目的:基于机器学习提出可应用于低图像质量、多叶准直器(MLC)遮挡和非刚性变形兆伏级(MV)图像的无标记射束方向观(BEV)肿瘤放疗跟踪算法。方法:采用窗口模板匹配法和Voxelmorph端到端无监督网络，处理MV图像中的配准问题。使用动态胸部模体，验证肿瘤跟踪算法的准确性。将模体质量保证(QA)计划在加速器上手动设置治疗偏移后执行，收集治疗过程中的682幅电子射野影像系统(EPID)图像作为固定图像；同时采集计划系统中对应射野角度的数字影像重建(DRR)图作为浮动图像，进行靶区跟踪研究。收集21例肺部肿瘤放疗的533对EPID和DRR图像进行肿瘤跟踪研究，提供治疗过程中肿瘤位置变化定量结果。图像相似度用于算法的第三方验证。结果:算法可应对不同程度(10%~80%)的图像缺失，且对数据缺失图像的非刚性配准表现较好。模体验证中86.8%的跟踪误差<3 mm，<2 mm的比例约80%作用。配准后标准化互信息(NMI)由1.18±0.02提高到1.20±0.02( t＝－6.78， P＝0.001)。临床病例肿瘤运动以平移为主，平均位移3.78 mm，最大位移可达7.46 mm。配准结果显示存在非刚性形变，配准后NMI由1.21±0.03增至到1.22±0.03( t＝－2.91， P＝0.001)。 结论:肿瘤跟踪算法跟踪精度可靠且鲁棒性好，可用于无创、实时、无额外设备和辐射剂量的肿瘤跟踪。

目的:探索上颌骨复合体三维数据解剖标志点的自动定点方法，并初步评价其可重复性与准确性。方法:从2021年6月至2022年12月就诊于北京大学口腔医学院·口腔医院口腔颌面外科的口腔疾病患者螺旋CT资料中，选取31例颅颌面骨骼形态大致正常者的螺旋CT资料，其中男性15例，女性16例，年龄（33.3±8.3）岁，通过Mimics软件对上颌骨复合体进行三维重建，通过Geomagic软件对上颌骨复合体三维数据进行网格优化。由2名主治医师和1名副主任医师对31例上颌骨复合体数据进行人工定点，确定24个解剖标志点，取3人定点均值作为专家定点结果。选择其中1例符合健康人颅颌面骨骼三维形态平均特征的上颌骨复合体数据作为模板数据，其余30例作为目标数据。采用MeshMonk开源程序（一种非刚性配准算法）将模板数据与目标数据基于4个标志点（鼻根点、左右颧弓最突点、前鼻棘点）进行初对齐，再将模板数据基于非刚性配准算法变形为目标数据的形状，得到变形后模板数据，基于模板数据变形前后同名标志点的索引不变特性，自动检索变形后模板数据各标志点坐标，以此作为目标数据同名标志点自动定点坐标，也即完成自动定点过程。30例目标数据的自动定点过程重复3次。计算变形后模板数据与目标数据的稠密对应点对（约25 000对）的三维偏差［均方根距离（root-mean-square distance，RMSD）］，作为非刚性配准算法的变形误差，并分析非刚性配准算法3次变形误差的组内相关系数（intra-class correlation coefficient， ICC）；计算24个解剖标志点自动定点结果与专家定点结果的直线距离作为自动定点误差，并分析3次自动定点三维坐标的 ICC值。 结果:30例变形后模板数据与对应目标数据的三维偏差（RMSD）为（0.70±0.09）mm，非刚性配准算法3次变形误差的 ICC值为1.00。24个解剖标志点自动定点误差为（1.86±0.30）mm，前鼻棘点自动定点误差最小，为（0.65±0.24）mm；左眶下缘点自动定点误差最大，为（3.27±2.28）mm；3次自动定点三维坐标 ICC值均为1.00。 结论:本项研究建立了一种基于非刚性配准算法的上颌骨复合体三维数据自动定点方法，该方法应用于正常形态上颌骨复合体三维数据定点的准确性与可重复性较好。

