目的:初步探讨基于迭代锥形线束CT（iCBCT）引导的在线自适应放疗在盆腔恶性肿瘤中的临床应用。方法:北京协和医院放疗科开展了基于iCBCT引导的在线自适应放疗在盆腔恶性肿瘤中应用的前瞻性临床试验，本研究初步分析了2022年8—11月接受在线自适应放疗的13例盆腔恶性肿瘤（2例宫颈癌、4例宫颈癌术后、3例子宫内膜癌术后、3例膀胱癌、1例前列腺癌）患者的临床数据，探讨在线自适应放疗的可行性、自适应放疗相关流程时间、危及器官及靶区的修改程度、靶区剂量覆盖度、相关危及器官受量等。采SPSS软件进行分析，符合正态分布的数据以 xˉ±s表示，否则用 M（ Q1， Q3）表示。方差齐性数据采用 t检验分析，非正态分布或方差不齐的数据则采用非参数检验进行分析。 结果:在自适应治疗过程中，在线自适应平均时间为15 min 38 s（从接受CBCT扫描到最后计划选择完成的时间）。85.4%（830/972分次）的人工智能自动生成的influencer结构（与临床靶区、计划靶区相邻并可能对靶区轮廓生成有高度影响的器官，在盆腔肿瘤中通常为膀胱、直肠、小肠）不需要任何修改或只需进行小修，89.8%（491/547分次）人工智能自动生成的临床靶区无需修改或只需要小修。98.5%（319/324分次）的放疗分次选择了adapted计划，与scheduled计划相比，adapted计划展示出较好的靶区剂量覆盖度，同时可以降低危及器官的受量。结论:在临床可接受的时间内可实现基于iCBCT的盆腔恶性肿瘤在线自适应放疗，且更好的靶区剂量覆盖展现了在线自适应放疗的优势。

目的:提出一种新型脉冲神经元模型及其网络，描述其建模方法，并用计算机模拟验证其性能。方法:在充分考虑生物学适应性（激活电位阈值和不应期开关），及其对尖峰放电脉冲产生及其传导的动态调节机制基础上，在新型脉冲神经元模型中引入了突出后电位多通道滤波器，实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方（LMS）的误差反向传播（BP）学习算法，并将其应用于尖峰放电神经网络的调节。结果:在自发噪声下，新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接，可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征，能够形成复杂的周期尖峰放电模式。对于输入噪声控制，该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论:所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡，这与生物神经元极其相似，能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器，能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。

目的:提出一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法。方法:选取2021年采集的男性志愿者的CT胸腔图像250张，通过Canny自适应阈值法提取CT胸腔图像轮廓，并比较Sobel算法、Canny双阈值法和Canny自适应阈值法的相似度；使用霍夫变换来确定感兴趣区域，考察感兴趣区域的选取大小、重建卷积核和管电流对CT胸腔图像噪声的影响。结果:Canny自适应阈值法保留了更多细节，边缘的连续性和完整性有所提高，对边缘检测与图像分割更加灵活以及更加具有鲁棒性。Canny自适应阈值法结构相似性指数最高（0.644），均方根误差最小（0.371），其在边缘轮廓检测方面相似度最高，效果更显著。随着方形感兴趣区域大小的增加，平均噪声呈现下降趋势，噪声标准差在某些区间有所增加，特别是在较大的方形区域。在同一重建卷积核的情况下，CT胸腔图像升主动脉的平均噪声比胸主动脉的高，升主动脉的噪声标准差比胸主动脉的低。对于升主动脉，重建卷积核E的升主动脉平均噪声（41.97 dB）最低，噪声标准差（20.64 dB）最大；对于胸主动脉，重建卷积核E的平均噪声（30.78 dB）最低。胸主动脉的平均噪声和噪声标准差随管电流的增加而下降。结论:提出了一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法，适用于检测CT胸腔图像。

目的:利用机器学习预测右向左分流(right-to-left shunt，RLS)人群隐源性卒中(cryptogenic stroke，CS)发病风险，为CS的准确和高效预测提供解决方案。方法:回顾分析2018年1月至2023年9月在青岛大学附属医院崂山院区神经内科治疗的经颅多普勒超声发泡试验(c-TCD)阳性的289例RLS人群的临床数据，包括人口统计学信息、疾病史、实验室检查指标、诊断和治疗等。使用机器学习train_test_split()函数将数据集随机分为训练集和测试集，比例为8∶2。采用Logistic回归、决策树、随机森林、极端梯度提升、人工神经网络、梯度提升、极限树和自适应增强等算法构建RLS人群CS风险预测模型，使用受试者工作特征曲线(receiver operating characteristic，ROC)及曲线下面积(area under curve，AUC)、混淆矩阵、精确率、召回率、准确率、F1值、校准曲线、决策曲线等综合评估模型性能。性能最优的模型使用特征重要性和SHAP值进行可解释性分析。使用SPSS 25.0进行 t检验、Mann-Whitney U检验和 χ2检验。采用Delong检验比较两模型间AUC的差异。 结果:289例RLS人群发生CS 166例(57.5%)，非CS 123例(42.5%)。统计分析结果显示，CS患者D-二聚体、平均血小板体积、纤维蛋白原等血液生化指标高于非CS患者(均 P<0.01)；训练集与测试集各变量均差异无统计学意义(均 P>0.05)。对测试集进行CS风险预测，随机森林模型取得了最高的AUC(0.885)、精确率(0.806)、召回率(0.879)、准确率(0.810)以及F1得分(0.841)。校准曲线显示随机森林模型最接近参考线，决策曲线表明随机森林模型具有更大的净受益。可解释性分析显示高风险因素包括平均血小板体积、D-二聚体、国际标准化比值、体质量指数以及年龄。 结论:基于随机森林的预测工具表现出色，在预测RLS人群CS风险方面准确性较高。

