医学图像是医生对患者进行病情诊断和治疗规划的有力工具.现今对于医学图像的分割不再局限于手工分割方法,通过传统方法与深度学习方法来实现医学图像分割已经取得更好、更准确的结果.本文基于近年来一些较为出众的医学图像创新分割方法进行综述,通过阐述深度学习方法如SAM、SegNet、Mask R-CNN和U-NET以及传统方法如活动轮廓模型、阈值分割模型创新等,对比各种图像分割方法的异同点,对医学图像分割方法做出总结与展望.以此来帮助学者们更好地了解目前的研究进展与未来的发展趋势.

前列腺癌(prostate cancer,PCa)是全球男性中患病最多、致死率第二高的癌症.PCa神经微环境与肿瘤进展、手术根治程度及术后复发密切相关,但具体机制尚不明确.神经微环境中的神经密度(neural density,ND)、神经周围侵袭(perineural invasion,PNI)以及神经内分泌特征(neuroendocrine features,NEF)与TMPRSS2 ERG基因、单胺氧化酶A(monoamine oxidase A,MAOA)、核因子κB,神经营养因子以及神经肽Y(neuropeptide Y,NPY)等的表达密切相关.挖掘与该基因组学及蛋白组学相关的影像标志物可以早期识别PCa神经微环境从而影响临床诊疗方案.基于多参数磁共振成像(multiparameter magnetic resonance imaging,mp-MRI)影像组学特征可以识别PNI及NEF的潜在影像标志物.基于磁粒子成像技术(magnetic particle imaging,MPI)、深度神经网络(deep neural network,DNN)图像分类模型可以进行神经可视化.新兴神经影像技术弥散张量成像(diffusion tensor imaging,DTI)、扩散频谱成像(diffusion spectrum imaging,DSI)、神经突定向扩散与密度成像(neurite orientation dispersion and density imaging,NODDI)以及基于吩噁嗪的近红外荧光团的设计合成与神经成像技术,在显示及预测ND、PNI、NEF也蕴含着独特的价值.本文就PCa患者神经微环境潜在影像标志物的研究现状进行综述,以进一步揭示PCa神经微环境的神经生理机制,为后续诊疗过程及改善患者预后提供影像学依据.

目的 探索基于深度学习实现丘脑底核脑深部电刺激术(subthalamic nucleus deep brain stimulation,STN-DBS)自动化核团标注、手术靶点定位及电极植入路径规划.方法 来自北部战区总医院神经外科行双侧STN-DBS手术的155例患者的影像资料.首先,采用3D UX Net卷积神经网络基于MRI图像提取深度学习特征并完成丘脑底核(subthalamic nucleus,STN)及红核(red nuclei,RN)的分割;然后通过算法实现丘脑底核的自动化靶点定位;最后在规定的皮层入路点范围区域内生成不多于4根的电极植入路径.通过人工审查验证靶点及电极植入路径的临床可行性.结果 通过3D UX Net卷积神经网络算法进行核团分割,红核分割性能的Dice值为0.90.STN分割性能的Dice值为0.84.自动化生成STN靶点经人工审查验证可行的坐标与人工手术规划STN靶点坐标的欧几里得距离为(1.2±0.4)mm.25例测试集中自动化STN靶点定位及电极植入路径通过人工审查可行有20例(20/25),自动化靶点定位及电极路径与人工规划靶点及路径差异无统计学意义(P=0.059).结论 3D UX Net卷积神经网络可以较精确地分割STN及红核,通过自动化靶点定位及路径规划的STN-DBS手术计划临床可行且耗时短,可以为临床医生手术前规划提供参考.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

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。

脑小血管病（cerebral small vessel disease, CSVD）是一组累及穿支小动脉、毛细血管和小静脉的脑血管系统疾病症候群。由于CSVD在老年人群中发病率高且危害大，尽早识别与诊断疾病就显得尤为重要。随着人工智能技术的发展，包括机器学习、深度学习、计算机神经网络等人工智能技术被越来越多地应用于医学领域。文章综述了近年来人工智能技术在CSVD影像学标志物和血液标志物评价方面的应用。

