方式。应注意计划系统处理模式与实际工作模式还存在一定差别，
为克服目前MIMiC只能进行一维强度调节，NOMOS公司开发了二维强度调节光阑，由N×N个孔排列成棋盘方式，每个方块在等中心处形成5mm×5mm的小野。棋盘中黑色小方块由12cm厚的固体衰减材料组成，对射线不透明。白色方块的孔包含一个橡胶气球，用高压气体作动力推动水银代替原来的叶片，新“叶片”开关时间约100毫秒，由计算机监测水银充入气球的状态。治疗分两步，第一步照射白色方块下的各个小野，第二步是将黑白方块位置互换，以照射原黑色方块下的小野。该方法的不足之处是使用水银，而目前还不清楚美国食品药物管理局(FDA)是否允许这样使用水银。
图1-16A 断层扫描式Mackie螺旋治疗机结构示意图 图1-16B 断层治疗螺旋扫描示意图
Mackie建立的螺旋治疗装置[12]如图1-16A所示，其螺旋扫描方式如图1-16B所示。临床原型使用标准GE公司高速CT机架，旋转速度可达每分钟60转。实际螺旋治疗时转速大约在每分钟1至10转。旋转框架孔半径85cm，源轴距85cm，可作360度旋转。将加速器装在CT框架上，加速器长度30cm，束流能量为6MV，光子束未平坦化，治疗束是一个扇形射束，在中轴扇形野长40cm，宽从0.5cm变化到5cm，最大剂量率为8Gy/min。使用一组类似MIMiC的动态MLC(64叶片)，可在计算机控制下连续改变一维射束强度分布。采用高压气推动活塞控制叶片高速开合而不使用低速的电动驱动，叶片的开合时间约50毫秒。叶片高10cm，含94%的钨组成的合金，透过率低于0.5%。克服了MIMiC的叶片碰撞现象，叶片无碰撞滑动而相互交叉，加之光阑系统置在于整流罩中，大大降低了噪音。使用一个高原子序数硬化薄箔以减少射束及散射线中的低能光子。由于未
16
加平坦滤片，导致的不均匀性必须在剂量计算中修正。治疗床为标准GE的CT床，治疗范围为1.2m，纵向精度为0.25mm。在框架旋转照射时治疗床也同时移动，治疗床前进速度控制在前进一个治疗层时机架刚好旋转照射一周，最终形成类似螺旋CT的断层扫描治疗。机架滑环可输送电流及数据信息，电流可输送500V的100A电流，数据传输可达100M波特。设计了专用的可优化的治疗计划软件。此外，框架上同时具有CT功能及射野影像功能。目前该装置的原型机正在研制中。
六、扫描束治疗(pencil beam scanning)
扫描束治疗方法是通过用两个垂直的偏转弯曲磁铁控制电子束而实现射束的强度调节。有专家称电磁偏转扫描技术是强度调节射束的最终解决方法。在MM50电子回旋加速器治疗头上，安装两对正交偏转磁铁，由计算机控制偏转电流的大小，在几个微秒内可形成50cm×50cm的照射野。这种方式也可实现电子束、质子束的调强治疗。不幸的是，在目前已建成的原型中其锥形光子束在等中心的半宽度大到4cm。此外，如何检验其精度也是该方法的一个难题。
第四节 放射治疗中的图像处理技术
医学影像技术在过去的30年间由于计算机技术的飞速发展而发生了革命性的变化，这种变化也影响着放射治疗的发展，使得基于图像处理技术的现代放射治疗相对于传统的常规放射治疗发生了质的变化。
对CT的应用研究表明，在没有CT影像的情况下，放疗中靶区的决定在20%的病例中是明显不合适的，在另外27%的病例中亦存在着靶区边界设置不当，因此，没有现代医学影像技术，也就谈不上精确的放疗[13]。
放射治疗中的图像一般可分为解剖或功能图像、后处理图像和治疗图像三类。
一、解剖或功能图像
解剖和功能图像包括计算机断层扫描(CT)、MRI图像(MRI)、单光子发射计算机断层图像(SPECT)、正电子发射计算机断层图像(PET)、X光平片和超声图像等。
（一）、计算机断层(CT)图像
17
CT的图像是通过测量视场 (field of view) 范围内每个像素点的线性吸收系数，并用不同的灰度表示像素点的CT值(hounsfield unit, Hu)来表示图像的。CT值Hu与线性吸收系数?的关系为： Hu = 1000(?x - ?water)/??water
足标x表示待测物质。线性吸收系数?与像素点上物质的电子密度和原子序数有关。在诊断X线能区(70~120 kv)下，CT测出不同组织的Hu值后可近似外推出剂量计算所需的电子密度值。因为这个缘故，CT图像是现代三维治疗中最基本的影像，它在每个像素点上的Hu值在某些算法中被直接用来进行组织不均匀性修正，而且，能否逐点(pixel by pixel)进行密度修正本身是衡量放疗计划设计系统(radiation treatment planning system, RTPS)算法的一个重要指标。
目前CT的发展趋势之一是速度越来越快。现代螺旋CT能在病人一个呼吸周期中扫描约40层图像。超高速CT的这种优点，也可以在放射治疗中用来观察脏器的运动状况(如肺的呼吸运动)。 （二）、核磁共振图像（MRI）
