深度学习生成医学图像：CBCT生成伪CT的临床可用方案摘要锥形束CT（Cone-Beam CT, CBCT）因其低辐射剂量和高空间分辨率，在放射治疗图像引导中应用广泛，但其图像质量受散射噪声和重建伪影影响，HU值准确性不足，限制了其在剂量计算等临床场景中的应用。本文系统阐述基于深度学习的CBCT-to-CT图像转换方法，以生成满足临床使用要求的伪CT（synthetic CT, sCT）。首先分析临床需求与评价标准，包括MAE65 HU、SSIM0.85、gamma通过率99%等关键指标；其次详细介绍基于2.5D上下文编码与潜在空间扩散模型的完整实现方案，包含VQ-VAE与变分扩散模型的两阶段架构设计、数据预处理流程、模型训练策略及损失函数配置；最后给出完整的PyTorch代码实现与临床部署建议。实验结果表明，该方案能够有效保留解剖结构、修正HU值，生成的sCT可直接用于放疗剂量计算。关键词：CBCT；伪CT；深度学习；图像合成；自适应放疗；扩散模型1 引言1.1 临床背景与问题定义在肿瘤放射治疗中，图像引导放疗（Image-Guided Radiotherapy, IGRT）是确保精准照射的关键技术。CBCT作为IGRT系统的核心组件，可在治疗前获取患者三维解剖图像，用于摆位验证和靶区定位。然而，CBCT图像存在固有缺陷：散射噪声显著、软组织对比度低、HU值定量不准确，这些因素导致CBCT无法直接用于剂量计算和靶区勾画。 深度学习生成医学图像：CBCT生成伪CT的临床可用方案
深度学习生成医学图像：CBCT生成伪CT的临床可用方案摘要锥形束CT（Cone-Beam CT, CBCT）因其低辐射剂量和高空间分辨率，在放射治疗图像引导中应用广泛，但其图像质量受散射噪声和重建伪影影响，HU值准确性不足，限制了其在剂量计算等临床场景中的应用。本文系统阐述基于深度学习的CBCT-to-CT图像转换方法，以生成满足临床使用要求的伪CT（synthetic CT, sCT）。首先分析临床需求与评价标准，包括MAE65 HU、SSIM0.85、gamma通过率99%等关键指标；其次详细介绍基于2.5D上下文编码与潜在空间扩散模型的完整实现方案，包含VQ-VAE与变分扩散模型的两阶段架构设计、数据预处理流程、模型训练策略及损失函数配置；最后给出完整的PyTorch代码实现与临床部署建议。实验结果表明，该方案能够有效保留解剖结构、修正HU值，生成的sCT可直接用于放疗剂量计算。关键词：CBCT；伪CT；深度学习；图像合成；自适应放疗；扩散模型1 引言1.1 临床背景与问题定义在肿瘤放射治疗中，图像引导放疗（Image-Guided Radiotherapy, IGRT）是确保精准照射的关键技术。CBCT作为IGRT系统的核心组件，可在治疗前获取患者三维解剖图像，用于摆位验证和靶区定位。然而，CBCT图像存在固有缺陷：散射噪声显著、软组织对比度低、HU值定量不准确，这些因素导致CBCT无法直接用于剂量计算和靶区勾画。 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
