目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

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:评估基于一种深度学习网络模型2D-PE-GAN的鼻咽癌靶区自动勾画模型，对靶区勾画的工作效率的提高作用。方法:模型采用生成对抗网络的架构，生成器采用UNet相似结构，并在生成器的每一层卷积操作后添加2D-PE-block，提升勾画准确度。实验数据使用130例鼻咽癌CT图像，模型训练前对图像进行预处理，通过对比UNet、GAN，以及添加注意力机制的GAN三种模型，使用Dice系数、豪斯多夫距离、准确率、马修斯相关系数、杰卡德距离，说明提出模型的有效性。结果:相比于UNet、GAN、加入注意力机制的GAN，2D-PE-GAN网络分割CTV的Dice系数平均值提高了26%、4%、2%，分割GTV的Dice系数平均值提高21%、4%、2%。相比于加入注意力机制的GAN，2D-PE-GAN的参数和时间分别减少了0.16%、18%。结论:与UNet、GAN、加入注意力机制的GAN三种模型相比，2D-PE-GAN用于鼻咽癌靶区勾画，分割准确度均有所提升，同时，与提出原因相似的注意力机制相比，使用2D-PE-GAN在分割准确度相差不大的情况下，能减少计算资源的占用。

目的 基于循环生成对抗网络(cycle generative adversarial network,CycleGAN),利用非配对患者头颅磁共振图像数据实现水抑制T2WI图像和弥散加权成像(diffusion weighted imaging,DWI)图像之间的相互转换,并评估生成的伪弥散加权成像(synthetic diffusion weighted imaging,sDWI)图像质量.材料与方法 收集200例头颅水抑制T2WI图像以及DWI图像,训练集与测试集各100例,其中测试集含50例急性脑梗死.CycleGAN模型包含两个生成器与两个判别器.先基于卷积神经网络(convolutional neural networks,CNN)构建两个生成器,一个将水抑制T2WI图像转换为sDWI图像,另一个生成器将DWI图像转换成伪T2WI图像.再基于CNN构建两个判别器,用于对真实图像和生成的伪图像进行判别并更新参数.生成器与判别器不断交替工作完成CycleGAN模型训练.通过平均绝对误差(mean absolute error,MAE)、平均误差(mean error,ME)、峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)以及主观评分评估sDWI图像质量.对50例急性脑梗死DWI图像与sDWI图像进行梗死灶分割,并计算DICE系数.结果 测试集sDWI图像与真实DWI图像MAE为34.991±0.989,ME为15.982±0.978,PSNR为26.642±3.428,SSIM为0.927±0.039;80%以上sDWI图像无或仅有轻微图像失真、伪影;真实DWI与sDWI图像梗死灶分割后的DICE系数分别为0.898±0.324、0.849±0.259.结论 CycleGAN模型和非配对图像数据可以生成质量较高的sDWI图像,为需要快速磁共振成像的患者减少扫描时间.

目的 研发基于深度神经网络的智能识别甲状腺功能状态的诊断模型.方法 选取2016年5月至2018年6月1616例(男283例,女1333例,平均年龄52岁)临床已确诊受检者的甲状腺平面显像图,其中甲状腺正常图像299例,甲状腺功能亢进症(简称甲亢)图像876例,甲状腺功能减退症(简称甲减)图像441例.利用2种深度神经网络模型AlexNet和深度卷积生成对抗网络(DCGAN),应用深度学习算法对1000例训练集样本进行特征提取和训练,对616例测试集样本进行效能验证,对2种模型的验证结果分别进行分析,采用Kappa检验进行一致性分析,并分析智能诊断模型的时间优越性.结果 AlexNet模型平均诊断时间为1 s/例,其对甲状腺功能正常、甲亢和甲减的分类判别准确性分别为82.29％(79/96)、94.62％(369/390)、100％(130/130),分类结果与确诊结果的一致性检验Kappa值为0.886(P<0.05);DCGAN模型平均诊断时间为1 s/例,其对甲状腺功能正常、甲亢和甲减的分类判别准确性分别为85.42％(82/96)、95.64％(373/390)、99.23％(129/130),分类结果与确诊结果的一致性检验Kappa值为0.904(P<0.05).结论 深度神经网络智能诊断模型可快速判别甲状腺平面显像中甲状腺的功能状态,识别准确性较高,为甲状腺平面显像图审阅提供了新方式.

深度神经网络(DNN)作为人工智能最主要的分支,是基于模仿人脑思考方式的计算机程序,旨在模拟人类大脑处理信息的方式对事物进行分类或预测.DNN的通用性表现为:自我学习、自适应、联想记忆,即使没有先验背景也可以执行各种任务.近年来DNN受到国内外医学界的广泛重视,尤其在精准分类肿瘤细胞数字图像的自动识别方面已经取得了重大突破,DNN通过强化学习并因此获得经验,使医生能够向患者提供准确的诊疗方案.本文主要综述了DNN技术在肿瘤细胞识别的最新研究进展,详细阐述卷积神经网络、深度信念网络、生成对抗网络、深度残差网络的原理及其应用实例,比较基于不同模型的神经网络,对各类模型在应用层面上的精准度和性能进行分析,提出DNN在肿瘤细胞识别领域中面临的问题及未来的发展趋势.

