深度學習生成醫學圖像：CBCT生成偽CT的臨床可用方案摘要錐形束CT（Cone-Beam CT, CBCT）因其低輻射劑量和高空間分辨率，在放射治療圖像引導中應用廣泛，但其圖像質量受散射噪聲和重建偽影影響，HU值準確性不足，限制了其在劑量計算等臨床場景中的應用。本文系統闡述基于深度學習的CBCT-to-CT圖像轉換方法，以生成滿足臨床使用要求的偽CT（synthetic CT, sCT）。首先分析臨床需求與評價標準，包括MAE65 HU、SSIM0.85、gamma通過率99%等關鍵指標；其次詳細介紹基于2.5D上下文編碼與潛在空間擴散模型的完整實現方案，包含VQ-VAE與變分擴散模型的兩階段架構設計、數據預處理流程、模型訓練策略及損失函數配置；最后給出完整的PyTorch代碼實現與臨床部署建議。實驗結果表明，該方案能夠有效保留解剖結構、修正HU值，生成的sCT可直接用于放療劑量計算。關鍵詞：CBCT；偽CT；深度學習；圖像合成；自適應放療；擴散模型1 引言1.1 臨床背景與問題定義在腫瘤放射治療中，圖像引導放療（Image-Guided Radiotherapy, IGRT）是確保精準照射的關鍵技術。CBCT作為IGRT系統的核心組件，可在治療前獲取患者三維解剖圖像，用于擺位驗證和靶區定位。然而，CBCT圖像存在固有缺陷：散射噪聲顯著、軟組織對比度低、HU值定量不準確，這些因素導致CBCT無法直接用于劑量計算和靶區勾畫。