目的:研究核素肺通气/灌注（V/Q）SPECT显像在慢性血栓栓塞性肺动脉高压(CTEPH)分布异质性中的应用，探讨分布异质性定量指标与肺动脉压力之间的相关性。方法:收集中国医学科学院阜外医院2018年2月至12月经右心导管及肺动脉造影确诊的CTEPH患者20例（CTEPH组），其中男性12例、女性8例，年龄（48.75±14.07）岁；13名正常健康者作为对照组，其中男性7名、女性6名，年龄（54.46±8.56）岁。CTEPH组患者和对照组健康者均行肺V/Q SPECT显像及同床位低剂量CT扫描，CTEPH患者在一周内行超声心动检查，估测肺动脉收缩压（PASP）。通过图像重建和分析，获得肺V/Q放射性分布异质性指标LogSD V、LogSD Q和LogSD VQR（SD为标准差；V、Q、VQR分别为通气、灌注的放射性计数及二者的比值）。在CT图像上采用肺CT阈值的方法自动勾画左肺、右肺和全肺的感兴趣区，并将之复制于肺灌注图像上，获得左肺、右肺和全肺的标准化摄取值（SUV），包括SUV的峰值（SUV peak）、最大值（SUV max）、最小值（SUV min）、平均值（SUV mean）和标准差（SUV SD），其中SUV SD代表肺灌注放射性分布的异质性。2组之间的比较采用 t检验，分布异质性指标与PASP的相关性采用 Pearson相关性分析。 结果:健康对照组的肺V/Q放射性分布曲线呈对称性单峰状分布，而CTEPH组的肺V/Q放射性分布曲线呈非对称性的多峰分布。与健康对照组相比，CTEPH组的LogSD V、LogSD VRQ、全肺灌注的SUV peak、SUV max、SUV SD均明显升高，且差异均有统计学意义（LogSD V：0.56±0.16对0.31±0.11， t=4.91， P=0.000；LogSD VQR：0.61±0.15对0.40±0.14， t=3.89， P=0.001；SUV peak：19.12±7.94对10.81±4.05， t=3.48， P=0.002；SUV max：20.19±8.30对11.44±4.33， t=3.49， P=0.001；SUV SD：3.54±1.44对2.42±0.91， t=2.50， P=0.018）；而2组的LogSD Q、SUV mean和SUV min的差异均无统计学意义。CTEPH组的PASP为（72.80±0.15）mmHg，LogSD VQR与PASP呈中等程度相关（ R=0.544， P=0.013）。 结论:核素肺V/Q显像可定量评估CTEPH患者肺V/Q放射性分布的异质性，同时可反映CTEPH患者肺动脉压力的状态。

肿瘤放射治疗教学现状显著落后于放疗技术的发展。基于人工智能靶区自动勾画系统及标准化肿瘤放疗案例库教学体系的建设及其应用，可操作性和实践性强，实现临床靶区勾画教学的规范化、标准化和同质化，提高了学生靶区勾画的精度和速度，促进了学生学习的兴趣、主动性和效率，为肿瘤放疗教育的发展注入新活力，值得深入探索及推广。

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:探讨使用U-Net深度学习网络对MRI表观扩散系数（ADC）图像中前列腺癌（PCa）自动分割及定位的可行性。方法:回顾性搜集2017年6月1日至2019年3月31日北京大学第一医院因临床怀疑PCa拟行前列腺穿刺的男性患者的临床和影像资料。共纳入245例患者，根据病理结果将所有患者分为PCa组（ n=184）与非PCa组（ n=61），并随机分为训练集（PCa 129例，非PCa 19例）、验证集（PCa 18例，非PCa 3例）和测试集（PCa 37例，非PCa 39例）。由1名放射科医师依据病理结果在ADC图上勾画PCa癌灶，并通过前列腺腺体分割模型将测试集前列腺腺体自动划分6分区。经过前列腺腺体自动分割等预处理后，采用U-Net深度学习网络进行PCa分割模型的训练。以医师标记结果为金标准，用Dice相似系数（DSC）评价AI模型对测试集PCa癌灶的分割效果。并分别以患者及病灶为单位评价模型对PCa的检出效能，以6分区法评价模型对癌灶自动定位的准确性。 结果:测试集中，医师标注癌灶51个，最大径线为（1.9±0.7）cm，6分法癌灶分区456个（PCa区122个、非PCa区334个）。以病灶为单位，AI模型对测试集PCa的分割DSC为（70.2±21.7）%，检出癌灶的灵敏度94.1%（48/51）。以患者为单位，AI模型检出PCa患者灵敏度为97.3%（36/37），特异度为66.7%（26/39），准确度为81.6%（62/76）。AI模型对PCa癌灶定位分区的准确度为90.8%（414/456），对癌区检出的灵敏度为95.1%（116/122），特异度为89.2%（298/334）。结论:U-Net深度学习模型对MRI ADC图像中PCa的检出具有较高的灵敏度，对PCa 6分区定位具有较高的准确度，预测结果可自动填写入结构化报告，进一步提高了临床工作效率。

