医学图像分割的研究进展

医学图像是医生对患者进行病情诊断和治疗规划的有力工具。现今对于医学图像的分割不再局限于手工分割方法,通过传统方法与深度学习方法来实现医学图像分割已经取得更好、更准确的结果。本文基于近年来一些较为出众的医学图像创新分割方法进行综述,通过阐述深度学习方法如SAM、SegNet、MaskR-CNN和U-NET以及传统方法如活动轮廓模型、阈值分割模型创新等,对比各种图像分割方法的异同点,对医学图像分割方法做出总结与展望。以此来帮助学者们更好地了解目前的研究进展与未来的发展趋势。

基于电子射野影像系统的光栅位置和剂量验证研究

目的 使用基于电子射野影像系统(electronic portal imaging device,EPID)的质控系统,在Primus和VenusX加速器上实现光栅位置及剂量验证。方法 通过灰度值最大梯度方法计算光栅位置,评估偏差。使用剂量标定和剂量计算相结合的算法对EPID采集的图像进行剂量重建,将EPID和MapCheck/PTW得到的数据,分别与计划系统剂量进行γ通过率分析。结果 VenusX加速器光栅误差小于1 mm,Primus重新标定后误差明显减小。重建的剂量,在3%/3 mm,阈值10%和2%/2 mm,阈值10%的2种标准下,Primus加速器γ平均通过率分别为98.86%和91.39%;VenusX加速器γ平均通过率分别为98.49%和91.11%。结论 基于EPID的质控系统,可提高加速器质控效率,减轻物理师工作负担。

深度学习脑肿瘤MRI图像分类研究进展

大数据环境下肿瘤病例为肿瘤的临床诊断提供了庞大的数据资源,同时人工智能技术的发展促进深度学习应用水平不断提升,推动肿瘤MRI图像的快速、精准分类进入深度学习时代。本文主要分为以下四个部分,第一部分针对目前主流的深度学习MRI图像分类模型:卷积神经网络、深度信念网络、深度残差网络、Vision Transformer展开综述。首先,阐述了各模型的历史沿袭、最初针对的问题及主要思想;其次,概括了模型的网络架构并探讨其在MRI图像分类上的最新应用;然后,分析了模型的特点、目前存在的局限及各自发展趋势。第二部分论述了一些影响分类性能的关键因素;第三部分提出了一些广泛使用的性能增强技术;文章最后讨论了深度学习分类MRI图像在临床实践中面临的主要限制,并对未来研究方向进行展望。本文的结果可为研究人员提供一个全面的比较,以及各种深度学习模型的有效性,有望促进脑肿瘤研究的进展。

肺癌立体定向放射治疗中的运动管理研究现状

立体定向放射治疗作为治疗临床上不适合手术或拒绝手术的早期非小细胞肺癌患者的首选方式,是一种分割次数较少、单次放疗剂量大的大分割放射治疗方法。因此,对靶区位置的精度及重复性具有较高要求。针对此,临床上采用影像引导技术、合适的固定装置以及呼吸运动管理技术等辅助治疗来减小呼吸运动造成的影响。本文总结了这几种技术的研究现状,并基于各技术存在的问题对未来的研究方向进行了展望。

含羟基磷灰石的复合膜用于引导骨再生的研究进展

羟基磷灰石(HA)是一种生物活性材料,存在于动物的骨组织中,与正常骨骼中的成分相似,并且易被人体组织吸收,又具有很好的生物相容性,所以在引导骨再生(GBR)技术中有广泛的应用。虽然羟基磷灰石能够与骨有较强的结合,但羟基磷灰石自身的脆性和强度缺陷限制了它在引导骨再生中的应用。近年来,许多含有羟基磷灰石的复合膜已被设计出来,这些复合膜的设计优化了羟基磷灰石的缺点,同时也发挥出了羟基磷灰石的优点。本文就HA分别与天然高分子材料、人工材料、金属材料复合展开了讨论,综述了含HA的复合膜在GBR中的研究进展。

皮肤癌可视化技术的研究现状

皮肤癌是皮肤恶性病变的总称,常见的皮肤癌有基底细胞癌、恶性恶性黑色素瘤和鳞状细胞癌,近年来,皮肤癌患者的数量不断上升,死亡率高,如果能在早期发现并使其可视化及时进行治疗,在很大程度上能有效缓解患者的痛苦,治愈率更高。最近,许多创新的皮肤癌检测技术已经被开发出来,以提高对皮肤癌的诊断准确性。本文就对现有的诊断技术的优点和局限性进行综述,根据应用环境的不同,将其分为在体可视化诊断技术和离体可视化诊断技术。