目的:研究利用盆腔迭代锥形束CT(CBCT)图像用于治疗计划剂量计算的可行性分析，为自适应放疗提供图像保障。方法:使用Varian Halcyon 2.0环形加速器对CIRS 062 M模体(CIRS, Norfolk, VA, USA)进行扫描，测量其不同散射条件下的CT值并计算其平均值，建立锥形束CT-电子密度转换曲线(iterative Cone-beam CT to electron density，ICBCT-ED)。采集CIRS 002PRA盆腔调强专用模体的CT和不同位置的ICBCT图像，设计基于CT图像的VMAT计划，移植至ICBCT图像上，重新进行剂量计算，比较靶区、危及器官及三维体积剂量 γ通过率的差异。以患者实际治疗计划为基准，回顾性分析10例盆腔患者全流程三维剂量 γ通过率的差异。 结果:无散射体的孤立模式与全散射中心位置的CT值偏差较大，最大偏差144 HU。其他全散射位置与中心位置CT值相近，最大偏差<50 HU。基于盆腔模体不同位置处的ICBCT图像的计算结果，无论靶区还是危及器官的剂量偏差均<1 Gy。与基于CT图像的计划相比，基于ICBCT图像的三维剂量 γ通过率1%/1 mm和2%/2 mm的平均值分别为(88.86±1.18)%和(98.38±0.89)%。10例盆腔肿瘤患者2%/2 mm和3%/3 mm的平均值范围分别为90.03%~95.43%和93.58%~97.78%。最差结果为膀胱过充盈引起的外轮廓变化造成的剂量差异，2%/2 mm和3%/3 mm的三维剂量通过率仅为85.90%和92.90%。 结论:在足够的散射条件下，重建ICBCT-ED转换曲线，利用Halcyon直线加速器的ICBCT图像进行治疗计划设计，其精度是可以满足临床应用的标准的，为将来的自适应放疗提供了保障。

目的:探讨CT重建算法、辐射剂量和对比剂3种参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。方法:前瞻性选取2018年于中国医学科学院肿瘤医院就诊的35例肺结节患者(50枚纯磨玻璃密度肺结节)，对同一患者肺结节的原始图像重建后共获得6种不同参数的序列，使用ITK－SNAP软件分别对不同序列的纯磨玻璃密度肺结节进行分割，将所有扫描数据通过美国GE公司的A.K.软件进行肺结节影像组学特征提取，通过组内相关系数选取复测信度好的影像组学特征，使用R语言统计学软件对特征参数进行分析，将不同序列的所有特征值配对比较，分别统计改变采集和重建参数导致变化的影像组学特征的数量，比较不同采集和重建参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。采用配对样本 t检验或Wilcoxon检验比较不同序列特征值分布的差异，采用 χ2检验比较改变不同参数后发生变化的影像组学特征数量的差异。 结果:50枚纯磨玻璃密度肺结节共提取391个影像组学特征，组内相关系数>0.75的特征为320个。同时改变CT重建算法、辐射剂量和对比剂3种参数时，发生变化的纯磨玻璃密度肺结节影像组学特征达到60.9%(195/320)，其中包括6.7%(1/15)的形态学特征、100.0%(40/40)的直方图特征和58.1%(154/265)的纹理特征。仅改变1种参数(保持其他2种参数不变)的情况下，分别改变CT重建算法、辐射剂量和对比剂，发生变化的纯磨玻璃密度肺结节影像组学特征分别为10.6%(34/320)、30.9%(99/320)和50.6%(162/320)，差异有统计学意义(均 P<0.05)。当辐射剂量和对比剂改变时，与50%自适应迭代重建技术(ASiR－V)比较，滤波反投影(FBP)重建算法获得的影像组学特征发生变化更小( P＝0.001)。 结论:CT重建算法、辐射剂量和对比剂会影响纯磨玻璃密度肺结节的影像组学特征，其中对比剂对纯磨玻璃密度肺结节影像组学特征的影响最大，辐射剂量次之，CT重建算法最小；与形态学特征比较，直方图特征和纹理特征容易受到CT重建算法、辐射剂量和对比剂的影响；与50% ASiR－V比较，FBP重建算法获得的影像组学特征受辐射剂量与对比剂的影响更小，在影像组学分析中应充分考虑到这些参数的影响。

