目的:研究逆向优化过程中驻留时间差异限制参数对宫颈癌三维后装计划质量和位置误差鲁棒性的影响。方法:回顾性选择2020年8月至2021年8月于中南大学湘雅医院接受宫颈癌三维后装治疗的20例患者。使用Eclipse计划系统进行计划设计，分别将计划系统中的驻留时间差异限制参数smooth值设置为0.00、0.25、0.50、0.75、1.00，采用逆向剂量体积优化算法生成不同的smooth计划，优化条件同原始临床计划，对比分析关键剂量学指标和总驻留时间差异。对施源器人为引入左右、腹背和头脚六个方向的位置误差（0.2~1.0 cm），评估不同smooth值对计划质量和鲁棒性的影响。每个病例133个计划，20例患者共计2 660个计划。采用Wilcoxon符号秩检验对结果进行统计分析。结果:随着smooth值增大，调制因子逐渐减小，膀胱和直肠D 2 cm3增大。smooth值为0.25、0.50、0.75、1.00计划的调制因子分别为0.72±0.09、0.63±0.08、0.55±0.08、0.51±0.06，均低于smooth值为0.00计划的调制因子0.75±0.05，差异均有统计学意义（ P=0.004、0.002、0.002、0.002）；smooth值为0.50、0.75、1.00计划的膀胱D 2 cm3分别为（475.4±41.0）、（483.7±46.2）、（489.0±46.8）cGy，均高于smooth值为0.00计划的膀胱D 2 cm3，值为（469.8±41.8）cGy，差异有统计学意义（ P均=0.002）；smooth值为0.50、0.75计划的直肠D 2 cm3分别为（413.2±93.3）、（418.6±96.4）cGy，均高于smooth值为0.00计划的直肠D 2 cm3，值为（410.2±91.5）cGy，差异有统计学意义（ P=0.006、0.010）。当引入位置误差后，多数位置误差下不同smooth计划的高危临床靶区（HR-CTV）D 90%接近，差异无统计学意义；smooth值为0.00计划的危及器官D 2 cm3均低于其他smooth值计划，对于膀胱和直肠，此差异在多数位置误差下都有统计学意义（ P<0.01）。 结论:驻留时间差异限制参数对计划质量影响较大，限制参数越小，计划质量越高；驻留时间差异限制参数对靶区和关键危及器官剂量学指标的位置误差鲁棒性影响不大。

目的:评估Ethos宫颈癌在线自适应放疗（ART）基于智能优化引擎（IOE）的完全自动化自适应计划的鲁棒性。方法:回顾性分析2021年6月至2022年6月于北京协和医院就诊的ⅠB期11例宫颈癌术后患者，获取原始计划影像及每次放疗迭代锥形线束CT（iCBCT）影像，并将所有患者数据导入Ethos模拟器。使用Ethos对11例患者进行基于IOE的9野自动计划生成，生成的计划进行在线ART模拟，获取每次在线ART计划（共273个分次），并完成模拟治疗。基于在线ART计划所使用的影像及勾画结构进行手工计划设计，采用9野均分的布野方式，手工制作计划用于对照研究。采集剂量学参数、计划复杂性参数及Mobius质量保证（QA）通过率等，通过配对 t检验或秩和检验对比评估在线自适应放疗计划的危及器官、靶区的剂量学参数及计划复杂度等的鲁棒性。 结果:与手工计划相比，在线ART计划的计划靶区（PTV）覆盖相当，而临床靶区（CTV）D 99%更高［（45.93±0.36）∶（45.32±0.31）Gy， P<0.001］。在线ART计划的PTV D max显著高于手工计划［（49.89±1.25）∶（48.48±0.77）Gy， P<0.001］，但是PTV D 1%则小于手工计划［（47.22±0.29）∶（47.59±0.48）Gy， P<0.001］。在线ART计划与手工计划的PTV适形指数的差异无统计学意义（ P=0.967）。均匀性指数方面，两者均值基本相同，在线ART计划的离散性更小（ P<0.001）。危及器官（OAR）受量方面：在线ART计划的膀胱D mean、直肠V 40 Gy、小肠D mean大于手工计划，而直肠D mean、小肠D 2 cm3小于手工计划；在线ART计划的左右股骨头、脊髓和骨髓的剂量学参数均优于手工计划。自适应计划的机器跳数大于手工计划，但是自适应计划的复杂度显著低于手工计划（0.135±0.012∶0.151±0.015， P<0.001）。自适应计划与手工计划的Mobius γ通过率（5%/3 mm）均满足临床要求。 结论:基于IOE的Ethos在宫颈癌在线自适应计划中具有很好的鲁棒性，可以保证在线自适应各个治疗分次自动生成计划的质量。