基于标定和计算的电子射野影像系统剂量重建

提出了一种基于标定和计算的电子射野影像系统(EPID)剂量重建算法。首先,对连续采集模式的EPID原始数据进行暗场校正和增益校正,然后通过亮场灰度特征确定射野边界。其次,对EPID数据进行MU标定、离轴标定和射野大小标定,并根据标定后的叠加通量和加速器机头蒙特卡罗模型进行剂量重建。最后,选取9例IMRT计划,分别使用EPID和MapCheck对计划进行验证测量,并在不同γ标准下比较两种验证工具的通过率。针对选取的1例计划病例,两种标准下使用MapCheck对多个病例验证的通过率分别为99.02%±1.28%、90.84%±4.49%;使用EPID重建模型的平均通过率分别为98.86%±1.19%、91.39%±4.80%。本文提出的标定和剂量计算相结合的EPID重建算法,与主流剂量验证软件MapCheck相比,对IMRT计划的验证通过率没有统计学差异(P>0.05),符合剂量验证的临床要求。

基于超声深度学习影像组学的乳腺癌新辅助化疗疗效预测

目的开发一种结合超声影像组学、深度学习和临床特征的综合模型,以预测乳腺癌新辅助化疗(Neoadjuvant Chemotherapy,NAC)后的病理完全缓解(Pathological Complete Response,pCR)。方法共纳入117例乳腺癌患者,按照7∶3的比例随机划分为训练集和验证集。采用Mann-Whitney U检验、随机森林递归消除算法和最小绝对收缩和选择算子进行特征筛选及影像组学/深度学习标签构建。对患者的临床参数进行单/多因素分析,以选择有效特征构建临床模型。然后利用逻辑回归算法将临床特征与影像组学、深度学习标签相结合,构建临床-影像组学-深度学习综合模型。从预测效果、校准能力和临床实用性方面评估模型性能。结果临床-影像组学-深度学习综合模型相比于单独的临床、影像组学和深度学习模型在训练集和验证集中均显示出最高的曲线下面积(训练集:0.949 vs.0.788 vs.0.815 vs.0.928;验证集:0.931 vs.0.643 vs.0.778 vs.0.901)。校准曲线和决策曲线证实综合模型具有良好的预测性能。结论与单一模型比较,综合模型对术前预测乳腺癌患者NAC后的pCR状态具有更高价值。

机器人在放射治疗中的应用

放射治疗(以下简称“放疗”)作为一种主流的癌症治疗手段,其精准度、安全性和疗效一直是临床研究的重点。近年来,机器人技术在放疗领域的应用已取得显著成果,尤其在患者定位、肿瘤跟踪以及剂量传递等关键环节展现出其独特优势。本文综述机器人在放疗领域的研究进展,全面系统地探讨机器人在外照射放疗、内照射放疗、放疗辅助摆位以及图像引导放疗的最新研究成果,以期为机器人在放疗中的应用和发展提供参考。

多模态医学图像融合方法的研究进展

在目前的临床诊断中,医学图像已经成为重要的诊断依据,不同模态的医学图像会给出不同组织信息和功能信息。单模态图像只能给出单一诊断信息,无法诊断疑难杂症,需要多种诊断信息加持才能得出全面且准确的诊断结果。多模态融合技术可将多模态的医学图像融合到单模态的图像中,且单模态图像具有多种模态图像间的互补信息,从而在单一图像中得到充足的便于临床诊断的信息。本文将多模态医学图像融合方法整理为两种,分别为传统融合方法和基于深度学习的融合方法。

基于双次梯度联合改进Criminisi算法去除超声图像中的人工标记并修复图像的可行性

目的观察基于双次梯度联合改进Criminisi算法去除超声图像中人工标记并修复图像的可行性。方法选取30幅二维声像图,图中均包含十字、箭头和/或文字标记,以20幅无标记图像作为参考。算法由标记提取模块及图像恢复模块两个部分组成,前者采用双次梯度最大连通面积方法,后者采用改进重加权Criminisi算法;以峰值信噪比(PSNR)和结构相似性(SSIM)作为指标评价修复图像的质量。结果基于双次梯度联合改进Criminisi算法可准确检出超声图像中的人工标记并生成掩模,用于去除标记、恢复图像。相比无标记图像,30幅超声图像提取的标记掩模的平均检测精度和平均错误发现率分别为0.96和0.63,修复图像的平均PSNR及SSIM分别为46.78 dB和0.99。结论基于双次梯度联合改进Criminisi算法可有效去除超声图像中的人工标记并修复图像。

