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: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:利用深度学习预测鼻咽癌患者疗程中的解剖图像，用于及时发现鼻咽癌患者放疗疗程中可能发生的解剖结构变化。方法:收集2020年1月1日至2022年12月31日于中国医学科学院肿瘤医院就诊的230例T 3-T 4期鼻咽癌患者的图像资料，包括计划CT（pCT）和各分次的锥形线束CT（CBCT）图像。使用3D Unet神经网络预测放疗第 k+1周的解剖图像，输入包括pCT、第1-3天的CBCT和第2- k周的各1次CBCT。训练了4个模型分别用于预测第3-6周的解剖图像。在预测图像和真实图像上勾画出鼻咽原发肿瘤（GTV nx）和左右腮腺，通过评估预测图像和真实图像上勾画结构的一致性来评估模型性能。 结果:本研究提出的方法能较准确预测整个放疗疗程中的解剖图像。预测与真实图像上感兴趣轮廓的一致性较高，GTV nx、左腮腺、右腮腺的戴斯相似性系数平均值分别为0.96、0.90、0.92，平均豪斯多夫距离分别为3.28、4.18、3.86 mm，平均最小距离分别为0.37、0.70、0.60 mm。 结论:利用深度学习方法预测鼻咽癌患者疗程中解剖图像的方法准确可行，有助于提前预测和准备治疗策略，实现个性化治疗。

目的:通过训练生成对抗网络（generative adversarial network，GAN）模型，构建一种包括跨中线上颌骨缺损的虚拟重建方法，以期为临床提供参考。方法:收集2015年6月至2022年6月于四川大学华西口腔医院影像科就诊的汉族成年口腔疾病患者CT资料，选择100例健康上颌骨及15例上颌骨缺损（5例单纯单侧缺损、5例单侧缺损并累及颧骨、5例跨中线缺损）CT数据。应用Mimics软件在健康上颌骨数据及其附近区域创建球型模体并模拟上颌骨缺损，分别为单纯单侧缺损、单侧缺损并累及颧骨、跨中线缺损，以原始图像为虚拟重建的正确参照；人工缺损与正确参照配对后分为训练集（70例）、验证集（20例）以及测试集（10例），前两者用于训练GAN模型，测试集用于评估GAN性能。15例上颌骨缺损CT数据导入训练完成后的GAN模型中进行虚拟重建，对单侧缺损分别采取镜像和基于GAN的方式进行虚拟重建，而对跨中线缺损仅采取基于GAN的方式进行虚拟重建，重建结果分为镜像重建组（10例）、单侧缺损GAN重建组（10例）和跨中线缺损GAN重建组（5例）。对测试集、镜像重建组、单侧缺损GAN重建组进行定量评价，定量指标为Dice相似性系数（Dice similarity coefficient，DSC）和95%豪斯道夫距离（95% Hausdorff distance，HD95），对各组结果进行单因素方差分析和Tukey检验。对测试集、镜像重建组、单侧缺损GAN重建组和跨中线缺损GAN重建组进行定性评分，对各组总分进行Kruskal-Wallis检验和事后检验（Bonferroni校正法）。结果:测试集、镜像重建组、单侧缺损GAN重建组DCS（分别为0.891±0.049、0.721±0.047、0.778±0.057）和HD95［分别为（3.58±1.51）、（5.19±1.38）、（4.51±1.10）mm］的总体差异均有统计学意义（ F=28.08， P<0.001； F=3.62， P=0.041）；其中，测试集DSC显著大于镜像重建组（ P<0.05），测试集HD95显著小于镜像重建组（ P<0.05）。测试集、镜像重建组、单侧缺损GAN重建组、跨中线缺损GAN重建组定性总分［分别为8（1）、6（2）、6（2）和4（2）分］的总体差异有统计学意义（ H=18.13， P<0.001）；两两比较显示，测试集总分显著高于镜像重建组（ P<0.05）。 结论:本项研究提出的基于GAN的虚拟重建方法，其单侧缺损虚拟重建效果优于镜像技术，亦可实现跨中线上颌骨缺损的虚拟重建。

目的:提出基于结构信息和直觉模糊集的图像相似度测度法，并对放疗计划定位CT图与CBCT图进行相似性测度以客观定量衡量摆位误差。方法:选取鼻咽癌和盆腔部肿瘤患者各1例，提取其计划CT图像及CBCT图像，在鼻咽癌患者横截面与矢状面、盆腔部患者横截面与冠状面上，人为模拟了5种不同程度的摆位误差，同时运用相关系数、均方误差、图像联合熵、互信息以及本文相似度测度法对误差进行比较测量。结果:5种方法都可以在一定程度上描述误差。对比其他方法，相似度测度法随着误差增大表现出更强烈的变化趋势：鼻咽癌横截面5种误差递增结果归一化后为0.553、0.683、1.055、1.995、5.151，矢状面为1.171、1.618、1.962、1.790、3.572；而其他方法结果归一化后为0~2间，且同一方法不同误差的结果变化较小。另外，该方法对软组织误差更敏感。结论:基于结构信息和直觉模糊集的图像相似度测度法衡量结果与人眼感知更一致，可一定程度上客观量化了包括骨性标记与软组织的误差，其反映的软组织偏差对个体化精准放疗有意义。

