基于 CBCT 的合成 CT 生成：条件流匹配模型

日常或每周采集的锥束 CT（CBCT）用于图像引导放射治疗（IGRT）以实现患者精准定位。然而，其在定量任务中的临床实用性受到严重的伪影和不准确 Hounsfield 单位（HU）的限制。有必要提升 CBCT 图像质量，以达到与常规 CT 检查相当的水平。本研究提出了条件流匹配模型，该模型在输入 CBCT 图像的条件下，将样本从正态分布逐渐转化为相应的 CT 样本。该模型采用监督学习方案，使用 CBCT 和变形规划 CT（dpCT）图像对进行训练。通过脑部、头颈（HN）和肺部患者的数据验证了条件流匹配模型的可行性。对定量性能进行了评估，包括平均绝对误差（MAE）、峰值信号比噪声比（PSNR）和归一化交叉相关（NCC）。本文提出的流匹配模型在所有研究中有效减少了 CBCT 图像上的多种伪影。在脑部患者研究中，sCT 的 MAE、PSNR 和 NCC 分别提高到 26.02 HU、32.35 dB 和 0.99，相对于 CBCT 图像的 40.63 HU、27.87 dB 和 0.98。在 HN 患者研究中，指标提高到 33.17 HU、28.68 dB、0.98，相对于 38.99 HU、27.00 dB、0.98。在肺部患者研究中，sCT 和 CBCT 的指标分别为 25.09 HU、32.81 dB、0.99 和 32.90 HU、30.48 dB、0.98。本文提出的条件流匹配模型有效合成了来自 CBCT 的高质量 CT 风格图像，实现了准确的 HU 表示和伪影消除。这使得在 CBCT 引导的在线 ART 流程中实现更可靠的器官分割和剂量计算成为可能。