尧图网络科技YAOTU DIGITAL 获取报价
获取报价
首页 / 资讯中心 / 文章详情

深度学习生成医学图像:CBCT生成伪CT的临床可用方案

发布时间:2026/11/19 14:51:57

资讯中心
01
ARTICLE

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
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。
02
RELATED NEWS

相关资讯

更多网站建设与数字化升级内容

03
WHY YAOTU

想打造同款高转化官网?

懂行业、懂生意,从建站到增长一站式陪跑

◈

场景化定制

不做模板站,围绕你的业务场景量身设计,小众不撞款。

◐

营销型架构

以转化目标组织内容与路径,让官网真正带来询盘。

▲

全周期服务

设计、开发、运营、运维一体,上线只是开始。

免费获取你的建站方案

留下需求,专属顾问 24 小时内为你输出方案建议。