目的:以宫颈癌MR图像为基础，分析不同勾画者、同一勾画者不同时间手工勾画危及器官(OARs)的稳定性，为放疗计划设计的序列选择进行初步探索。方法:回顾性分析中山大学肿瘤防治中心放疗科2016—2018年经MR-sim扫描的30例宫颈癌患者，选取共有的T1WI、T1dixonc和T2WI 3序列MR图像导入Monaco计划系统，由两位临床放疗医师独立在每个患者3个序列上分别勾画膀胱、直肠、肛管、左/右股骨头。其中一位医师在完成首次勾画工作后的一个月再次完成T1WI序列及各OARs的勾画。统计分析各OARs的相似性系数(DSC)、豪斯多夫距离(HD)和位置差异(Δ x、Δ y、Δ z)。 结果:不同勾画者在T1WI、T1dixonc、T2WI序列和同一个勾画者在T1WI序列上勾画5个OARs的HD值均<2 mm；位置差异均<5 mm。不同勾画者和同一个勾画者不同时间勾画的DSC、HD及位置差异与OARs体积呈正相关性( R＝0.178～0.582， P<0.05)。因肛管体积较小(7.385±1.555) cm 3，DSC值均<0.7表现稍差外，其余OARs平均DSC值均>0.82。通过两两比较3个序列上不同勾画者勾画OARs的DSC、HD发现，T1WI序列直肠、左/右股骨头的DSC值、膀胱、左/右股骨头、直肠的HD值以及肛管、右股骨头Δ z轴差异均优于T1dixonc，差异有统计学意义( t＝-3.116～3.604, P<0.05)；T1WI序列直肠DSC值和肛管HD值较T2WI序列好( t＝2.934、3.677， P<0.05)；T1dixonc序列直肠DSC、肛管HD差异稍优于T2WI( t＝6.806、2.130， P<0.05)；T2WI序列勾画骨组织(左/右股骨头)稳定性优于T1WI、T1dixonc，且差异均具有统计学意义( t＝-6.580～6.542， P<0.05)。 结论:基于MR图像的不同勾画者和同一勾画者不同时间勾画膀胱、直肠、股骨头稳定性较好，肛管次之。且T1WI序列OARs勾画稳定性较优于T1dixonc、T2WI。

目的:针对CBCT图像中肿瘤与周围组织对比度低的缺点，研究一种适合于CBCT图像中中心型肺癌的自动分割方法。方法:收集221例中心型肺癌患者，其中176例行CT定位，45例行强化CT定位。将强化CT图像分别设置为肺窗和纵隔窗，并与首次CBCT验证图像进行弹性配准获得配对数据集；然后将配对数据集传入cycleGAN网络进行风格迁移，使得CBCT图像可分别转化为肺窗和纵隔窗下的"强化CT"；最后经风格迁移后的图像被载入UNET-attention网络对大体肿瘤体积进行深度学习。通过戴斯相似性系数(DSC)、豪斯多夫距离(HD)和受试者工作特征曲线下面积(AUC)对分割结果进行评价。结果:经风格迁移后肿瘤与周围组织对比度明显增强，采用cycleGAN+UNET-attention网络的DSC值为0.78±0.05，HD值为9.22±3.42，AUC值为0.864。结论:采用cycleGAN+UNET-attention网络可有效对CBCT图像中中心型肺癌进行自动分割。

目的:在U-net卷积神经网络基础上设计出混合注意力U-net (HA-U-net)网络用于全脑全脊髓临床靶体积(CTV)自动勾画，并与U-net自动分割模型分割结果进行比较。方法:研究回顾了110例全脑全脊髓患者数据，选择80例用于训练集，10例用于验证集，20例作为测试集。HA-U-net以U-net为基准网络，在U-net网络输入端加入双注意力模块，同时在跳跃连接中加入注意力门模块来建立全脑全脊髓CTV自动勾画网络模型。评估参数为戴斯相似性系数、豪斯多夫距离和精确率。结果:HA-U-net网络得到戴斯相似性系数为0.901±0.041，豪斯多夫距离为(2.77±0.29) mm，精确率为0.903±0.038，结果均优于U-net网络分割结果(均 P<0.05)。 结论:HA-U-net卷积神经网络可以有效提升全脑全脊髓CTV自动分割的精度，有助于医生提高工作效率与勾画一致性。

