放射治疗（简称放疗）是一种利用高能放射线杀死恶性肿瘤的局部治疗手段,其目的是在保护正常组织和器官前提下,最大限度地消灭或减少肿瘤细胞。现代放疗技术的发展离不开医学影像设备,其应用贯穿临床决策、模拟定位、计划制定和放疗实施等环节,为临床提供了多层面、多角度、多节点的图像数据,保证了肿瘤在放疗过程中可以被看得清、照得准。由于成像原理和应用环境的差异,不同模态的医学图像数据间既存在冗余信息,又充斥着大量互补信息。图像融合技术可以将不同模态的图像数据有机整合,利用互补信息来改善图像的清晰度,利用冗余信息来提高图像的可靠性。近年来,关于医学图像融合算法的研究已经取得了许多进展,但仍有一些问题值得探索和研究。本文围绕肿瘤放疗相关的应用场景,结合多个部位的肿瘤影像,从辅助临床决策和引导精确治疗的角度,对多模医学图像融合算法及应用展开研究。全文内容包括如下几个方面:（1）多序列MR图像融合预测脑胶质母细胞瘤急性放射性脑损伤急性放射性脑损伤是胶质母细胞瘤患者放疗后常见的副反应,为了在治疗前预测其发生风险,降低或避免患者可能出现的损伤,论文在多序列MR融合图像上构建影像组学预测模型。为了在保留多序列图像细节的同时提高融合图像质量,提出一种基于GPU加速非下采样剪切波变换和二维主成分分析的多序列MR图像融合算法。首先,利用GPU加速非下采样剪切波变换分解T1增强和T2加权MR图像;接着采用全局和区域相结合的方式对高频子带图像自适应分块,并结合二维主成分分析方法生成融合参数,对低频子带采用加权平均的融合策略;通过反变换生成融合图像;最后,提取融合图像中的影像组学参数,利用相关分析和逻辑回归方法构建预测模型。实验结果显示,本文融合算法获得了较传统方法更好的图像质量;同时,基于融合图像的预测模型也取得了比其他方式更好的预测结果。（2）PET-CT图像融合预测食管鳞癌放化疗敏感性患者间的个体差异导致其对放化疗的耐受程度不同,为了预测食管鳞癌患者的放化疗敏感性,避免患者接受过度治疗,论文在PET-CT融合图像上构建影像组学预测模型。为减少融合过程中图像细节信息的损失,提出一种基于纹理相似性和脉冲耦合神经网络的PET-CT图像融合算法。对图像非下采样剪切波变换后的高频子带图像提取局部二值模式特征,设定纹理相似性度量标准,在连续滑动窗口间按照纹理相似性生成高频融合系数,对低频子带采用脉冲耦合神经网络模型计算权值参数。在逆变换生成的融合图像上进行影像组学分析,利用差异分析筛选特征,通过最小绝对收缩选择算子结合逻辑回归方法构建放化疗敏感性预测模型。实验结果显示,本文融合算法较传统方法保留了更多的图像细节信息;同时,基于融合图像的影像组学评分模型在两家医疗机构的真实临床数据中表现出了较强的鲁棒性。（3）PET-CT图像融合及其对非小细胞肺癌靶区勾画的影响非小细胞肺癌放疗靶区勾画时,单纯依赖CT图像对纵隔淋巴结转移、肺不张等情况的鉴别能力有限,CT图像与PET图像结合有望提高靶区勾画精度,降低放疗并发症发生风险。藉此,论文提出一种基于非下采样轮廓波变换和视觉显著性的PET-CT图像融合方法,并分析其对非小细胞肺癌放疗靶区勾画的影响。PET-CT图像首先经过非下采样轮廓波变换分解为低频和高频子带;对低频子带图像检测视觉显著性,利用自适应阈值方法将显著图分为前景和背景区域,对各区域设置不同的融合系数,同时对高频子带图像采用最大绝对值融合策略。最后,通过手工勾画和自动分割两种方式,对比图像融合对非小细胞肺癌患者靶区勾画的影响。实验结果显示,本文融合算法获得了较传统方法更好的视觉效果,可以显著提高手动勾画和自动分割的放疗靶区精度。（4）融合MR-CT图像信息的颅内肿瘤协同分割肿瘤放疗靶区勾画本质上是一个图像分割问题,针对颅内肿瘤自动分割,论文借鉴协同机制,提出一种融合MR和CT信息的改进U-Net模型。算法结合颅内肿瘤CT和MR图像特点,采用双路径输入模式,提取CT图像信息并将其融入MR图像在U-Net各通道的特征图中,通过学习产生每个特征通道的权重参数。在训练过程中,设定Tversky损失函数和交叉熵损失函数作为双目标,对输出层预测结果决策融合,通过条件随机场优化分割结果。实验结果显示,与其他多模态分割方法相比,本文算法能显著提高颅内肿瘤病灶分割精度。