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:探讨基于CT平扫冠状动脉周围（简称冠周）脂肪的影像组学模型对非钙化斑块的诊断价值。方法:回顾性分析461例2019年8月1日至2020年7月31日苏州大学附属第一医院放射科行冠状动脉CT血管造影（CCTA）患者的影像学资料。CCTA检出206例（355支）冠状动脉有非钙化斑块，255例（510支）冠状动脉未见异常。于CT平扫［钙化积分（CCS）序列］图像对冠周脂肪进行感兴趣区（ROI）勾画。选取距冠状动脉开口处10 mm起始的长为40 mm的冠状动脉进行冠状动脉ROI勾画并自动生成冠周脂肪ROI，随后进行冠周脂肪衰减指数（FAI）以及影像组学参数的提取。将865支冠状动脉按7∶3的比例分为训练组（ n=606）和测试组（ n=259）并进行组学建模，运用受试者工作特征（ROC）曲线分析评估FAI值以及组学模型对于非钙化斑块的诊断效能。 结果:从基于平扫的冠周脂肪的图像中共提取1 692个特征，使用最大相关最小冗余（mRMR）和最小绝对收缩与选择算子（LASSO）进行特征筛选后，筛选出14个特征用于影像组学模型的建立。模型在测试组中鉴别非钙化斑块患者和冠状动脉未见异常者的准确度、灵敏度、特异度和曲线下面积（AUC）分别为70.3%、63.2%、75.2%和0.75。结论:基于平扫冠周脂肪影像组学模型对非钙化斑块具有较好的诊断效能。

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。

基于影像学的早期肺腺癌浸润性预测，对于肺结节的临床管理、手术方法和预后评估具有重要意义。相比于基于特征构建的统计学方法和影像组学方法，以卷积神经网络为基础的深度学习方法用于预测肺腺癌浸润性具有性能高、可靠性强、自动勾画等优势，有很好的应用前景。目前已有研究对多模态学习、浸润性分类、多任务处理、辅助临床、可解释性等领域进行了探索，并提高了模型的预测准确度。随着融合模态的丰富、多中心大样本的建立、小样本学习方法的应用以及前瞻性研究的开展，深度学习将在肺腺癌浸润性的预测中发挥更重要的作用。

目的:验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法:选取535例宫颈癌CT影像，参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV)，经专家审查后作为参考勾画，用于自动分割勾画训练和测试。另从测试组中随机挑选根治4例及术后6例，分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试，以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时，分别记录算法和手动勾画耗时。结果:数据经VB-Net网络训练得到根治CTV 1(dCTV 1)、dCTV 2、术后CTV 1(pCTV 1)自动分割模型，自动勾画结果与参考勾画具有较好的一致性(DSC：0.88、0.70、0.86；MSD：1.32、2.42、1.15 mm；HD：21.6、22.4、20.8 mm)。dCTV 1算法与三组医师勾画相近( P>0.05)；dCTV 2及pCTV 1算法均优于初中级医师勾画( P<0.05)，自动分割勾画耗时较手动勾画显著缩短。 结论:基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当，应用于临床中将有助于大幅提高工作效率，具有提高勾画一致性和准确性的潜能。

目的:探索基线PET代谢参数联合B淋巴细胞瘤－2(Bcl－2)/细胞－髓细胞瘤病毒癌基因(c－Myc)蛋白双表达(DE)在预测原发胃肠道弥漫性大B细胞淋巴瘤(PGI－DLBCL)患者危险度分层中的价值。方法:回顾性分析2011年3月至2019年11月间南京大学医学院附属鼓楼医院和南京医科大学第一附属医院74例经病理证实为PGI－DLBCL的患者(男33例、女41例，年龄20~87岁)，患者治疗前均接受基线PET/CT检查。利用SUV max≥2.5作为病灶边界进行自动勾画，计算肿瘤代谢体积(MTV)和病灶糖酵解总量(TLG)。利用免疫组织化学法分析患者Bcl－2及c－Myc蛋白表达；建立包含MTV和DE的预后预测模型，将患者分为3组：低危组(低MTV和非DE)、中危组(高MTV或DE)和高危组(高MTV和DE)。采用Kaplan－Meier生存分析、log－rank检验、多因素Cox比例风险回归模型对无进展生存(PFS)及总生存(OS)进行预后分析。 结果:74例患者中，20例复发或进展、13例死亡，29.7%(22/74)的患者DE阳性。多因素分析结果提示，MTV[风险比( HR)＝9.110，95% CI：1.429~18.615， P＝0.012]和DE( HR＝9.837，95% CI：1.690~57.260， P＝0.011)是PFS的独立预测因素，而MTV( HR＝12.470，95% CI：3.356~46.336， P<0.001)是OS的独立预测因素。所构建的PFS预后预测模型中，低危组( n＝42)与中危组( n＝20)的生存曲线差异有统计学意义( χ2＝7.84， P＝0.005)，中危组与高危组( n＝12)的生存曲线差异也有统计学意义( χ2＝18.72， P<0.001)。 结论:MTV和DE能够独立预测PGI－DLBCL患者的PFS，MTV能够独立预测OS。MTV联合DE构建的PFS预后预测模型能够很好地对患者进行危险度分层。