《Physics and Imaging in Radiation Oncology》：Comprehensive evaluation of a deep learning-based synthetic CT model for MR-only radiotherapy across multiple anatomical sites
编辑推荐：
磁共振成像（Magnetic Resonance Imaging, MRI）因其优越的软组织对比度，在放射治疗计划中的应用日益重要，能够更精确地勾画肿瘤和危及器官（Organs-at-Risk, OARs）。然而，传统的放射治疗工作流程仍需要计算机断层扫描（C
磁共振成像（Magnetic Resonance Imaging, MRI）因其优越的软组织对比度，在放射治疗计划中的应用日益重要，能够更精确地勾画肿瘤和危及器官（Organs-at-Risk, OARs）。然而，传统的放射治疗工作流程仍需要计算机断层扫描（Computed Tomography, CT）提供电子密度信息以进行剂量计算，并作为患者定位的参考影像，通过与锥形束CT（Cone-Beam CT, CBCT）或数字重建影像（Digitally Reconstructed Radiographs, DRRs）配准实现图像引导放疗（Image-Guided Radiation Therapy, IGRT）。随着深度学习技术的发展，仅基于MRI的放疗计划（MRI-Only Radiotherapy Planning, MROP）应运而生，即直接从MRI生成合成CT（Synthetic CT, sCT）图像。该方法消除了CT模拟的需要，减少了辐射暴露，并避免了MR-CT配准的不确定性。已有大量研究针对特定解剖部位开发了MROP技术，如脑部、盆腔和头颈部（Head and Neck, H&N），尤其在前列腺癌放疗中研究深入。然而，现有研究多为部位特异性模型，缺乏多部位泛化能力验证；同时，验证工作多集中于图像相似度和剂量/体积指标精度，而对患者定位精度——这一IGRT关键组成部分——的探索明显不足。
本研究旨在开发和评估一种适用于多解剖部位的统一深度学习模型，用于从MRI生成sCT，涵盖头颈部、胸部、腹部、盆腔和脊柱，并对图像相似度、剂量/体积指标保真度和患者定位精度进行全面评估。研究人员采用改进的弱监督学习模型生成sCT，引入了骨特异性和膀胱特异性损失项以提升sCT精度。评估内容包括：（1）sCT与CT之间的图像相似度分析，采用亨氏单位（Hounsfield Units, HU）的平均绝对误差（Mean Absolute Error, MAE）和平均误差（Mean Error, ME）；（2）剂量/体积指标精度评估，通过在sCT上重新计算临床计划并与CT计算结果比较剂量分布和剂量-体积直方图（Dose-Volume Histogram, DVH）指标；（3）定位精度评估，基于刚性CBCT-to-CT与CBCT-to-sCT配准的平移和旋转差异进行分析。
该研究纳入了2022年至2025年间接受外照射放疗的164例患者，涵盖H&N、胸部、腹部、盆腔和脊柱五个解剖区域。优先选用同日CT和MRI采集的数据进行训练以减少解剖变异，测试数据集则包含同日及不同日采集的数据以及治疗CBCT图像。CT模拟采用Philips Brilliance Big Bore扫描仪，层厚1-3 mm，平面分辨率0.9×0.9至1.4×1.4 mm2，管电压120 kVp；胸部和腹部患者接受4DCT或屏气扫描，其他部位采用自由呼吸采集。MRI采用Philips Ingenia Ambition 1.5 T系统，使用对比剂注射前的T1加权3D mDixon Vane序列，该序列重建水相图像、脂肪相图像和同相位（In-Phase, IP）图像，其中水相和IP图像作为模型输入。针对测试队列，CBCT图像来自Varian TrueBeam、VitalBeam、Halcyon和Elekta Versa设备的机载影像系统，层厚2 mm，平面分辨率0.5×0.5至2×2 mm2，管电压100-125 kVp。
sCT生成采用改进的多通道CycleGAN框架，该架构包含三个生成器和三个鉴别器。主要生成器将配对的Dixon MR图像转换为sCT，其余生成器执行从CT到相应MR域的逆向图像转换。生成器基于U-Net架构，鉴别器采用PatchGAN结构。训练目标函数包括对抗损失、循环一致性损失、恒等损失以及解剖学特定正则化项。研究人员将输入从脂肪图像替换为水相图像以改善膀胱周围软组织信号表征，减少人工气腔的出现，并引入膀胱特异性损失项以进一步提升膀胱区域的解剖学一致性。