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。

乳腺癌保乳术后放疗方案中，瘤床及其靶区的准确勾画至关重要。利用不同医学图像与放疗定位CT图像进行配准能提供更加全面的信息从而辅助医生勾画靶区。根据几何变换性质可将图像配准方法分为刚性和非刚性两大类。由于软组织易形变的特性，刚性配准较难实现非刚性结构的严格匹配，非刚性配准的结果更加符合复杂形变的实际情况。文章旨在综述两类配准方法在乳腺癌瘤床靶区勾画中的应用，分析临床应用中存在的问题，并展望非刚性配准未来的研究方向。

目的:提出可应用于图像质量差、多叶准直器（MLC）遮挡和非刚性变形的兆伏级图像的无标记射束方向观（BEV）肿瘤放疗跟踪算法。方法:采用窗口模板匹配、图像结构转换和demons非刚性配准方法，解决兆伏级图像中的配准问题。在模体中生成质量保证（QA）计划并在加速器上手动设置治疗偏移后执行，收集治疗过程中的682幅电子射野影像装置（EPID）图像作为固定图像；同时采集计划系统中对应射野角度的数字重建影像（DRR）图作为浮动图像，验证算法的准确性。此外收集21例肺部肿瘤治疗患者的共533对图像进行肿瘤跟踪研究，提供治疗过程中肿瘤位置变化定量结果。图像相似度用于跟踪结果的第三方验证。结果:算法可应对不同程度（10%~80%）的图像缺失，模体验证中86.8%的跟踪误差在3 mm以下，80%在2 mm以下。配准前后归一化互信息（NMI）变化为（1.182±0.026）~（1.202±0.027）（ P<0.005），豪斯多夫距离（HD）变化为（57.767±6.474）~（56.664±6.733）（ P<0.005）。病例结果以平移为主（-6.0~6.2 mm），但非刚性形变仍存在。配准前后NMI变化为（1.216±0.031）~（1.225±0.031）（ P<0.005），HD变化为（46.384±7.698）~（45.691±8.089）（ P<0.005）。 结论:本文算法可应对不同程度图像缺失，且在数据缺失图像的非刚性配准中表现较好，适用于不同放疗技术，为多模态、部分数据及图像质量较差的兆伏级图像处理提供了参考思路。

目的:采用刚性配准和形变配准方法获得大体积非小细胞肺癌(NSCLC) IMRT中靶区和危及器官(OAR)的累加剂量，并与初次计划的剂量进行比较。方法:选择30例采用IMRT的大体积NSCLC患者，每位患者分别在放疗前和放疗20分次时进行4DCT模拟定位，基于初次4DCT的平均密度投影CT 1-avg制定放疗计划为Plan 1，基于二次4DCT的平均密度投影CT 2-avg修改放疗计划为Plan 2，分别采用刚性配准和形变配准方法将两次计划进行剂量累加得到Plan 刚性和Plan 形变。比较初次定位和二次定位之间大体肿瘤体积(GTV，以吸气末时相图像CT50%上的勾画为准)和OAR (OAR，以平均密度投影图像CT avg上的勾画为准)的体积变化，以及Plan 2、Plan 刚性、Plan 形变的剂量体积指标相比Plan 1的差异。 结果:二次定位和初次定位相比，GTV、心脏体积分别缩小44.2%、5.5%，患侧肺、健侧肺、全肺体积分别增大5.2%、6.2%、5.8%( P<0.05)；对于内GTV (IGTV，10个4DCT时相的GTV融合而来)和计划靶体积(PTV)的D 95%、D 98%、V 100%，Plan 2与Plan 1相近( P>0.05)，Plan 刚性、Plan 形变较Plan 1均略有下降( P<0.05)；对于脊髓、心脏、患侧肺、双肺剂量，Plan 2、Plan 刚性、Plan 形变较Plan 1均降低( P<0.05)，其中心脏V 30Gy和D mean分别降低27.3%、16.5%、15.3%和15.2%、6.6%、5.6%，双肺V 20Gy和D mean分别降低15.6%、4.5%、3.7%和15.7%、6.2%、5.1%；Plan 形变的IGTV和PTV的D 95%、D 98%，心脏V 40Gy，患侧肺和全肺的V 20Gy、D mean高于Plan 刚性( P<0.05)。形变配准后OAR相似指数明显高于刚性配准( P<0.05)。 结论:Plan 2中OAR剂量体积指标相比Plan 1差别很大，因此它们在预测OAR放射性损伤方面均有较大偏差，而形变配准得到的剂量体积指标可以提高预测精度。

