摘要：本共识围绕医学物理学科的教育现状、专业方向建设、课程设计、实习要求及研究生毕业标准等方面探讨了中国医学物理学科的建设与发展,以应对社会对健康与医疗服务需求的增长及医疗设备国产化的挑战。目前,中国医学物理教育面临教育途径多样性、课程设计差异性、师资短缺等问题,在此,讨论了整合国际经验,构建全面、规范化的医学物理学科体系的策略,体系涵盖放射治疗物理、医学影像物理、核医学物理、放射防护物理、放射生物物理及放射工程物理等方向,并强调人工智能技术的融合,以提高诊疗的准确性和效率。此外,还探讨了医学物理研究生教育的改进,包括师资和教学环境建设、专业课程设置等;还需建立教学质量评估机构,确保教育内容与国际标准一致,反馈学生和雇主的需求。本共识提倡全面提升医学物理学科的规模和影响力,提升教育质量和专业水平,实现教育的精细化和精英化,并加强国内外合作,以期达到国际先进水平,支撑“健康中国2030”政策目标。

摘要：目的通过建立深度学习模型,探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAIR),对每例病例的原发肿瘤靶区(GTV)及其对应的临床靶区1(CTV1)和临床靶区2(CTV2)根据RTOG标准进行人工勾画,并设计4种不同的数据集:CT数据集(仅含30例CT序列的单模态数据)、CT-T1C数据集(包含30例CT序列和T1C序列的双模态数据)、CT-T2-FLAIR数据集(包含30例CT序列和T2-FLAIR序列的双模态数据)和CT-MRIs数据集(包含30例CT序列、T1C序列和T2-FLAIR序列的三模态数据)。使用每种数据集中的25例对改进后的3D U-Net进行训练,并用剩余5例进行测试。评价测试样本中GTV、CTV1和CTV2的自动勾画效果,定量评估指标包括Dice相似系数(DSC),95%Hausdorff距离(HD95)和相对体积误差(RVE)。结果该3D U-Net模型在多模态影像CT-MRIs上获得最好的GTV自动分割结果,与在单模态影像CT的自动分割结果相比(DSC:0.94 vs.0.79,HD95:2.09 mm vs.12.33 mm and RVE:1.16%vs.20.14%),DSC(t=3.78,P0.05)。该模型对于GTV的上下界和CTV2临近的重要器官(如脑干和眼球)的自动勾画有一定的局限性。结论基于改进后的3D U-Net在多模态影像数据集CT-MRIs上对脑胶质母细胞瘤放疗靶区具有更好的分割效果,显示出较好的临床应用价值。

摘要：目的探讨基于多模态脑影像数据的超分辨率合成模型将低分辨率的厚层数据重建成为高分辨率的薄层数据。方法使用真实成对的多模态低-高分辨率MRI数据(2D-T1,2D-T2 FLAIR和3D-T1)设计结构约束的图像超分辨率重建网络,从不同模态的低分辨率MRI提取重要特征重建更高分辨率的T1图像。将T1作为主要模态使用图像全部信息,T2 FLAIR作为补充模态选取皮层下核团为关键区域进行信息增强。通过比较超分辨率重建图像与真实的高分辨率图像之间的灰度和结构相似性来确定网络的学习方向,同时通过脑分割工具获取重建图像和金标准图像的大脑解剖学结构信息,并将其作为重要约束条件来让重建模型自适应的学习大脑的组织结构特征,从而有效提升模型的重建性能。结果在整体图像质量评价方面,该模型在149例测试集上的重建图像的平均PSNR值为33.11,SSIM为0.996,质量优于本文的其余对比方法生成的结果。在大脑解剖结构方面,我们的方法可以重建出较为清晰的脑沟、脑回以及皮层下核团,可视化结果显示了根据医学图像特性加入解剖学结构信息的有效性。分别使用单模态T1和多模态T1、T2 FLAIR进行图像重建的结果说明了有效选择第二模态关键区域的可行性。同时,在高分辨率图像作为金标准的情况下,使用本文提出的方法重建得到的超分辨率图像与使用低分辨率图像相比,在大脑灰质、白质和脑脊液上的体积测量平均精度有了较大的提升,灰质体积平均误差从3%降到1%,白质从18%降为了2%,脑脊液从35%降为了8%。结论基于多模态的MRI脑影像超分辨率模型加入了同一组织的不同模态信息与解剖学信息,相比现有的方法,可以重建出更为接近真实高分辨率的图像,有望将其应用于临床诊疗流程中。

摘要：目的:旨在研究自主创新设计的级联式深度卷积神经网络VB-Net在胃和胰腺上的自动分割精度及效率。方法:回顾分析150例胰腺癌患者临床资料,随机选取132例非增强CT数据和其中116例胰腺期增强CT以及结构数据进行胃及胰腺的分割模型训练。对剩余18例患者的非增强CT和胰腺期增强CT给予模型测试,使用戴斯相似性系数量化分析模型的分割精度,同时评估其分割效率。结果:基于非增强CT的胃、胰腺的自动分割平均DSC值分别为87.93%、80.05%;基于胰腺期增强CT的胃、胰腺自动分割平均DSC值分别为89.71%、84.79%。胃及胰腺的自动分割平均时间为1.22、0.84 s,手动分割平均时间为158.70、115.52 s。结论:基于VB-Net的胃及胰腺自动分割模型测试结果较为准确,且极大提高了器官分割的效率。