目的:初步分析医科达磁共振加速器(Unity MR-Linac)摆位精度及流程时间等相关问题。方法:回顾Unity MR-Linac实验入组患者共14例，统计分析所有分次的治疗时间(包括摆位、扫描、重新制订计划和出束时间)和各个方向的摆位误差。随机选取常规加速器使用一体架固定的患者11例，统计摆位误差。成组 t检验两组摆位误差的差异。 结果:Unity组患者在左右、进出、升降方向的摆位误差分别为(-0.15±0.30)、(0.02±0.57)、(-0.10±0.28) cm；总体平均治疗时间为36.87min，其中摆位平均时长5.40min，扫描平均时长7.48min，自适应计划平均时长7.46min，出束平均时长9.48min。常规加速器组患者在上述3个方向的误差分别为(0.05±0.25)、(-0.01±0.25)、(-0.03±0.23) cm。两组摆位误差在左右方向不同( P<0.001)，进出和升降方向相近( P＝0.061、0.374)。 结论:除左右方向外，在无激光灯情况下患者的摆位误差与常规加速器摆位误差相近。应用流程在顺利情况下治疗时间也在患者承受范围之内。MR引导放疗应用前景广阔，流程上需要优化。

目的:通过比较使用和不使用自适应多叶光栅的脑肿瘤质子调强治疗计划，评估自适应多叶光栅的临床应用价值。方法:选取20例脑肿瘤术后行放射治疗的患者，在同样优化条件下为每位患者分别设计使用和不使用自适应多叶光栅的质子调强治疗计划，通过比较靶区适形指数(CI)、靶区均匀性指数(HI)和正常组织受量对两组方案进行评价。结果:使用自适应多叶光栅设计质子调强治疗计划，靶区CI均值从0.58提高到0.66，50%处方剂量体积均值从797.70 cm 3降低到638.15 cm 3，耳蜗、脑干、视交叉、视神经、眼晶状体的辐射受量均显著减少( t＝2.06、3.02、2.11、2.58、2.67， P < 0.05)。另外，两组方案间靶区的HI值以及计划的机器跳数差异没有统计学意义( P > 0.05)。 结论:自适应多叶光栅能显著降低靶区周围正常组织的照射剂量，对保护靶区外危及器官具有积极作用，具有良好的临床应用前景。

目的:构建循环生成对抗网络(CycleGAN)对模糊、曝光不足、曝光过度等低质量眼底图像进行质量提升，并对其效果进行评估。方法:从EyePACS数据集中分别选取700张高质量和700张低质量眼底图像作为本研究的数据集。对数据集图像进行裁剪并统一缩放至512×512分辨率。采用2个生成模型和2个判别模型构建CycleGAN，生成模型根据输入的低/高质量眼底图像生成匹配的高/低质量图像，判别模型判别原始图像和生成图像。将本研究提出的算法与限制对比度自适应直方图均衡化(CLAHE)、动态直方图均衡化(DHE)、带色彩恢复的多尺度Retinex(MSRCR)3种图像增强算法的结果进行视觉定性评估，并采用清晰度、BRISQUE、色度、饱和度作为定量指标进行评估。应用糖尿病视网膜病变(DR)诊断网络对原图及不同算法增强图像进行诊断；并比较其准确度和特异度。结果:CycleGAN算法对模糊、曝光不足、曝光过度3类低质量眼底图像的增强均取得最优效果，增强后的眼底图像对比度高、色彩丰富，视盘、血管结构清晰。CycleGAN算法增强的图像清晰度仅次于CLAHE算法；BRISQUE质量分数为0.571，比CLAHE、DHE和MSRCR算法分别高出10.2%、7.3%和10.0%；色度和饱和度分别为103.03、123.24，均高于其他算法；该算法增强100张图像仅需35 s，仅次于CLAHE算法，在速度上具有明显优势。CycleGAN算法增强的图像在DR诊断中的准确率和特异度分别为96.75%和99.60%，均较原图有所提高。结论:CycleGAN可有效提升模糊、曝光不足、曝光过度眼底图像的质量，并有效提高计算机辅助DR诊断系统的准确率，可能在眼科临床诊断中有很大的应用价值。

目的:利用放射组学特征构建不同的机器学习分类模型，预测盆腔肿瘤调强放疗剂量验证的γ通过率，并探讨最佳预测模型。方法:回顾性分析196例盆腔肿瘤调强放疗计划，采用基于模体测量方式的三维剂量验证结果，γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、支持向量机、自适应增强和梯度提升决策树4种机器学习算法，计算曲线下面积(AUC)值、敏感度和特异度，评估4种预测模型的分类性能。结果:随机森林、支持向量机、自适应增强、梯度提升决策树模型的灵敏度和特异度分别为0.93、0.85，0.93、0.96，0.38、0.69，0.46、0.46。随机森林模型和自适应增强模型的AUC值分别为0.81和0.82，支持向量机和梯度提升决策树模型的AUC值为0.87。结论:针对盆腔肿瘤调强放疗计划，可以采用基于放射组学特征的机器学习方法来构建γ通过率的预测模型。支持向量机模型和梯度提升决策树模型的分类性能要优于随机森林模型、自适应增强模型。