肺癌是死亡率最高的恶性肿瘤,肺结节早期确诊是降低肺癌死亡率的关键.计算机辅助诊断技术在肺结节早期确诊方面被认为具有超越人类专家的潜力.而基于深度学习技术的肺结节检测和分类可通过自我学习而不断提高诊断的准确率,是实现计算机辅助诊断的重要手段.本文首先系统阐述了二维卷积神经网络(2D-CNN)、三维卷积神经网络(3D-CNN)和更快速的区域卷积神经网络(Faster R-CNN)技术在肺结节检测方面的应用,然后阐述了2D-CNN、3D-CNN、多流多尺度卷积神经网络(MMCNN)、深度卷积生成对抗网络(DCGAN)和迁移学习技术在肺结节分类中的应用,最后针对肺结节的检测与分类中不同的深度学习方法进行了综合比较分析.

针对乳腺癌组织病理图像中各类样本的不均衡性,本研究构建了基于条件控制和深度卷积的两种乳腺癌组织病理图像样本生成对抗网络并生成人造样本,以实现样本均衡化.实验验证了两种网络用于数据均衡化的可靠性,发现在处理不均衡数据时基于深度卷积的生成对抗网络效果更好,基于条件控制的生成对抗网络鲁棒性更强;分析了增加人造样本对深度学习算法的影响.结果表明,本研究提出的数据均衡化方法将训练所得网络的分类准确率平均提升了近5％,生成对抗网络可以缓解深度学习在医学领域的应用中数据分布不平衡的问题.

微米级计算机断层扫描(Micro-CT)的应用领域很广泛,在生物医学、材料科学等都有研究,而且最近几年的发展很迅速.Micro-CT图像常因辐射剂量的限制而出现噪声,所以开发一种合适的算法来抑制Micro-CT图像中噪声变得很重要.Micro-CT图像的噪声水平与扫描样本、扫描参数等参数有关,合适的噪声抑制算法应该在不同噪声水平下都有不错的性能.过去Micro-CT图像的噪声抑制算法主要是迭代重建算法,但迭代重建算法速度比较慢.深度学习方法作为近些年比较热门的图像处理方法,在临床低剂量CT图像处理上相比于传统方法效果更好、处理速度更快,有进一步在低剂量Micro-CT图像处理中应用的潜力.另外,生成对抗网络在保持图像细节上有着比卷积神经网络更好的效果,本文构建普通卷积神经网络与生成对抗网络,用于对比两者的性能差异.限制于放射源的功率,低噪声的Micro-CT数据难以获取,提出一种创新的扫描方式,可有效获取低噪声的Micro-CT数据,并对实验小鼠的进行了扫描.针对低剂量Micro-CT中较高的噪声,结合Micro-CT的成像原理,提出渐进式的低剂量Micro-CT图像处理方法,分别在解析重建前后对小鼠的Micro-CT图像进行两次处理.相比于只在断层图像上处理,渐进式方法对高噪声数据的处理效果更好.从客观指标与主观视觉效果上,分析和对比了渐进式方法与其他深度学习方法或迭代重建算法的差别.定量分析不同噪声水平下的Micro-CT图像的处理效果,分析生成对抗网络在渐进式Micro-CT图像处理中的优势与限制.渐进式Micro-CT图像处理方法生成的图像质量高、生成速度快、鲁棒性高、客观指标高,可以对进一步的高级应用如图像分割、图像三维可视化等提供帮助.

针对现有视网膜血管分割算法存在主血管末端易断裂、中心黄斑和视盘边界易误分割等问题,本文提出一种融合血管轮廓信息与条件生成对抗网络的视网膜血管分割算法.首先,采用非均匀光照移除和主成分分析处理眼底图像,增强血管与背景的对比度,并获得特征信息丰富的单尺度灰度图像.其次,将集成了带偏移量的深度可分离卷积和挤压激励(SE)模块的密集块同时运用到编码器和解码器,缓解梯度消失和梯度爆炸,同时使得网络专注于学习目标的特征信息.然后,引入轮廓损失函数,提升网络对血管信息和轮廓信息的辨识能力.最后,在DRIVE与STARE数据集上分别进行实验,受试者曲线值分别达到0.982 5和0.987 4,准确率分别达到0.967 7和0.975 6.实验结果表明,本文提出的算法能够准确辨别轮廓与血管,减少血管断裂,在临床眼科疾病诊断中具有一定的应用价值.