目的:基于三维人脸模板的非刚性配准过程探讨外鼻缺损三维形态补全方法，为鼻赝复体的数字化设计提供新的解决方案。方法:选取2022年6至12月于北京大学口腔医学院·口腔医院修复科就诊的牙体缺损或缺失男性患者20例，年龄18~45岁，采集患者原始三维颜面数据，用Geomagic Wrap 2021软件构建外鼻缺损三维颜面数据。使用课题组前期研究中构建的结构化三维人脸模板数据，基于非缺损区形态，通过MeshMonk程序（一种非刚性配准算法）将三维人脸模板变形配准至外鼻缺损三维颜面数据上，获得三维人脸模板个性化变形后的数据，即补全人脸三维数据。基于外鼻缺损三维颜面数据的缺损边界，在补全人脸三维数据上裁剪出补全外鼻三维数据。对比分析补全人脸三维数据与原始三维颜面数据的鼻面角和鼻唇角，测量补全人脸三维数据鼻长与中面高、鼻宽与内眦间距的比值，评价补全外鼻三维数据的边缘曲线与外鼻缺损三维颜面数据缺损边缘曲线的边缘密合度，并分析补全外鼻三维数据与原始三维颜面数据鼻部相同标志点间距离值。结果:20例原始三维颜面数据与补全人脸三维数据的鼻面角（分别为28.2°±2.9°、28.4°±3.5°）、鼻唇角［分别为95.4°（19.2°）、99.9°（9.5°）］差异均无统计学意义（ t=-0.23， P=0.823； Z=-1.72， P=0.086）。补全人脸三维数据鼻长与中面高的比值为0.63±0.03，鼻宽与内眦间距的比值为1.07±0.08。补全外鼻三维数据的边缘曲线与外鼻缺损三维颜面数据缺损边缘曲线的曲线偏差（均方根值）为（0.37±0.09）mm、最大偏差为（1.14±0.32）mm，曲线偏差值位于±1 mm之内的占比为（97±3）%。补全人脸三维数据与原始三维颜面数据上对应鼻部标志点间距离分别为鼻根点［1.52（1.92）］mm，鼻尖点（3.27±1.21）mm，鼻下点（1.99±1.09）mm，右鼻翼点（2.64±1.34）mm，左鼻翼点（2.42±1.38）mm。 结论:本项研究提出的外鼻缺损三维形态补全方法有较好的可行性，构建的补全外鼻三维数据的面部协调性和边缘密合度较好，形态与原始三维颜面数据的鼻部形态接近。

目的:探讨建立一种高效、自动确定三维数据颜面解剖标志点（简称标志点）的方法，并对该方法的定点效果进行初步评价。方法:选取2021年6至8月于北京大学口腔医学院·口腔医院修复科就诊的牙体缺损或缺失男性患者（面部对称性良好）30例，年龄18~45岁；采集患者三维颜面数据，基于普氏分析算法进行尺寸归一化和重叠对齐。在Geomagic Studio 2013软件中构建三维人脸平均模型，并通过参数化处理构建三维人脸模板，使用MeshLab 2020软件在其上确定32个标志点序号（10个中线标志点和22个双侧标志点）。选取2021年6至8月于北京大学口腔医学院·口腔医院正畸科或口腔颌面外科就诊的下颌无偏斜和下颌轻度偏斜男性患者各5例，获取患者三维颜面数据作为测试数据，基于三维人脸模板及其标志点序号，借助MeshMonk非刚性配准算法程序自动确定测试数据32个标志点坐标，作为模板法定点数据。由同一名主治医师人工确定测试数据32个标志点位置，记录标志点坐标作为专家法定点数据。计算模板法与专家法标志点距离，作为定点误差，评价模板法的定点效果。结果:对于5例下颌无偏斜患者，模板法所有标志点的定点误差为（1.65±1.19）mm，其中中线标志点的定点误差为（1.19±0.45）mm，双侧标志点的定点误差为（1.85±1.33）mm。对于5例下颌轻度偏斜患者，模板法所有标志点的定点误差为（2.55±2.22）mm，其中中线标志点的定点误差为（1.85±1.13）mm，双侧标志点的定点误差为（2.87±2.45）mm。结论:本项研究提出的通过三维人脸模板自动确定标志点的方法具有一定的可行性，其对中线标志点的定点效果优于双侧标志点，对下颌无偏斜患者标志点的定点效果优于下颌轻度偏斜患者。