目的:提出改进最差场景算法，能够提升计划鲁棒性并且能平衡计划在标称场景下剂量分布质量与计划鲁棒性。方法:对C形靶模型计划优化中，以标称场景优化为主，同时在每次迭代时计算每个体素在9种场景下的剂量值，取其与在标称场景下该体素剂量值的最大差值作为鲁棒性优化项添加入优化目标函数进行优化。结果:在自主开发的鲁棒性优化计算模块验证，当权重因子p robust＝0.8时，相比常规优化，临床靶体积的 ΔD 95%由9.8 Gy减小至7.6 Gy。当p robust由1减小到0时， ΔD 95%由7.0 Gy增大至9.8 Gy，计划鲁棒性降低，而标称场景下CTV的D 95%、D max和危及器官的D 5%、D max减小，剂量分布质量得到提高。 结论:改进最差场景算法能够有效地提高计划对于射程和摆位不确定性的鲁棒性，并且该方法中p robust可提供给计划制定者用于权衡治疗计划在标称场景的剂量分布质量和计划的鲁棒性。

目的:开发一种基于预测剂量的自调节调强放射治疗自动计划方法，以增强自动计划的鲁棒性。方法:利用3D U-Res-Net_B网络预测出三维剂量分布后，在直接子野优化的每次迭代中先基于上次迭代结果计算当前剂量，再联合预测剂量计算目标剂量，然后以此为目标进行优化。完成所有迭代或满足循环退出条件后，得到最终的治疗计划。在30例直肠癌病例上进行测试，验证算法的效果。结果:临床计划治疗靶区的 V100%均值和标准差为(95.03±0.91)%，自动计划为(94.67±1.96)%，接近临床值( P>0.05)，而预测值为(92.90±2.13)%，与临床计划的差异具有统计学意义( t＝29.0， P<0.05)；自动计划在小肠 V35、膀胱 V40、股骨头的 V20 ～ V40等多项指标上低于预测值和临床值，且差异具有统计学意义( t＝4.5～118.0， P<0.05)，在其他危及器官的指标上与临床值的差异无统计学意义( P>0.05)。 结论:本方法增强了自动计划的鲁棒性，提高了其应对复杂情况的能力。

目的:探讨后装放疗计划的鲁棒优化方法在宫颈癌放疗中的应用价值。方法:回顾性选择已完成治疗的根治性宫颈癌患者20例，用剂量体积直方图(DVH)参数对比常规优化和鲁棒优化计划差异，用DVH和DVH束评估常规优化和鲁棒优化计划的鲁棒性。鲁棒优化方法使用最差剂量分布考虑放疗中不确定因素存在时的剂量，每次优化迭代计算放射源沿人体左右( x轴)、前后( y轴)、头脚( z轴)方向偏移固定值(2 mm)时的剂量分布，再加上放射源位置无偏移情况；每个体元的最差剂量分布是这几种情况中靶区内剂量最低值和靶区外剂量最高值，迭代目标函数通过最差剂量分布计算。 结果:在没有放射源位置偏移情况下，鲁棒优化HR-CTV D 100%均值比常规优化低，而V 150%均值比常规优化高( P<0.05)。在考虑放射源位置偏移情况下，对比多种剂量分布的最差剂量学参数，鲁棒优化和常规优化的HR-CTV D 100%均值相近，但鲁棒优化的D 90%均值比常规优化高(范围0.02～0.03 Gy)( P<0.05)。鲁棒优化增加了膀胱和小肠的D 2cm 3，直肠剂量随着鲁棒优化中考虑的放射源位置偏移方向的增加而增加。所有患者的常规优化和鲁棒优化的DVH束宽度相近。 结论:基于最差剂量分布的鲁棒优化不能明显地提升宫颈癌后装放疗计划的鲁棒性，需要其他的方式减小后装放疗中的不确定因素对剂量的影响。

计算机视觉（CV）在麻醉学中的应用已日渐显现其潜力和价值，CV技术可以提高麻醉效果、降低并发症风险、优化资源分配和提高工作效率。文章回顾了CV在麻醉学中的现有应用，包括气道管理、神经阻滞和穿刺、麻醉深度（DoA）监测和围手术期相关并发症预警等；也讨论了当前应用中面临的挑战，如数据获取、模型训练、解释性、鲁棒性等；以及未来可能的发展方向，如采用混合学习、迁移学习和联邦学习等新的方法或技术。CV技术有望对麻醉学的发展产生深远影响，推动其向更高的精准医疗水平迈进。

