像：T1加权图像和T2加权图像，如图1-18，a 表示颅脑的T1、T2两种加权图像，b 是以 T1、T2两种加权图像强度为特征的二维特征空间，在这里，一维特征空间上重迭的不同部分在二维特征空间中往往是分离的。 c经特征空间分解后的图像。
区域分解中自动辨认方法遇到的主要问题是CT束流硬化过程中的空间不稳定或是MRI中的射频不均匀性。这些因素往往使本属于同一器官的像素元可能有不同的图像强度。
图 1-18 MRI图像二维特征空间
目前勾画轮廓的问题较多，比如在同一CT影像上勾画轮廓，不同医生勾画的结果不同，即使采用自动勾画，也必须进行检查、修改，因每人的选择、修改不同而使结果不同。任何内部器官位置移动必须区别其重要性；在确定靶区和其他轮廓时，应考虑器官的生理学运动规律和运动范围。先考虑用体外固定方式尽量限制如胸腹部呼吸运动，必要时再采用其它方式跟踪其运动，进行修正。如前列腺在前后(AP)方向运动可达1cm；一些病人俯卧位治疗时前后位移可达3cm，侧方向位移可达1.5cm；MRI显示出肝在平静呼吸中位移约1.7cm，在深呼吸时移动可达3.9cm。因此在以PTV为基础确定适形照射计划时不能忽略这些器官运动的误差。解决这种误差目前常采用四种方法：①监控前列腺运动；②附加边缘，计算出理想的安全边缘，包括由大体肿瘤体积(GTV)扩展生成的临床靶体积(CTV)、器官移动、摆位误差；③校准直肠与膀胱的充填；④校正呼吸周期，并注意CT单层扫描时间。在采用多种方式的影像时应注意的是CT可直接给出计划计算所需的电子密度而MRI不能、普通CT不能像螺旋CT那样在矢状面和冠状面给出与横断面相同的空间分辨率、肿瘤可能在一种类型的影像中与在另一种
21
类型的影像中表现非常不同。因此可根据实际情况选择CT、或MRI、或SPECT、或PET。
（二）、图像融合技术
在放射治疗中，尽管CT图像得到了广泛的应用，但在有些场合，如中枢神经系统肿瘤中，MRI图像在确定靶区范围方面具有明显的优势，但MRI图像却不能提供组织的电子密度、阻止本领等。
为了既保持CT图像便于作不均匀修正的优点，又利用MRI图像软组织分辨率高的长处，需要把这两组图像融合(fusion)成一组图像，即将CT 数据序列(dataset)和MRI 数据序列合成到 RTPS 的数据序列中去，这种技术有时也称为图像套准(套准registration是印刷行业中的一个术语，意为同一图像的不同层次需相互对准以合成一幅无错位的图像).每一组来源的图像本身构成一个数据序列，每个数据序列具有各自独立的特征，如坐标取向、分辨率、放大率、强度定标等。治疗计划中的图像套准和融合，就是要把不同来源的数据序列映射到RTPS数据序列中，即先套准，后融合。
图1-19显示的是CT与MRI及它们融合后的图像，可以看到，由于融合了MRI，能比较方便地在CT图像上勾勒肿瘤和正常结构的轮廓。
图1-19 CT、MRI图像融合
目前的图像融合方法大致可分两类，一类是基于对象的方法，另一类是基于像素方法。
基于对象的方法(object-based methods)是通过自动连接同属于两组图像的公共部分的方法，融合这种方法需要预分解图像，有时这些方法需要通过放置外部标记物进行。有的要求两组图像在同一体位，同一位置上扫描相同的层面，另一
22
些在找到两组图像上的体外标记后能将一组图像按另一组图像的层数，空间取向重新内插生成一组与之位置完全相同的图像。还有的采用在两组图像上分别勾勒出明显的器官轮廓，然后用最小方差方法将它们融成一组图像。一般来说，这些方法都需要人工干预，融合后图像的质量在相当程度上取决于人工干预的正确性，但由于这种过程有人为参与，它甚至可工作于图像质量很差的场合。 基于像素的方法(pixel-based methods)是通过建立两组图像灰度或色彩的相关性的融合方法。它需要对数据序列作所有像素的散布图。如果两组图像融合良好的话，像素点应基本散布在一条直线上。这种方法也许更适合于两组同属性(CT?CT、MRI?MRI)的图像，如病人术前与术后的两组图像。而对病人不同来源的CT与MRI的套准，由于一个MRI灰度值可能对应于多个CT值，这样的相对融合比较困难。一般认为，一个最好的方融合法应该使图中的黑块区域最小化。这个概念更精确的表示是：合成系统的“熵”应为最小。
图像融合技术现在发展也很快，并且已成为一个研究热点。目前相对成熟的是CT与MRI的融合，但CT与其它功能性图像（functional image）如ECT、SPECT等的融合对于甄别靶区的意义和潜力很大，因而有很好的临床前景。