放射治疗引起动脉狭窄的研究进展

作为当下癌症治疗的一个重要组成部分,放射治疗带来治疗效果的同时,也伴随着慢性并发症的风险,这引起了人们的高度关注。患者接受放疗后,随着年限的增加,颈部和心脏周边血管疾病的发病率增高,其中一项主要原因就是放射线导致血管损伤引起的动脉狭窄病变。为了更深入地了解动脉狭窄,对其危险因素、临床表现、发病机制、预防建议及治疗方法作一综述。

放疗中基于双任务循环网络的单投影重建胸部CT方法研究

目的基于cycleGAN建立双任务循环网络,实现基于单角度投影的三维CT合成模型用于胸部肿瘤的自适应放疗,并评估图像生成质量和剂量精度。方法收集南京医科大学附属常州第二人民医院收治的胸部肿瘤容积弧形调强放射治疗(VMAT)患者45例,并筛选公共数据集图像991例作为预训练数据集,使用ASTRA算法获取多角度投影图像。公共数据集划分为训练集800例、验证集160例和测试集31例,医院患者数据划分为训练集40例、测试集5例。分别输入合成CT模型和多角度投影预测模型,实现双任务的训练。最终测试仅使用合成CT模型获取预测CT图像进行图像生成质量[包括平均绝对误差(MAE)、峰值信噪比(PSNR)和结构相似性指数(SSIM)]以及剂量学评估。结果合成CT的图像质量评估指标显示,图像合成精度较高,MAE为0.05±0.01,PSNR为19.08±1.69,SSIM为0.75±0.04。基于合成CT计算的放疗剂量分布也与真实分布接近,3%/3 mm标准下γ通过率平均为93.1%。结论由cycleGAN修改的双任务循环网络,可以快速准确地从单角度投影预测三维CT,可以应用于胸部肿瘤自适应放疗的工作流程。图像生成质量和剂量学的评估均显示合成CT质量可以满足放疗的临床要求。

锥形束CT图像分割方法研究进展

图像引导放射治疗(IGRT)是一种可视化的影像引导放疗技术,具有提高肿瘤靶区剂量,降低正常器官受照剂量等诸多优点。锥形束CT(CBCT)是IGRT中最常用的医学图像之一,对CBCT进行快速、准确的靶区及危及器官的分割对放疗具有重大意义。目前的研究方法主要有基于配准的分割方法和基于深度学习的分割方法。本研究针对CBCT图像分割方法、存在问题及发展方向进行综述。

基于超声影像组学联合临床病理学特征预测乳腺癌Ki-67表达状态

目的探讨基于超声影像组学联合临床病理学特征预测乳腺癌患者肿瘤增殖细胞核抗原67(Ki-67)表达状态的可行性。方法回顾性分析2018年1月至2022年2月在南京医科大学附属常州第二人民医院接受二维超声和Ki-67检查的乳腺癌患者。其中来自城中院区的427例患者按照8∶2的比例随机划分为训练集和验证集, 来自阳湖院区的229例患者作为独立的外部测试集。从二维超声图像的感兴趣区域提取影像组学特征, 采用Mann-WhitneyU检验、递归特征消除以及最小绝对收缩和选择算子进行特征降维并建立影像组学评分(Rad-score)。随后, 采用单/多因素逻辑回归分析, 根据Rad-score和临床病理学特征构建联合预测模型。使用ROC曲线下面积(AUC)、校准曲线和决策曲线分析以评估模型性能和实用性。结果联合模型在训练、验证和测试集中预测乳腺癌Ki-67表达状态的AUC分别为0.858、0.797、0.802, 均优于影像组学(0.772、0.731、0.713)和临床模型(0.738、0.750、0.707)。校准曲线和决策曲线分析表明联合模型具有良好的校准度和临床价值。结论基于超声影像组学和临床病理学特征的联合模型能够有效预测乳腺癌Ki-67表达状态, 有望成为Ki-67检测的非侵入性工具, 并为临床医生提供重要的辅助诊断和治疗决策依据。

