针对三维医学图像中由于肿瘤或器官的形状、尺度差异较大导致分割精度较低的问题,提出一种端到端的三维全卷积分割模型.首先,设计空洞立方集成模块在不同分辨率阶段实现多尺度集成,增强复杂边界上的识别能力;其次,引入跨阶段上下文融合模块融合浅层和深层特征,促进收敛并更准确地定位目标对象;最后,解码器对来自编码器的特征进行拼接以实现分割.在脑肿瘤分割数据集上,平均Dice相似性系数值达到85.37%;在腹部器官分割数据集上,平均Dice相似性系数值达到83.99%.实验结果表明所提模型在三维肿瘤和器官的分割上具有较高精度.

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: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: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:总结肾上腺形态影像学测量及其临床应用的研究进展。方法:在中国知网、万方数据库、PubMed等数据库中，检索1999年1月—2023年12月有关肾上腺形态影像学测量和临床应用的相关文献。共检索2 897篇文献，排除内容不相符、无法获取全文、质量较低、证据等级不高、重复研究的文献，最终纳入文献39篇。从肾上腺形态影像学测量方法及指标、肾上腺形态学变化在疾病评估中的应用两个方面进行归纳和总结。结果:作为人体内分泌器官，肾上腺在维持机体稳态、疾病相关应激反应中起着至关重要的作用。肾上腺形态学的变化能在一定程度上反映其功能状态，也是肾上腺疾病影像诊断的主要依据之一。对于肾上腺形态的影像学测量，以往临床实践及科学研究中多以视觉大体观察或半定量分析为主。计算机辅助影像测量尤其是人工智能在器官分割中的应用日渐成熟，该技术可提供丰富的形态学指标，这些指标与多种疾病相关，并可用于肾上腺形态学的定量描述和分析。结论:肾上腺形态影像学测量方法逐渐自动化、测量指标多样化，可用于相关疾病的诊断、治疗策略制订与预后评估。

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。

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。

图像引导放射治疗(IGRT)是一种可视化的影像引导放疗技术，具有提高肿瘤靶区剂量，降低正常器官受照剂量等诸多优点。锥形束CT(CBCT)是IGRT中最常用的医学图像之一，对CBCT进行快速、准确的靶区及危及器官的分割对放疗具有重大意义。目前的研究方法主要有基于配准的分割方法和基于深度学习的分割方法。本研究针对CBCT图像分割方法、存在问题及发展方向进行综述。

目的:用精准自动勾画女性肠道器官的Dense V-Network模型对宫颈癌患者进行训练并评估。方法:将Dense Net与V-Net2个网络模型进行融合，形成一种用于三维CT图像自动分割的Dense V-Network算法。160例宫颈癌患者CT数据被随机分为训练集130例用于调整模型参数，测试集30例用于评估自动分割效果。采用戴斯相似性系数(DSC)等8个参数定量评估分割效果。结果:小肠DSC、杰卡德距离、体积差异性系数、敏感性指数、包容性指数、豪斯多夫距离、轮廓平均差异、质心偏差分别为0.86±0.03、0.25±0.04、0.10±0.07、0.88±0.05、0.85±0.05、(2.98±0.61) cm、(2.40±0.45) mm、(4.13±1.74) mm，结果优于单一算法(均 P<0.05)。 结论:Dense V-Network算法可较为准确地分割肠道器官，医生修改审查简单易行，可用于临床。

目的:开发一种多尺度融合与注意力机制结合的头颈部肿瘤放疗危及器官图像分割方法。方法:基于U-Net卷积神经网络，为增强分割模型的特征表达能力，将空间和通道注意力模块与U-Net模型相结合，提高与分割任务相关性更大的特征通道权重；在网络模型编码阶段引入本文提出的多尺度特征融合算法，补充模型下采样过程中损失的特征信息。使用戴斯相似性系数（DSC）和95%豪斯多夫距离（HD）作为不同深度学习模型之间比较的性能评估标准。结果:在医学图像计算和计算机辅助干预国际会议（MICCAI）StructSeg 2019数据集上进行头颈部22个危及器官的分割。相比于已有方法，本文提出的分割方法平均DSC提升了3%~6%，22种头颈部危及器官的分割平均DSC为78.90%，平均95%HD为6.23 mm。结论:基于多尺度融合和注意力机制的U-Net卷积神经网络对头颈部危及器官达到了更好的分割精度，有望在临床应用中提高医生的工作效率。