此外，不少医院都在建立自己的PACS系统 (picture archiving and communication system)，该系统包括图像产生、网络构造、图像管理、显示分析和储存，实现了医学影像的无胶片化，并可使多个部门共享同一图像资料，这个系统无疑对放射治疗部门也有很大的意义。 三、治疗计划系统中图形的可视化
治疗计划系统中图像的可视化即是图像数据的表达和显示技术，它采用图像技术将前面已分解的图像数据及射野设置和等剂量分布用二维或三维的方法重建后表达。这种技术一般称为描绘(rendering)技术。描绘是将几何模型产生一个可视的屏幕图像的过程，这个过程要形成模型的网状包络线。形成这些包络线有三个要点：①进行一个从定义空间模型的坐标系到计算机屏幕上显示坐标系的转换；②遮蔽计算(shading calculation)要考虑物体本身的色彩和物质特性、观察者视角和光源的类型与方向；③物体间的屏蔽和阴影等。
图1-20表示了目前TPS中常见的四种病人模型表示方法。图1-20 a 表示的是二维轮廓模型，在对CT图像分解(画轮廓)时，每一层面(z)上的轮廓由一些点
23
(x,y)连成封闭曲线构成，根据病人CT层面数的不同，这些器官可用10~50个封闭曲线组成，对这些轮廓线的描绘几乎可以在所有的平台上进行。
图1-20b表现的是以多面体表面模型(polyhedral surface model)所表现的病人模型，这种模型擅长于表示简化的病人原始解剖关系，它是将属于同一器官表面的点连同顶和地一起拼成一个封闭的曲面。 其储存形式是(x, y, z)矢量阵列连同曲面元(通常是小三角形)。相对与前一种模型，它的储存和显示需要更多的内存和计算，当然，这种模型的视觉效果很好。现代计算机配备了专用硬件后能加速对表面模型的描绘。表面模型还可用来计算体积，放大靶区和设计射野。
图1-20c表示的是基于体积元的模型(voxel-based model)。这种模型包含了原始图像强度(即每一个pixel点上的CT值)或它分解后导出信息的阵列。体积元空间位置的坐标信息可以显现也可以隐含在阵列中，而原始图像的强度是通过将序列的二维图像(CT)合并到一个阵列或文件中获得的。在合并过程中可采用降阶取样(dowm sampling)的方式以减少数据量。这种模型可用在产生重要的可视图像中，如多平面重建、DRR或高精度描绘的解剖信息，见图1-21。
图1-20d所示的是病人的点模型表示。它是通过对表面模型或体积元模型所表示的病人解剖进行取样而生成的模型。这种方法在显示病人解剖结构时并不多见，但在交互评估治疗计划或快速计算剂量分布和剂量统计的优化过程中有广泛的用途。由于它能显著减少计算点的数量，所以在取样统计剂量时能明显减少计算时间。
图1-20 TPS的几种描绘方法 图1-21 由CT数据重建以后的影像
24
四、与治疗计划设计相关的图像
（一）、射野视观(beam’s eye view，BEV)
BEV在进行三维治疗计划时应用相当广泛，已成为目前治疗计划系统的标准工具。它模拟位于射野焦点位置的光源将病人的三维解剖结构投影到后面与射线轴垂直的平面上，以便观察在特定的机器几何参数(机架角、床转角、光栏角和射野大小)下靶区和正常组织的相互位置关系。这种显示随机器几何参数变化交互进行，因此BEV能使计划者方便地选择射野方向以最大限度地保护邻近的危险器官。
BEV功能的基础是原始CT图像的分解，并在这基础上对轮廓进行模型描绘。BEV功能中还常附有一些工具，如图像对比度 / 亮度调节、缩放、测距等。 与BEV相对应的，还有医生视观 (physician’s eye view 或 room’s eye view: REV)，如图1-22所示。它是将病人和治疗机模型的重建和显示治疗室内观察者所见的病人?机器相对位置关系。现代的三维治疗常使用非共面野，非常规的投照方向常使计划者如坠雾中，除了通过BEV观察靶区和危及器官等正常组织在射野中的相互关系外，采用REV可清楚地了解治疗机与病人的相对空间位置关系，而且，一个好的REV功能甚至应该能提示机架与病人在某些立体角的碰撞。
图1-22 REV与BEV
在立体定向放射治疗中，还有一种成为肿瘤视观（tumor’s eye view）的图像，它是根据设置在肿瘤中的等中心点及射野大小，由计划系统算得的在不同几何参数情况下(如机架和床转角的组合)射线对正常组织的累及。根据参数组合的不同，采用不同的色调或灰度来表示正常组织累及程度的不同。在这个结果的提示下设野，可避免正常组织的过量照射（图1-23）。
25