在胸腹部的放疗过程中，肿瘤的位置会受到呼吸运动与肠道非自主蠕动等的影响，随之发生变动。为确保肿瘤在各种运动状态下都能得到有效治疗，临床操作中经常选择放大照射范围。然而，这也导致正常组织受到了不必要的辐射损伤。因此，为了确保射线能精确对准并跟随肿瘤，从而减少对正常组织的伤害，精确的肿瘤定位与跟踪技术显得尤为关键。  

　　中国科学院深圳先进技术研究院医工所梁晓坤副研究员课题组，针对现有技术需要金属标记点有创植入和依赖大量训练样本的问题，提出了一种新型的二维-三维弹性影像配准网络及影像扩增模型，充分考虑了患者胸腹部的个性化运动模式，在少量样本训练数据的基础上，实现精准的无创影像引导。具体研究成果如下：  

　　锥束X射线以其快速成像和易于集成的特性，成为放疗中实时引导的理想方式。为了解决放疗过程中软组织肿瘤难以实时无创地追踪的问题，提出了一种基于单角度锥束X射线投影的三维肿瘤实时追踪技术，成功实现在人体动态环境中对肿瘤的精确跟踪。该技术通过在放疗过程中将单角度锥束X射线投影与三维计划CT进行实时多维弹性配准，并利用transformer的卓越特征提取性能，实时地精准捕捉放疗中的三维肿瘤位置（如视频1所示）。该单角度X光方法大幅减少了治疗过程的额外放射剂量，同时也节省了医生和患者的放疗时间，期望也可应用于各种临床背景的靶区实时定位任务。研究成果以Volumetric Tumor Tracking from a Single Cone-Beam X-Ray Projection Image enabled by Deep Learning为题，发表在医学影像分析顶刊Medical Image Analysis (IF=10.9)。研究助理戴晶晶为第一作者，梁晓坤副研究员为通讯作者。  

　　当前，深度学习在影像引导靶区定位和分割中的应用，多受训练数据量的制约。虽然通过优化网络结构可以在某个特定任务上达到优良的性能，但网络的泛化性却受到了牺牲。面对数据的稀缺性。研究团队提出了一种新型的基于统计形变的三维医学影像数据扩增法。该方法通过对不同病患的解剖空间变化进行建模，以有限的数据集中的形态信息，产生物理上真实反映病患器官变化的图像。如图1所示，一幅原始病患影像，经过此形变模型处理，便可衍生出多种器官的解剖结构。在多个公开数据集的实验中，这一方法展现了最好的靶区定位与分割效能。研究成果以A statistical deformation model-based data augmentation method for volumetric medical image segmentation为题，发表在医学影像分析顶刊Medical Image Analysis (IF=10.9)。客座本科生何文丰为第一作者，梁晓坤副研究员为通讯作者。   

　　相关工作得到了科技部重点研发计划、国家自然科学基金，广东省科协等资助。

视频1：基于单个锥束X射线投影的三维肿瘤实时跟踪视频

图1：研究团队提出的基于统计形变模型的三维医学影像数据扩增法的实现效果   

　　论文链接：  

　　https://doi.org/10.1016/j.media.2023.102998  

　　https://doi.org/10.1016/j.media.2023.102984