专家引言：胆管癌是一种发生于肝内、外胆管上皮的原发性恶性肿瘤，具有高度的侵袭性和异质性，其中肝外胆管癌约占75%。近年来，胆管癌的发病率和死亡率逐渐增加，其高发地区主要位于东南亚；中国胆管癌的发病率大于6/10万，是全世界发病率最高的国家之一。胆管癌预后极差，在高发地区是继艾滋病和脑卒中之后死亡率最高的疾病之一。近年来，西南医科大学附属医院放射科舒健教授团队围绕肝外胆管癌的MRI开展了一系列研究，利用深度神经网络在MRI图像上对胆胰壶腹部及肝外胆管癌病灶进行了自动识别与分割，利用MRI的常规影像学特征、定量参数以及结合人工智能评估了肝外胆管癌的生物学行为并进行了生存分析的评估，为辅助肝外胆管癌的诊疗提供了影像学手段和依据。四川大学华西医院宋彬教授指出，2018年国家自然科学基金委员会确定了新时代资助导向，即“鼓励探索、突出原创；聚焦前沿、独辟蹊径；需求牵引、突破瓶颈；共性导向、交叉融合”。影像医学作为近年来医学发展最迅速的学科之一，影像科研工作充满机遇，但也面临挑战。舒健教授团队通过国家自然科学基金的资助，针对胆管癌这一相对高发、预后差的有需求牵引的疾病，通过临床、影像的内容进行了系列研究，就如何有效地进行治疗前评估、改善预后、提高生存质量和生存时间等重要研究方向进行逐一探索并突破瓶颈，所做的研究符合国家自然科学基金委所提出的要求，特别是建立了较好的有学科交叉特点的医工团队，科研产出硕果累累。上述主要研究结果表明舒健教授团队将影像学新技术应用于肝外胆管癌的自动检测、术前评估及临床预后预测等方面，为肝外胆管癌的临床决策提供了快速、无创、便捷和个性化的预测方法。期待该团队未来在肝外胆管癌这一疑难疾病能有更多、更好的研究，最终实现肝外胆管癌患者的生存获益。

目的:探究卷积注意力模块（CBAM)与Unet不同融合路径对于急性胰腺炎患者增强CT图像中胰腺自动分割的有效性。方法:回顾性分析川北医学院附属医院2016年1月1日至2021年7月30日收治的1 158例急性胰腺炎患者，纳入首发急性胰腺炎患者141例，依据轻、中、重病例各随机选取5例共15例作为测试集，余下126例作为训练集，在训练集中再随机划分20%的数据作为验证集。以Dice相似系数、豪斯多夫距离（HD）和像素准确率（PA）作为评价指标，对CBAM与Unet网络的不同融合路径进行训练，取验证集表现最佳的模型，在训练集上评估其性能，并将其与Unet、在跳级连接部分加入了注意门注意力机制（AttentionUnet）、在Unet网络中用ResBolck替代原有的卷积模块（ResUnet）、在特征提取的跳级连接分支模块融入CBAM（ResUnet_CBAM）模型进行比较。结果:Unet_CBAM在训练集上取得的效果更好，Dice相似系数为80.06%，HD为3.765 9，PA为0.992 3，均优于其他融合路径，对急性胰腺炎患者CT图像中胰腺区域的分割效果均优于Unet及其相关的变体网络。结论:Unet网络在跳级连接后融入CBAM能够较好地对急性胰腺炎患者增强CT图像行胰腺分割，能有效地提升相关人员对急性胰腺炎患者增强CT图像进行胰腺分割的效率。

目的:通过数字化分析方法自动分割并定量经颅超声检查下黑质回声的变化，并评估其在帕金森病患者中的应用前景。方法:纳入自2017年11月至2020年10月在华中科技大学同济医学院附属同济医院就诊的652例帕金森病患者（帕金森病组）和99名健康对照者（健康对照组），对其进行经颅超声检查。应用数字化分析方法分析经颅超声图像黑质层面的图片，对得到的黑质高回声的定量化数值采用受试者工作特征（ROC）曲线分析其对帕金森病的诊断性能，并与医生报告的诊断准确性进行比较。最后将定量化的黑质高回声与帕金森病的疾病特点进行相关分析。结果:共得到482例研究对象的黑质高回声定量化结果用于分析，其中帕金森病组400例，健康对照组82名。ROC曲线分析结果显示，定量化的较大侧黑质高回声诊断帕金森病的曲线下面积为0.858（95% CI 0.805~0.910），敏感度87.8%，特异度73.2%，该诊断的准确性与医生报告（曲线下面积0.884）一致。此外，定量化的黑质高回声与帕金森病患者的年龄、发病年龄、病程、运动症状、非运动症状均无相关性（均 P>0.05）。 结论:采用数字化分析方法量化了黑质回声的变化，验证了该方法对帕金森病的诊断准确性与医生报告一致。