近十余年来，智能神经外科已逐步进入轨道化、系统化、规模化的发展阶段，大数据挖掘、机器学习/深度学习/神经网络、临床决策支持系统/专家系统、手术导航与机器人等多个研发版块已初步发展成熟，相关应用已覆盖神经外科各类疾病的临床诊断、治疗决策、手术辅助、预后评估、模拟教学等多种场景，但整体尚处于起步阶段。在中国脑计划的开局之年，全面、理性、客观地回顾智能神经外科的发展历程，审视相关成果的应用现状及风险，具有承前启后的时代意义。

目的:探讨基于生成对抗网络重建PET图像在改善儿童低剂量 18F-FDG PET图像质量及病灶检出中的价值。 方法:回顾性分析2021年8月至2021年12月于首都医科大学附属北京友谊医院行 18F-FDG全身PET/CT显像的61例患儿[男38例、女23例，年龄(4.0±3.5)岁]的PET图像，将所有患儿通过列表模式提取的低剂量扫描(30 s、20 s、10 s)图像输入生成对抗网络进行深度学习(DL)重建，获取相应模拟标准全剂量(DL-30 s、DL-20 s、DL-10 s)图像。测量标准全剂量120 s、30 s、20 s、10 s、DL-30 s、DL-20 s、DL-10 s图像的肝血池及原发病灶半定量参数，计算靶本比(TBR)、对比噪声比(CNR)及 CV。采用5分Likert量表对图像质量进行主观评分，对比各组图像阳性病灶检出情况，计算阳性病灶检出的灵敏度及阳性预测值。采用Mann-Whitney U检验、Kruskal-Wallis秩和检验及 χ2检验分析数据。 结果:30 s、20 s、10 s组图像CNR分别低于DL-30 s、DL-20 s、DL-10 s组( z值：-3.58、-3.20、-3.65，均 P<0.05)。DL-10 s组评分低于120 s、DL-30 s及DL-20 s组[4(3，4)、5(4，5)、4(4，5)、4(4，5)分； H＝97.70， P<0.001]；120 s、DL-30 s、DL-20 s及DL-10 s组图像的TBR、CNR、 CV、病灶及肝血池SUV max和SUV mean差异均无统计学意义( H值：0.00~6.76，均 P>0.05)。DL-30 s、DL-20 s、DL-10 s组图像阳性病灶检出的灵敏度分别为97.83%(225/230)、96.96%(223/230)和95.65%(220/230)，阳性预测值分别为96.57%(225/233)、93.70%(223/238)、84.94%(220/259)；DL-10 s组阳性预测值较低( χ2＝23.51， P<0.001)。DL-10 s组对不同部位阳性病灶检出的假阳性及假阴性病灶较多。 结论:基于生成对抗网络的DL-20 s组图像质量较高，能达到临床诊断要求。

原发性肝癌（以下简称肝癌）是常见且致命的恶性肿瘤之一，严重危害人类生命健康。近年来，人工智能在肝癌领域研究取得突破进展，应用于肝癌研究各阶段，以期全面改善肝癌的临床诊断与治疗。肝癌中的人工智能技术主要包括机器学习和深度学习模型，后者是前者的1个分支并基于神经网络结构。当前，基于机器学习和深度学习模型的应用在肝癌中已展示出巨大潜力，但仍有许多问题亟待解决，包括提高结果的泛用性和可解释性等。笔者系统阐述近年来人工智能在肝癌领域的应用进展，并对目前面临的挑战及未来探索的方向进行深入探讨。

随着大数据时代的到来，人工智能得以在医疗领域崭露头角并实现了飞速发展，尤其在肿瘤诊断方面存在巨大潜能。人工智能利用自动化图像分割及提取等关键技术，在实现短时间内对大量肿瘤信息汇总分析的同时，还可以反映现实环境中成像数据的分布，使肿瘤诊断从主观感知转向客观科学，从而高效精确地协助医师的诊断，为诊疗计划的制订和预后的判断提供坚实的基础。笔者拟对人工智能在肿瘤诊断中的关键技术及当前的应用进行综述。