目的:研究直接叠加法、刚性配准叠加法和形变配准叠加法下非小细胞肺癌2次计划累积剂量的差异.方法:选取某院行根治性放疗的24例非小细胞肺癌患者,每位患者在接受20次放疗后均进行二次模拟定位并修改放疗计划.采用直接叠加(直接叠加法)、Monaco计划系统刚性配准(刚性配准叠加法)和MIM软件形变配准(形变配准叠加法)3种方法计算2次计划的累积剂量并进行比较.结果:直接叠加法计算的靶区剂量在3种叠加方法中最高,其次是刚性配准叠加法,最低的是形变配准叠加法.刚性配准叠加法和形变配准叠加法与直接叠加法计算的靶区剂量相比差异均有统计学意义(P均＜0.05).直接叠加法计算的肺的V5、V10、V15和心脏、食管的Dmean在3种叠加方法中最低,肺的V20与形变配准叠加法相似且低于刚性配准叠加法,其余参数则是最高;刚性配准叠加法计算的累积剂量中,只有肺的V5和心脏的Dmean要低于形变配准叠加法;3种叠加方法计算的危及器官剂量两两比较,仅有食管的Dmax差异均有统计学意义(P均＜0.05).结论:3种叠加方法计算得到的靶区和危及器官的剂量体积参数存在差异,临床工作中可参考不同叠加方法进行决策,以避免过高或者过低地评估肿瘤和正常组织的受量.

目的 探讨基于肾脏CT容积纹理分析及机器学习相结合的影像组学评价肾透明细胞癌(ccRCC)病理分级的价值.方法 回顾性分析2013年6月至2017年10月安徽医科大学第一附属医院,经手术病理证实且能确定病理分级,术前行肾脏CT平扫及三期增强扫描(皮髓期、实质期、分泌期)的34例患者.采用美国3DQI体积图像分析平台在皮髓期CT图像上进行病变ROI的勾画与分割,以皮髓期图像为参考使用非刚性配准法校正CT的多期图像.应用59个CT容积纹理特征(直方图特征、梯度特征、游程程度、灰度共生矩阵、形状特征、二阶矩特征)对上述4期图像中的病变进行随机森林分类的训练和测试.对肾脏病变进行病理分级,根据Fuhrman标准分为4级,Ⅰ级+Ⅱ级为低级别组,Ⅲ级+Ⅳ级为高级别组.使用随机森林周围的一种特征选择包装算法Boruta算法进行特征的筛选,采用10次交叉验证方法结合ROC法对上述RF分类的性能进行验证,并计算特异度和敏感度.结果 34例ccRCC中,Fuhrman分级Ⅰ级3例、Ⅱ级19例、Ⅲ级8例、Ⅳ级4例.皮髓期的峰度(KURT)和长游程优势特征(LRE)是ccRCC分级具有显著性的2个特征.以KURT和LRE作为影像组学特征,使用RF算法进行10倍交叉验证的学习,ROC下面积为0.88,最佳点的敏感度为0.79,特异度为0.82.低、高级别组KURT的统计值分别为(-20.00±22.00)×10-2和(31.00±32.00)×10-2,LRE分别为(3.00± 0.40)×10-2和(5.00±0.02)×10-2,在均数±标准差的统计范围内,影像组学特征可以区分低、高级别肿瘤.4期图像综合分析中(236个特征参数),峰度(皮髓期)、灰度共生矩阵同质性特征1(分泌期)及灰度共生矩阵同质性特征2(分泌期)是具有显著性的3个特征.灰度共生矩阵同质性1(分泌期)及灰度共生矩阵同质性2(分泌期)平均值在低级别组为(19.00±0.03)×10-2和(11.00±0.02)×10-2,高级别组分别为(22.00±0.03)×10-2和(14.00±0.02)×10-2.ROC曲线下面积为0.92,最佳点的敏感度为0.93,特异度为0.87.结论 基于肾脏CT容积纹理分析及机器学习相结合的影像组学可以进行ccRCC术前病理分级预测.