从 CBCT 生成合成 CT 图像：系统综述

使用深度学习方法从锥形断层 CT (CBCT) 数据生成合成 CT (sCT) 图像代表了放射治疗领域的重要进展。本系统综述遵循 PRISMA 指南，使用 PICO 模型全面评估了自 2014 年来用于放射治疗规划中 sCT 生成文献。共识别并分析了 35 项相关研究，揭示了深度学习方法在 sCT 生成中占据主导地位。本综述涵盖了基于 CBCT 和质子束的 sCT 生成方法。一些常用架构包括卷积神经网络 (CNN)、生成对抗网络 (GAN)、transformer 和扩散模型。包括平均绝对误差 (MAE)、均方根误差 (RMSE)、峰值信噪比 (PSNR) 和结构相似性指数 (SSIM) 在内的评估指标一致显示，sCT 图像与标准规划 CT (pCT) 的可比性，表明其有潜力提高治疗精度和患者预后。讨论了诸如场域视野 (FOV) 差异和整合到临床工作流程中的挑战，并提出了未来研究和标准化努力的建议。总体而言，发现 sCT 基于方法在个性化治疗规划和适应性放射治疗中发挥着有前景的作用，可能对改善肿瘤治疗递送和患者护理具有深远意义。