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。

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。

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。

随着人工智能（AI）技术的不断发展，AI的应用已经开始贯穿于冠状动脉CT成像的全流程，在工作流程的优化、图像质量、自动图像分割、疾病诊断和预后评估等方面均展现了较大的潜力和优势，但也面临一些问题和挑战。未来需要通过优化AI算法、建立标准化多中心大数据库、实现多任务学习、进行临床试验提供临床循证证据，构建更优的心血管疾病风险分层和预后评估模型，全面提升AI赋能的心血管CT在疾病诊疗全流程的应用价值。

目的:建立一种三维定量测量方法用于评估颞下颌关节髁突骨改建。方法:将2014年11月至2019年8月就诊于北京大学口腔医学院·口腔医院颞下颌关节病及口颌面疼痛诊治中心且诊断为颞下颌关节急性不可复性关节盘前移位或关节盘绞锁、采用手法复位关节盘结合前伸再定位 垫治疗的41例患者（共82侧髁突）资料纳入研究，其中男性10例，女性31例，年龄为12~30（19.7±4.4）岁。获取治疗前后6~12个月的锥形束CT图像。根据髁突轴位、矢状位及冠状位影像中“双线征”数目定性评价髁突骨改建，将82侧髁突分为无改建组（0个“双线征”）、部分改建组（1~4个“双线征”）和显著改建组（5~6个“双线征”）3组。应用锥形束CT数据进行髁突骨改建的三维定量测量。采用基于人工预标注结合分水岭算法的半自动分割方法分别对治疗前后的锥形束CT影像进行分割，重建颞下颌关节髁突的表面模型，应用基于距离图的初始配准和基于灰度信息的二次配准，将治疗前后的髁突图像配准重叠后髁突和髁头的体积差定量反映髁突骨改建程度。 结果:二维定性评价的 Kappa值为0.66~0.87。三维定量测量髁突及髁头体积的同一研究者组内相关系数（intraclass correlation coefficient，ICC）值分别为0.998和0.941，不同研究者组间ICC值分别为0.999和0.942。治疗后髁突和髁头的体积较治疗前增加量分别为（41.7±90.2） mm3和（62.8±70.9） mm3。82侧髁突中无改建组21侧、部分改建组20侧，显著改建组41侧。显著改建组治疗后较治疗前髁突和髁头体积增加量均为最大，部分改建组次之，无改建组最小（ P<0.05）。 结论:三维定量测量评价髁突骨改建程度的方法一致性和可靠性良好，定量变化值可以反映不同程度的髁突骨改建，其中将髁头作为感兴趣区计算的体积变化量更敏感。

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:评价前列腺癌图像引导放疗时锥形线束CT（CBCT）的使用频率和匹配策略对靶区和危及器官剂量学参数的影响。方法:回顾性分析北京大学第一医院2022年6月—2023年5月收治的21例前列腺癌根治性放疗患者的561套每日CBCT图像，患者均接受中等分割容积弧形调强放疗（VMAT），剂量为70 Gy分25次，2.8 Gy/次。根据不同图像引导方式和频率，校准摆位误差后将计划CT刚性配准到CBCT，CT值和结构通过形变配准算法传播到CBCT，根据形变矢量场将每日剂量映射到计划CT进行剂量累加。将每日在线CBCT验证的实际累积剂量与每周CBCT方案（第1-3、6、11、16、21天CBCT扫描）进行比较。比较基于骨匹配与基于软组织匹配（自动骨匹配后手动前列腺匹配并最终以直肠前壁为主做微调）两种匹配方式的摆位误差及剂量学参数。非正态分布的计划剂量和累积剂量之间的剂量学参数采用Wilcoxon符号秩和检验进行分析，符合正态分布的移床值和平均剂量参数采用配对 t检验进行分析。 结果:与每日CBCT图像引导相比，每周方案的CTV_D 98%［（69.08±1.58）∶（65.24±3.64）Gy， P<0.001］明显减少。采用骨匹配的CTV_D 98%为（69.27±2.14）Gy，但直肠高量较高：V 60 Gy为3.18%±3.10%、V 65 Gy为0.77%±1.23%。采用软组织匹配方案的靶区覆盖率足够，CTV_D 98%为（69.08±1.58）Gy；且直肠高量区剂量的百分体积明显减少，V 60 Gy为2.02%±2.42%，V 65 Gy为0.34%±0.68%。 结论:中等分割前列腺癌放疗，每日CBCT图像引导的靶区覆盖度优于每周方案。自动骨匹配后手动前列腺匹配并最终依据直肠前壁做微调的匹配策略，能在保证靶区覆盖率前提下较好地保护直肠。