动骨匹配后手动前列腺匹配并最终以直肠前壁为主做微调）两种匹配方式的摆位误差及剂量学参数。非正态分布的计划剂量和累积剂量之间的剂量学参数采用Wilcoxon符号秩和检验进行分析，符合正态分布的移床值和平均剂量参数采用配对 t检验进行分析。 结果:与每日CBCT图像引导相比，每周方案的CTV_D 98%［（69.08±1.58）∶（65.24±3.64）Gy， P<0.001］明显减少。采用骨匹配的CTV_D 98%为（69.27±2.14）Gy，但直肠高量较高：V 60 Gy为3.18%±3.10%、V 65 Gy为0.77%±1.23%。采用软组织匹配方案的靶区覆盖率足够，CTV_D 98%为（69.08±1.58）Gy；且直肠高量区剂量的百分体积明显减少，V 60 Gy为2.02%±2.42%，V 65 Gy为0.34%±0.68%。 结论:中等分割前列腺癌放疗，每日CBCT图像引导的靶区覆盖度优于每周方案。自动骨匹配后手动前列腺匹配并最终依据直肠前壁做微调的匹配策略，能在保证靶区覆盖率前提下较好地保护直肠。

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。

随着肿瘤近距离治疗和消融治疗技术的发展，临床疗效可以达到消融治疗的目的。本文首次提出立体定向近距离消融(stereotactic ablation brachytherapy，SABT)概念，同时将SABT分为两类：H-SABT和L-SABT。H-SABT是指高剂量率后装近距离消融治疗，L-SABT是指低剂量率近距离消融治疗，也就是临床常用的放射性粒子植入治疗。SABT具有大分割，短疗程；影像引导，精确性高；疗效确切，可以达到手术切除式的疗效；器官功能保留的特点。立体定向近距离消融治疗已逐渐形成了独立的微创治疗技术体系，未来在肿瘤治疗领域将占有一席之地。

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: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。

目的:探讨图像引导大分割调强放疗（Ig-HypoRT）联合对侧食管保护治疗不可切除Ⅲ期非小细胞肺癌（NSCLC）患者的效果及不良反应。方法:回顾性分析2016年1月至2019年1月徐州市肿瘤医院收治的45例不可切除Ⅲ期NSCLC患者的临床资料。患者接受以铂类为基础的两药联合化疗方案诱导化疗，然后行Ig-HypoRT，共给予肿瘤剂量60~63 Gy/12~18次，每次3.5~5.0 Gy。放疗过程中将对侧食管作为危及器官进行勾画，限制V 45 Gy≤1.8 cc、V 55 Gy≤0.4 cc。观察患者疗效、生存情况及不良反应发生情况。 结果:45例患者中完全缓解9例，部分缓解31例，疾病稳定4例，疾病进展1例，有效率为88.8%（40/45）。中位随访34个月，45例患者中位总生存（OS）时间25.0个月（95% CI 21.7~28.8个月），1、2、3年OS率分别为78.9%、56.8%、47.7%；中位无进展生存（PFS）时间18.5个月（95% CI 15.0~22.0个月），1、2、3年PFS率分别为59.8%、32.6%、18.6%。3年局部复发率为9%（4/45）。1~2级放射性食管炎发生率为80%（36/45），1~2级胸痛发生率为20%（9/45）。3~4级不良反应发生率为13%（6/45），其中3级肺不张发生率为7%（3/45），3级放射性肺炎发生率为4%（2/45），4级咯血发生率为2%（1/45）。 结论:Ig-HypoRT联合对侧食管保护治疗不可切除Ⅲ期NSCLC，能够提高患者生存率并减轻食管不良反应。

目的:比较质子调强和光子容积旋转调强在胰腺癌大分割放射治疗计划中的剂量学差异。方法:回顾性选取10例胰腺癌患者临床资料，分别使用Eclipse和RayStation进行容积旋转调强治疗(VMAT)和质子调强治疗(IMPT)的计划设计。完成计划后的剂量文件统一导入MIM软件以提取评估参数。主要评估参数包括计划靶区(PTV)的 Dmin、 Dmean、 Dmax、适形指数(CI)和新适形指数(nCI)、均匀指数(HI)、梯度指数(GI)、覆盖率(coverage)和危及器官的受照剂量。 结果:靶区方面两组的适形性差异无统计学意义( P>0.05)，VMAT组取得了更高的PTV Dmin、 Dmax、D 98%、D 2%、HI和覆盖率以及更优的剂量梯度GI和 D2 cm( t/ Z＝-4.63~5.32， P<0.05)，IMPT组则获得了更低的10%_PD( t＝-7.47， P<0.05)。危及器官方面，两组的空回肠最大剂量 Dmax、胃 Dmax、十二指肠 Dmax以及左肾的平均剂量 Dmean差异无统计学意义( P>0.05)。IMPT组在空回肠的体积剂量 D5 cm3、胃的 D10 cm 3、十二指肠的 D5 cm 3及 D10 cm 3、左肾的 D2/3、右肾的 Dmean及 D2/3上均低于VMAT组( t/ Z＝-8.12~-2.60， P<0.05)，但是IMPT组脊髓的 Dmax和 D0.35 cm 3均高于VMAT组( t＝7.30、6.77， P<0.05)。 结论:VMAT和IMPT都能实现满足临床要求的胰腺癌大分割放射治疗计划。二者在在毗邻胰腺靶区的胃肠道组织最大受量上的保护无差异，在胃肠道的体积受量保护上IMPT拥有更大优势，但对射束肿瘤靶区前缘的危及器官保护上可能弱于VMAT。

MRI技术无辐射，软组织分辨率高，因此MR引导下的放疗现已成为放疗领域的热点研究工作。放疗中精确勾画靶区是非常关键的，目前多为手动分割，耗时、主观且缺乏一致性，自动图像分割可以在不降低分割质量前提下提高效率和可重复性。本文综述了在放疗中MRI的自动分割方法，对不同放疗部位包括前列腺、鼻咽癌、脑部肿瘤以及其他器官，就自动分割目标、挑战和方法进行分析和讨论。