MRI是通过磁场的射频测量体积元中原子核磁化强度得到的图像，它的图像与许多因素有关，如质子密度、磁化驰豫时间、磁化率等等。空间分辨率、对比度与信号获取时间密切相关。目前常用的是氢原子图像，通常有T1加权和T2加权两种图像。T1是自旋～晶格驰豫时间，T2是自旋～自旋驰豫时间。具有未配对电子的偏磁性物质，如钆原子，会在磁场中被磁化。因此钆的赘化物可作MRI的造影剂，它能通过血脑屏障。
MRI不仅能作横断面上的图像，通过产生不同方向的梯度场能获得体内任意平面的图像，这是MRI优于CT的地方。
MRI在放射治疗中的优越性在于它比CT更能区别软组织肿瘤，特别是中枢神经系统肿瘤 。一般来说，MRI比CT更能发现脑部异常。 （三）、CT模拟机
目前部分模拟定位机也有简单的CT功能，即在一般的模拟机中插上一些附件，使之能在机架旋转过程中产生断层图像。模拟机CT优点是视场范围大，克服了CT孔径小而使一些特殊体位(如乳房切线位病人手臂上举)无法成像的局限。但由于其球管到探测器的距离长，相对的探头数少，图像分辨率较低，且无
18
法作连续的扫描。 （四）、发射图像
发射图像是通过测量注入人体的放射性核素在体内的分布而获得的图像，这些放射性核素与某些生物分子有亲和作用，因而产生一些生化分布图像。目前，这一类的图像发展很快，如果找到与肿瘤细胞亲合的核素，它们诊断肿瘤周围的亚临床灶的精度将大大提高。
已获得的人体数据图像信息须传输到TPS系统，常用的媒体有磁带、可擦写光盘或局域网。如果不具备数据传输条件，也可以通过胶片扫描仪输入，当然这种输入方式信息量损失很多。某些专用的数据格式标准，如DICOM 3.0协议，能使一些一些烦琐的数据格式解码工作变得更为有效。 二、图像处理
三维治疗计划中最重要工作之一是准确确定计划靶体积(planning target volume, PTV)和邻近的危险器官(organ at risk, OAR)，以决定病变范围、设计射野、计算和分析剂量。确定PTV和OAR的一般方法是先在一系列横断面上确定各种轮廓，再用这些二维轮廓重建出各种器官组织的三维立体轮廓。各断层间的距离越小，三维重建效果越好，但同时会增加扫描时间和勾画轮廓工作量。
原始数据一般以坐标位置和相应的强度值存储，为了使它们便于观察，需对这些图像进行分解和转化。在三维RTPS中这些工作可部分地借助于专用软件进行。
（一）、图像分解
图像分解(segmentation)是在图像数据序列中定义或标记一些区域(如肿瘤、脏器)的过程，治疗计划中对图像的分解，即在原始的CT层面图像中定出靶区和各种脏器的轮廓。尽管人们发明了许多方法试图对医疗图像进行自动分解，然迄今为止，似乎还没有一种方法能适用于所有的场合。在整个计划过程中，分解图像(勾勒轮廓)往往是一件相对费时的工作。
手工分解，即RTPS操作者手握鼠标或光笔在屏幕上逐层显示的CT层面上勾勒轮廓，操作者可通过调节CT窗位和窗宽以获得清晰的图像便于勾勒。
自动或半自动分解方法可分为边界方法(boundary method)和区域方法(region based method)。边界方法的依据是脏器在边界上有显著的信号强度变化，因此，
19
相应的算法通过探测图像中的像素值梯度变化来勾勒轮廓。采用这种方法得到的原始轮廓也许边界比较毛糙，须辅之以光滑处理。区域方法不是寻找边界，而是定出组成器官的像素区域。这种技术试图逐步地将符合某一特征的小范围生成或合并成大区域。合并依据一些试图在目标间找出相关的相似性准则重复地进行。相似性的性质根据搜寻的对象而定。例如，它们可以是强度，也可以是边界的共有部分或几何形状。
在辨认的过程中可引入半自动或自动的方法，通常是通过测量(或者说是过滤)过程，将整个需要分解范围内符合特征的信息(一般是像素元：pixel 或 voxel)归类出来。这里所说的特征，常常是指图像像素元的强度或CT值。特征值的全部可能范围构成了一个特征空间(一个类似于能谱图中的X轴)，每一个像素元(pixel / voxel)由于它们的特征值(Hu) 不同而落入特征空间的不同位置，然后，分解就在特征空间中进行归类。这个过程可能需要人为干预，也可以基于概率原理。
图1-17是这种方法的一个图示。图中a 是一个以CT值(Hu)为特征值的CT数据直方图， 从这个直方图上可以得到几种物质的峰位，空气、脂肪、肌肉和骨骼。b 由于对部分体积平均和一些其它因素，各种物质的CT值之间有所重迭，因此它也带来一个常见的问题，用这种方法分解出的器官的边界远不如人为的清晰。c 表示人为规定的阈值，而 d 则表示某一特定的CT值，其归属于哪一 类物质的程度是变化的(fuzzy)。最后，在特征空间中利用自动的算法可进行图像的分解。
图1-17的例子其特征空间是一维的，也即是把CT值作为单一变量。实际上这种方法也可以扩展到多维特征变量的情形中去。例如在MRI中可能有两种图
20