針對基于腫瘤形態學或腫瘤整體平均參數的方法無法對腫瘤治療進行早期療效評估的問題，提出了一種基于體素的腫瘤療效影像學早期評估方法。該方法借助動態增強磁共振成像（DCE-MRI）技術，采用彈性結合剛性配準的方法使治療前和治療早期的DCE-MRI腫瘤區域每個體素一一對應；根據藥代動力學模型計算基于體素的容積轉移常數（Ktrans），設計閾值以得到治療早期Ktrans顯著增加、顯著減少與無明顯變化的體素的體積分數（F+、F-與F0）；利用線性回歸方法獲取體積分數與病理學腫瘤細胞壞死率（TCNR）的相關性，此外，根據受試者工作特征（ROC）曲線確定體積分數對治療效果的評估能力。我們采用10例軟組織肉瘤病例在治療前與治療早期（2周）的DCE-MRI圖像數據以及治療后的病理學腫瘤細胞壞死率進行實驗，實驗結果表明，F-與TCNR呈顯著負相關（R2=0.832 8，P=0.0002），F0與TCNR呈顯著正相關（R2=0.788 4，P=0.0006）； 而且，F-（AUC=0.905，P=0.053）與F0（AUC=0.857，P=0.087）對治療效果具有較好的評估能力，因此我們認為F-和F0可作為一種有效的影像學生物標記物用于腫瘤療效的早期評估。
計算機斷層成像（CT）是肺腺癌診斷與評估的重要工具，利用CT圖像預測肺腺癌患者手術后的無復發生存期（RFS）對于術后治療方案的制定具有重要意義。針對CT圖像的肺腺癌RFS精準預測難題，本文提出了一種基于自監督預訓練和多任務學習的肺腺癌RFS預測方法。采用“圖像變換—圖像恢復”的自監督學習策略，在公開肺部CT數據集上對3D-UNet網絡進行自監督預訓練解析肺部圖像的通用視覺特征，通過分割與分類的多任務學習策略進一步優化網絡特征提取能力，引導網絡提取與RFS相關的圖像特征，同時設計多尺度特征聚合模塊以充分聚合多尺度的圖像特征，最后借助前饋神經網絡預測肺腺癌RFS風險評分。通過十折交叉驗證評估所提方法的預測性能。結果顯示，所提方法預測RFS的一致性指數（C-index）與預測三年內是否復發的曲線下面積（AUC）分別達到0.691 ± 0.076與0.707 ± 0.082，預測性能優于現有方法。綜上，本研究所提方法在肺腺癌患者RFS預測方面表現出潛在的優越性，有望為個體化治療方案的制定提供可靠依據。