腮腺是头颈部放疗中重要的危及器官之一,随着放疗的进行,腮腺放射剂量的积累,会使其产生功能受损的情况,导致患者不同程度的口干,严重影响患者的日常生活和生存质量。有研究表明,医学图像的纹理特征可用于预测腮腺放射损伤的发生。螺旋断层放疗(TomoTherapy)是近十年间出现的一种全新的影像引导放射治疗设备,将兆伏级CT(MVCT)扫描技术和放疗治疗系统整合到一起,用MVCT进行影像引导,主要用于放疗中的体位校正。采用MVCT进行腮腺分析的首要任务便是腮腺的分割。然而,人工分割费时、费力,并且分割结果因人而异。对于自动分割来说,MVCT噪声较大,软组织对比度较低。另外,腮腺在图像中所占面积较小,与周围组织没有明显的界限,因此MVCT的腮腺自动分割具有一定的挑战性。并且现有MVCT自动分割的研究没有对深度学习方法的应用,而是大多基于配准的方法,依赖于有标签的CT图像,并直接对MVCT图像进行分割。本文提出了一种基于深度卷积神经网络(convolutional neural network,CNN)的“定位-分割”模型,用于MVCT腮腺的自动分割。主要工作包括以下几个阶段:首先,为了提高MVCT的图像质量,本文采用三维块匹配+区别特征表示的方法做图像增强,得到enMVCT(enhanced MVCT)。针对数据集中没有标签的情况,采用配准的技术,包括刚性配准与可变形配准,从患者相应的CT图像中获取腮腺标签,并请专家校对修改,保证标签的准确性。然后调整了图像中的冗余信息,并根据灰度值的分布情况,选择了合适的窗宽窗位为图像做归一化。接下来,在分割模型的建立中,本文提出了分两步的“定位-分割”模型。首先在定位阶段,本文采用了Mask R-CNN网络对左右腮腺的位置进行定位,并根据本文的数据调整了模型参数,对网络进行训练,提取腮腺部分的感兴趣区域(region of interest,ROI)。对ROI进行了尺寸处理后作为下个阶段的输入信息。在细分割阶段,本文基于U-net网络结构建立细分割模型,根据输入图像的特点和输出结果的需求,对原始模型结构做了相应调整,使得网络中上采样路径和下采样路径的特征图的大小相同,从而避免特征丢失,同时令输出标签与输入图像的大小相同,提高了分割精确性。在实验的设计执行阶段,本文采用了来自山东省肿瘤医院的35例图像进行模型的训练和评价。为了对比分割效果,设计两组实验分别采用U-net直接分割以及本文的定位-分割模型分割腮腺,其中每组实验又采用三种数据分配方式。实验结果表明,本文提出的定位-分割方法能够在三种数据分配方式中显著提高分割精度。另外,图像增强的方法有助于提高模型分割精度,而非独立测试实验的分割精度高于独立测试实验。其中,实验的最佳结果为采用“定位-分割”模型的enMVCT的非独立测试,其Dice相似系数为0.847,Jaccard系数为0.787,Hausdorff距离为5.13。并且采用安阳市肿瘤医院的8例MVCT做外部数据测试,验证了模型的稳定性。最后,根据本文提出的“定位-分割”模型搭建了腮腺的MVCT自动分割及应用系统。系统的主要功能包括患者信息管理、MVCT自动分割以及图像特征的自动提取。文中详细介绍了系统功能、设计步骤和操作流程。并进行系统验证,实践证明本系统可以自动分割腮腺并提取图像特征,为放疗医生提供诊断参考,达到了实际应用的要求。