基于多深度相机的三维重建技术在放疗中的应用

目的评估基于多深度相机的三维重建技术用于放射治疗患者日常定位的可行性。方法使用3个Intel RealSense D435i相机,经过感兴趣区域提取、滤波、配准、拼接等过程,实时融合点云,重建患者的真实光学3D表面。重建后的表面与定位CT体表外轮廓配准以完成定位。本文使用多个模体验证系统可行性,以及头颈部患者5例、胸部患者10例、骨盆部患者5例验证临床可行性。采用配对t检验分析各组数据。结果系统运行时间为0.475 s,可达到临床上实时监测要求。模体实验中配准六维误差分别为左右(1.00±0.74)mm、头脚(1.69±0.69)mm、腹背(1.36±0.87)mm、偏转角0.15°±0.14°、俯仰角0.25°±0.20°、翻滚角0.13°±0.13°。在实际患者摆位中平均摆位误差为左右(0.77±0.51)mm、头脚(1.24±0.67)mm、腹背(0.94±0.76)mm、偏转角0.61°±0.41°、俯仰角0.69°±0.55°、翻滚角0.52°±0.35°,平移误差在2.8 mm以内,其中骨盆区域摆位误差最大。结论多深度相机实时三维重建技术适用于放疗患者定位,该方法定位准确,可检测患者位置的微小移动,满足放疗要求。

深度学习在近距离放射治疗中的应用

近距离放射治疗是与外部放射治疗相对应的一种放疗方式,因其可以对病灶区域实现更高的放射剂量并更好地保护危及器官而得到广泛应用。但近距离放射治疗工作流程耗时较长,可能会造成患者的不适、施源器或插值针的位移、器官的变化。近年来,深度学习技术在医学领域取得了巨大的成功,为实现近距离放射治疗自动化、提高放疗精度、确保放疗计划安全有效提供了新的思路。本文综述了深度学习在近距离放射治疗中的分割、图像配准、施源器重建、剂量预测和计划优化以及质量保证方面的研究进展,以供临床工作参考。

光学体表引导放射治疗研究现状

光学体表引导放射治疗(Surface guided radiation therapy,SGRT)是一种无创无辐射的图像引导放疗技术,在患者治疗期间全程监控,提供连续、实时成像。本文对SGRT技术的特征、应用代表产品、目前临床上的研究和治疗应用以及质量控制进行概括。SGRT作为一种新兴的技术,在患者接受更加精确、安全、舒适的放射治疗方面发挥了越来越重要的作用。

放射治疗中肺部肿瘤运动轨迹预测研究现状

在放射治疗过程中,由于患者的呼吸作用,肺部肿瘤会发生位移,导致放射线难以精准照射靶区。这不仅会对周围健康组织的生理结构造成损伤,还会降低治疗的效果。因此,精确预测肿瘤的运动轨迹并实时调整治疗束的位置显得尤为重要。目前,预测肺部肿瘤运动轨迹的方法主要分为两大类:基于标记物的预测和无需标记物的预测。本综述将讨论这两种预测方法的研究进展,分析其基本原理、应用场景、当前面临的挑战以及未来的发展趋势。期望能够为相关领域的研究人员和临床医生提供一个较为全面的视角,以推动肺部肿瘤放射治疗的改进和优化。

CT截断区域对食管癌患者放疗计划剂量学影响

目的探讨CT图像截断区域对胸中段食管癌容积调强计划(VMAT)中靶区和危及器官的剂量学影响。方法选取15例胸中段食管癌患的CT图像,设置圆形掩膜使得截断区域体积占手臂体积的10%、20%、30%和40%,得到相应的截断CT,真实CT记为CT0。在CT0上制作2组放疗计划,一组为采用全弧的VMAT_1F,一组为采用避开手臂的三弧VMAT_3F,并将计划复制至4种截断CT。使用Wilcoxon符号秩检验比较不同计划的剂量学差异。结果与CT0中VMAT_1F相比,CT0中VMAT_3F降低肺的Dmean和V_(5),但增加了脊髓的D_(max)、心脏的Dmean和肺的V_(20)。VMAT_3F中,4种截断CT中的剂量学参数与CT0中的没有统计学差异(均P>0.05)。VMAT_1F中,除均匀性指数HI和脊髓D_(max)外,4种截断CT中的剂量学参数与CT0中的均有统计学差异(P<0.05),且剂量学差异随着截断区域体积比的增加而增大。结论临床中应采集完整的CT数据,必要时设置避开截断区域的射野,降低其对剂量学的影响。