颅内出血由颅内血管破裂引起,出血体积对治疗决策和预后分析具有重要的临床意义,而基于CT影像的血肿分割是体积测量的基础.全监督方法依赖于人工勾画的标签,十分耗时和繁琐,现有弱监督分割方法的鲁棒性差,容易受伪影干扰.为此,本研究提出了基于多实例学习的弱监督颅内出血分割网络MIL-ICH,由双分支结构组成.首先,由多实例学习解码器生成热图定位出血区域;然后,在热图基础上使用CT值阈值和像素自适应优化模块提取并优化伪标签,训练分割解码器;最后,两个分支同时训练,提高训练效率并且利用多分支协同作用进一步提升分割性能.在来自RSNA颅内出血数据集的200例CT扫描上的测试结果表明,MIL-ICH网络的Dice相似性系数和体积相似度分别达到了 0.822和0.896,本网络测量的出血量与实际出血量的相关性优于临床常用的多田公式估测法.所提出的方法能够提高颅内出血弱监督分割性能,有助于为临床提供出血体积测量和预后评价的依据.

目的 由于舌色标注样本中常常包含有错误标签,这些噪声样本会导致舌色分类性能不高、模型泛化能力差等问题.因此,需要建立自动舌色分类模型,提升有噪标注样本下舌色分类的准确率,促进中医(TCM)舌诊客观化研究.方法 从中医舌色分类的特点出发,提出了一种基于区域注意力机制的有噪样本下中医舌色分类方法.本方法的创新性包括两点:一方面,根据中医医生舌诊的习惯,提出了一种区域注意力机制,增强网络对于舌尖和舌两侧等舌色区域的特征提取能力,而抑制其他区域的特征;另一方面,针对噪声标注样本下的分类网络训练问题,设计了一种对称修正的交叉熵损失函数,用于对舌色分类网络进行优化训练,抑制噪声样本对分类性能的影响.结果 在3个自建中医舌色分类数据集上的分类结果显示,准确率分别达到了94.96%、93.36%和93.92%,mAP分别达到了94.53%、93.05%和93.38%,Macro-F1分别达到了94.67%、93.16%和92.43%.结论 设计的舌色分类方法能以较低的模型复杂度,显著提升分类精度,提升有噪声样本标注情况下的分类鲁棒性.

目的 为医生介入手术训练时提供更加直观的位置参考信息,设计了一种快速检测导丝位置的方法.方法 以YOLO算法为基本框架,将视频帧中的导丝头端建模为单一检测目标,通过优化网格划分尺度来实现准确的导丝实时检测.本研究基于体外介入模拟操作平台共采集50 个视频序列,从40 个视频中随机收集8000 张独立帧作为训练样本,基于 10 个完整视频序列收集的 1 960 张独立帧进行算法测试,以预测框与真实框交并比为检测精度评价指标,并进一步分析非YOLO和YOLO方法在 4个不同主动脉解剖区域的检测鲁棒性.结果 在 12×20 网格尺度和交并比大于 0.5 为预测准确的条件下,YOLO算法的导丝检测的准确率达到了 0.995 4,检测帧率为 333 fps.由于血管遮挡的干扰,非YOLO和YOLO方法在腹主动脉区域检测精度有所下降,但基于YOLO的检测方法能够有效降低血管遮挡的影响.结论 基于YOLO算法能够实现更加精准的导丝检测,且在不同主动脉区域均表现出具有良好的鲁棒性,能够为医生介入手术训练过程提供实时有效的视觉辅助.

鸟鸣识别是生态监测的重要手段,为进一步提升鸟鸣识别的准确性和鲁棒性,本文提出了 1种新的基于深度特征融合的鸟鸣识别方法.该方法首先利用深度特征提取网络对鸟鸣的对数梅尔谱图和补充特征集的深度特征进行提取,再将两种深度特征进行融合,最后使用轻量级梯度提升机(light gradient boosting machine,lightGBM)分类器进行分类.本文充分利用深度神经网络的特征提取能力以及lightGBM的分类性能,将特征提取和特征分类过程进行分离,从而实现了高准确率的鸟鸣识别.实验结果显示,本文提出的方法在北京百鸟数据集中取得了目前已知的最佳结果,模型的平均准确率达到了98.70％,平均F1分数达到了98.84％.相比传统方法,深度融合特征在鸟鸣识别任务上准确率提升了5.62％以上.同时,引入的lightGBM分类器使分类准确率提升了3.02％.此外,在CLO-43SD和BirdCLEF2022比赛的数据集中,本文方法也展现出卓越的性能,分别取得了98.32％和91.12％的平均准确率.本文还引入了类激活图对不同类型鸟鸣的识别结果进行可解释性分析,揭示了神经网络对不同类型鸟鸣的注意力区域差异,为后续的特征选择和模型优化提供了理论依据.研究结果表明,本文方法有效提高了鸟鸣识别的准确率,在3个数据集的测试中均展现出较好的性能,能够为基于鸟鸣识别的生态监测提供有力的技术支撑.