目的:探讨基于甲基丙烯酸酐化明胶（GelMA）仿生微环境与悬滴法三维培养小鼠毛乳头细胞（DPC）制备仿生毛乳头球的生物活性及其在裸鼠中的毛发诱导功能。方法:采用实验研究方法。采用酶消化法获取雄性5~6周龄C57BL/6J小鼠触须毛的DPC以及1 d龄C57BL/6J小鼠皮肤角质形成细胞（KC），经免疫荧光法鉴定前者第3代细胞稳定表达DPC标志物神经细胞黏附分子、碱性磷酸酶（ALP）、β连环蛋白及α平滑肌肌动蛋白，后者原代细胞稳定表达KC标志物角蛋白15。取第8代DPC，用GelMA重新悬浮并接种至Transwell孔板插件底面，光交联后倒置培养，于光学显微镜下观察培养0（即刻）、3 d GelMA悬滴中DPC聚集情况（聚集成球即仿生毛乳头球），采用活/死染色试剂盒检测培养3 d仿生毛乳头球中细胞活性。将传统二维培养的原代DPC、第8代DPC以及按前述方法制备的仿生毛乳头球分别设为原代DPC组、第8代DPC组、仿生毛乳头球组，利用高通量测序技术平台对每组培养3 d的3个样本中DPC进行转录组测序，利用基迪奥生物信息云工具平台（OmicShare Tools）对转录组数据进行主成分分析、Pearson相似性分析、差异表达基因筛选，利用时间序列趋势分析软件对差异表达基因进行表达模式聚类分析，利用基迪奥生物信息云工具平台对具有特定表达模式的差异表达基因进行京都基因与基因组百科全书（KEGG）和基因本体论（GO）富集分析。同前进行细胞分组，采用随机数字表法从差异表达基因中抽取性别决定区Y框蛋白8（ SOX8）、基质金属蛋白酶9（ MMP- 9）、26型胶原纤维α1（ COL26A1）、无翅型MMTV整合位点家族成员6（ Wnt6），采用实时荧光定量反转录PCR（RT-PCR）法验证差异表达基因mRNA表达情况与测序结果的一致性（样本数为9）；采用实时荧光定量RT-PCR法检测DPC生物功能标志物成纤维细胞生长因子7（FGF7）、Wnt10a、淋巴样增强因子1（LEF1）、ALP、β连环蛋白、多功能蛋白聚糖、SOX2的mRNA表达情况（样本数为9）。取3只5~6周龄雄性BALB/c裸鼠，分别设为原代DPC组、第8代DPC组、仿生毛乳头球组，将原代DPC、第8代DPC、仿生毛乳头球分别与原代KC以2∶1细胞数比例混合后分别注射至相应组别裸鼠皮下，每只注射6个区域。注射后2周，取注射区域全厚皮，计数再生毛发，行苏木精-伊红染色后观察再生毛囊情况。对数据行单因素方差分析、Tukey检验并进行Bonferroni校正。 结果:培养3 d，DPC在GelMA悬滴中由培养0 d的分散状态聚集成仿生毛乳头球，制备的仿生毛乳头球中细胞活性良好。培养3 d，主成分分析显示，相比于第8代DPC组，原代DPC组、仿生毛乳头球组组内样本间变异程度较低，仿生毛乳头球组与原代DPC组组间样本变异程度最低，3组DPC样本超过90%的基因谱数据变异可由第1个和第2个主要成分来解释；Pearson相似性分析显示，组内样本重复性好，原代DPC组和仿生毛乳头球组样本间的相关系数为0.84~0.95，原代DPC组和第8代DPC组样本间的相关系数为0.72~0.87；3组DPC间差异表达基因分析筛选出642个组间交集差异表达基因，对其进行表达模式聚类显示有2种基因表达模式有显著趋势（ P<0.05），分别为第8代DPC组基因表达显著低于原代DPC组/仿生毛乳头球组、第8代DPC组基因表达显著高于原代DPC组/仿生毛乳头球组，共包含411个差异表达基因；KEGG富集分析显示这411个差异表达基因在Wnt信号通路以及磷脂酰肌醇3激酶-蛋白激酶B信号通路显著富集（ P<0.05），GO富集分析表明细胞外基质、经典Wnt信号通路、细胞分化等GO术语被显著富集（ P<0.05）。与原代DPC组、仿生毛乳头球组比较，第8代DPC组细胞基因 SOX8、MMP- 9、COL26A1、Wnt6 mRNA表达量均明显下降（ q=15.950、8.854、11.890、11.050，9.851、5.884、7.418、4.870， P<0.01），与测序数据一致。与原代DPC组、仿生毛乳头球组比较，第8代DPC组细胞生物功能标志物FGF7、Wnt10a、LEF1、ALP、β连环蛋白、多功能蛋白聚糖、SOX2 mRNA表达量均明显下降（ q=11.470、9.795、4.165、9.242、10.970、10.570、8.005，7.472、4.976、3.651、4.784、5.236、6.825、5.214， P<0.05或 P<0.01）。注射后2周，第8代DPC组裸鼠无毛发再生，仿生毛乳头球组与原代DPC组裸鼠再生毛发数量相近（ q=1.852， P>0.05）且均显著高于第8代DPC组（ q=18.980、17.130， P<0.01）；第8代DPC组裸鼠注射区域皮肤仅形成了坏死灶，而仿生毛乳头球组与原代DPC组裸鼠注射区域皮肤均观察到再生毛囊且毛囊横断切面有黑色素沉着。 结论:基于GelMA仿生微环境与悬滴法三维培养小鼠DPC制备仿生毛乳头球的培养模型可一定程度上恢复高传代DPC在裸鼠中的毛发诱导能力，且其生物特性更加类似于原代DPC，可实现DPC的扩增后特性恢复。

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。