目的 探索基于深度学习实现丘脑底核脑深部电刺激术(subthalamic nucleus deep brain stimulation,STN-DBS)自动化核团标注、手术靶点定位及电极植入路径规划.方法 来自北部战区总医院神经外科行双侧STN-DBS手术的155例患者的影像资料.首先,采用3D UX Net卷积神经网络基于MRI图像提取深度学习特征并完成丘脑底核(subthalamic nucleus,STN)及红核(red nuclei,RN)的分割;然后通过算法实现丘脑底核的自动化靶点定位;最后在规定的皮层入路点范围区域内生成不多于4根的电极植入路径.通过人工审查验证靶点及电极植入路径的临床可行性.结果 通过3D UX Net卷积神经网络算法进行核团分割,红核分割性能的Dice值为0.90.STN分割性能的Dice值为0.84.自动化生成STN靶点经人工审查验证可行的坐标与人工手术规划STN靶点坐标的欧几里得距离为(1.2±0.4)mm.25例测试集中自动化STN靶点定位及电极植入路径通过人工审查可行有20例(20/25),自动化靶点定位及电极路径与人工规划靶点及路径差异无统计学意义(P=0.059).结论 3D UX Net卷积神经网络可以较精确地分割STN及红核,通过自动化靶点定位及路径规划的STN-DBS手术计划临床可行且耗时短,可以为临床医生手术前规划提供参考.

随着人工智能技术的发展,图像分割技术在直肠癌放疗领域有越来越多的研究和应用.新辅助放化疗是局部晚期直肠癌患者的标准治疗策略.对于放疗科医师而言,手动勾画放疗靶区及危及器官是一项非常费时耗力的工作.采用人工智能技术可以构建放疗靶区自动勾画模型,显著提高放疗靶区勾画的效率和鲁棒性.此外,结合影像组学方法,基于计算机断层扫描、磁共振成像等影像图像,提取直肠肿瘤区域的特征可以建立直肠癌新辅助治疗的疗效评估和预测模型,以帮助临床医师制订个体化的治疗方案.其中,分割感兴趣区,并且从中提取影像特征是模型构建的关键步骤.本文基于图像分割在直肠癌放疗领域中的应用展开综述,以探究图像分割对直肠癌放疗的重要性以及未来的研究方向.

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。

目的:比较开放式面罩联合光学表面监测系统(OSMS)引导摆位与闭合式面罩联合激光灯＋面罩标记引导摆位之间的平移和旋转方向误差，评估开放式面罩联合OSMS引导摆位方式在脑转移瘤大分割立体定向放射治疗(HSRT)的应用优势，并计算脑转移瘤患者在不同固定设备与摆位方式下计划靶区体积(PTV)的外放边界。方法:回顾性分析55例脑转移瘤患者HSRT的摆位数据，根据固定设备和摆位引导方式的不同，分为OSMS联合开放式面罩组(A组)、头颈肩封闭式面罩＋发泡胶组(B1组)和头颈肩封闭式面罩＋头枕组(B2组)。A组利用OSMS自动移床功能引导摆位，B1组和B2组利用激光灯＋面罩标记引导摆位。3组均通过锥形束CT(CBCT)骨性配准得到六维方向( x轴、 y轴、 z轴、 x轴旋转、 y轴旋转、 z轴旋转)摆位误差，并根据van Herk公式计算计划靶区的外放边界。 结果:共采集CBCT配准数据288套，其中A组六维方向摆位误差和3D矢量误差均最小，分别为(0.47±0.33)、(0.49±0.31)、(0.44±0.31)mm，(0.42±0.32)°、(0.48±0.31)°、(0.42±0.22)°和(0.90±0.39)mm；除 z轴旋转方向A组与B1组差异无统计学意义外( P>0.05)，其余方向与B1组和B2组比较，差异均有统计学意义( P<0.05)；且A组无平移方向≥2 mm，旋转方向≥2°的摆位误差。B1组 y轴、 z轴、 z轴旋转方向及3D矢量误差均显著小于B2组，且差异有统计学意义( P<0.05)。A组3个方向PTV外放边界分别为1.32、1.19和1.22 mm，均小于另外两组。 结论:脑转移瘤HSRT中，与头颈肩封闭式面罩联合激光灯＋面罩标记引导摆位相比，应用开放式面罩联合OSMS引导摆位，可明显提高六维方向摆位精度，降低重复摆位率，减小PTV外放边界，具有临床应用价值。

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。

MRI技术无辐射，软组织分辨率高，因此MR引导下的放疗现已成为放疗领域的热点研究工作。放疗中精确勾画靶区是非常关键的，目前多为手动分割，耗时、主观且缺乏一致性，自动图像分割可以在不降低分割质量前提下提高效率和可重复性。本文综述了在放疗中MRI的自动分割方法，对不同放疗部位包括前列腺、鼻咽癌、脑部肿瘤以及其他器官，就自动分割目标、挑战和方法进行分析和讨论。

目的:基于深度反卷积神经网络(DDNN)自动分割技术，探讨其在鼻咽癌靶区和危及器官(OAR)辅助人工勾画的应用价值。方法:利用已完成治疗的800例鼻咽癌患者的CT信息，构建基于DDNN算法的端到端自动分割模型，选取10例新的鼻咽癌患者作为研究测试集。通过比较10名初级医师在自动勾画基础上辅助人工勾画(DLAC)与单纯人工勾画(MC)的精确度系数(DICE)、平均一致距离(MDTA)、变异系数(CV)、标准距离偏差(SDD)、勾画时间等参数以评估自动勾画的效果。结果:在DLAC组，GTV、CTV的DICE分别为0.67±0.15、0.841±0.032，MDTA分别为(0.315±0.23)、(0.032±0.098) mm，显著优于MC组( P<0.001)。除脊髓、左右晶体、下颌骨外，DLAC组其他OAR的DICE高于MC组，其中下颌骨最高，视交叉最低。此外，相较MC组，DLAC组GTV、CTV、OAR的CV、SDD均显著降低( P<0.001)，总勾画时间节省63.7%( P<0.001)。 结论:与MC相比，基于DDNN建立的DLAC能更为准确地实现鼻咽癌GTV、CTV和OAR的勾画，可大幅提高医师工作效率及勾画一致性。

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:研究基于不同感受野的鼻咽癌靶区和危及器官自动分割网络。方法:收集100例鼻咽癌患者放疗数据，包含患者CT图像和医生勾画的靶区(GTV)和危及器官。随机选取90例数据作为训练集，另10例作为验证集。首先对图像进行中心裁剪、随机垂直翻转和旋转(-30°～30°)数据增强方式，输入至本文提出的MA_net网络进行训练，通过网络参数、浮点运算数、运行内存和Dice系数评估该网络性能；最后将其与当前主流的分割网络DeeplabV3+、PSP_net、UNet++、U_Net比较。结果:当输入图像为240×240时，MA_net网络参数分别为4个网络的23.20%、20.10%、25.55%和27.11%；其浮点运算数分别为4个网络的50.02%、19.86%、6.37%和13.44%；其运行内存分别为4个网络的40.63%、23.60%、11.58%和14.99%；GTV的分割结果显示MA_net的Dice系数比4个网络分别高出1.16%、2.28%、1.27%和3.59%；GTV与危及器官的分割结果显示MA_net的平均Dice系数比4个网络分别高出0.16%、1.37%、0.30%和0.97%。结论:相比于上述4个网络，MA_net参数少、运算浮点数低、运行内存小且Dice系数有所提升。