消除合成 CT 生成中的配准偏差：基于物理的仿真框架
计算机视觉与模式识别
2026-02-03 v1
摘要
监督式的合成 CT 生成依赖于配准好的训练对，但单独获取的扫描之间难以实现完美配准。这种配准偏差会传播到训练模型中并损坏标准评估指标。这可能表明更好的基准性能实际上反映的是对配准伪影的再现，而非解剖学保真度。我们提出了基于物理的 CBCT 模拟，以构建几何上对齐的训练对，从而消除配准偏差，并针对输入 CBCT 而非偏差的真实图参考进行评估。我们在两个独立的骨盆数据集上进行测试，模型在基于合成数据的训练结果在几何对齐方面优于传统方法（归一化互信息：0.31 vs 0.22），尽管在常规强度分数上表现较差。强度指标显示，对于进行 deformably 配准的数据，与临床评估呈反相关，而归一化互信息在各种配准方法中持续预测观察者偏好（rho = 0.31, p < 0.001）。临床观察者在 87% 的情况下偏好合成训练得到的输出，表明几何保真度而非与偏差真实图的强度一致性，才与临床需求相吻合。
引用
@article{arxiv.2602.02130,
title = {Eliminating Registration Bias in Synthetic CT Generation: A Physics-Based Simulation Framework},
author = {Lukas Zimmermann and Michael Rauter and Maximilian Schmid and Dietmar Georg and Barbara Knäusl},
journal= {arXiv preprint arXiv:2602.02130},
year = {2026}
}