图像相似度评估通过Velocity软件进行sCT与计划CT的刚性和可变形图像配准（Deformable Image Registration, DIR），并基于计划CT生成骨掩膜（MBone，HU>200）、软组织掩膜（Msofttissue，MBone从MBody中减去）和全身体掩膜（MBody，HU>-300）。计算各掩膜内HU值的MAE和ME，并进行Bland-Altman分析。剂量计算精度评估中，胸部采用Monaco软件（Monte Carlo算法），其余部位采用Eclipse软件（Acuros External Beam, v16.1.0），SBRT分辨率为1.5 mm，IMRT为2.5 mm，启用异质性校正（dose-to-medium）。评估包括γ分析（2 mm/2%，10%阈值，全局归一化）和DVH指标，其中PTV评估Dmax、Dmean、V100%和D95%，OARs评估Dmax和Dmean。定位精度评估通过比较CBCT-to-CT与CBCT-to-sCT的配准结果实现，因sCT继承MRI坐标系，需先刚性配准至计划CT进行坐标校正。提取每例的平移参数（Δx, Δy, Δz）和旋转参数（pitch, roll, yaw），计算两种配准方法间的差异，并进行Bland-Altman分析。所有配准由医学物理师和放疗技师共同完成并达成共识。
图像相似度结果显示，各解剖部位变形后sCT与计划CT总体一致，全身MAE范围为盆腔59 HU至H&N的111 HU，ME范围为20至47 HU。骨区域差异较大，MAE范围为胸部155 HU至H&N的249 HU，ME范围为53至164。软组织区域一致性优于骨区域，MAE范围为H&N的36 HU至腹部80 HU，ME范围为-17至30 HU。总体而言，sCT在软组织中的HU一致性优于骨组织，H&N区域和高密度结构差异最大。
剂量差异结果显示，CT与sCT计划的PTV剂量差异普遍小于1 Gy。γ通过率方面，H&N为99.6%，腹部97.5%，盆腔98.6%，脊柱95.5%，均超过95%；而胸部明显较低，为86.8%±7.8%。腹部一例异常值因肠气差异和CT可见但MRI缺失的手术夹导致γ一致性降低；脊柱一例异常值由肺界面附近剂量差异驱动。低密度区域如肺部γ值较高，但PTV剂量差异仍较小（Dmean 0.42 Gy，Dmax 0.21 Gy，V100% 0.3%，D95% 0.6 Gy），而肺区域偏差较大（Dmax差异达1.11 Gy），与HU不匹配一致。将sCT中肺HU覆盖为典型值-750 HU后，γ通过率从88.1%提升至99.4%，表明观察到的剂量差异主要由低密度肺区域HU不匹配驱动。
定位精度结果显示，刚性解剖区域sCT与CT配准高度一致。H&N和脊柱的平移差异在±2 mm以内；腹部和盆腔变异较大，平移限值延伸至±5 mm，主要由CT和MRI采集间隔期间器官运动和充盈等解剖学变化驱动，而非配准误差。MRI相关伪影也导致配准不确定性，如sCT源自MRI，源图像中的伪影会传播至sCT，可能引起大于1 mm的错位。
该研究的局限性在于依赖变形配准CT作为体素级比较的参考，DIR引入了不确定性，尤其在肺和腹部等解剖变异区域无法达到完美空间对应。与已发表sCT研究相比，观测到的HU误差处于报告范围内，全身和软组织区域尤为如此；骨区域因结构复杂显示更大差异。临床角度而言，剂量/体积指标精度最为关键，本研究结果显示大多数部位达到可接受阈值，支持模型的临床可行性。胸部仍是最大挑战，因呼吸运动、磁敏感伪影及MRI上肺结构可视化困难，模型倾向于将肺体素赋值更接近-1000 HU而非典型-800至-500 HU范围，额外训练数据和先进MRI序列有望改善。定位精度分析凸显了刚性区域与可变形区域的重要区别：H&N和脊柱因稳定骨解剖而高度可重复；腹部和盆腔变异性主要由膀胱充盈、肠气及软组织变形等生理变化驱动。MRI相关伪影（如SENSE因子和3D Vane梯度回波序列导致的环状伪影）也贡献配准不确定性，需严格的患者特异性MRI质量保证。部位依赖性配准策略同样影响结果：H&N和脊柱主要依赖稳定骨解剖，而腹部和盆腔需基于软组织标志物（膀胱、肠、直肠、肝、肾）进行优化，这些结构在CT与MRI间可能发生变化。未来工作包括使用基准点验证量化DIR相关不确定性、正式评估观察者间变异性、提高挑战性区域稳健性、开展多机构验证，以及完善质量保证策略。模型跨MRI厂商和协议的泛化能力也有待系统评估。
本研究呈现了一项基于深度学习的多部位sCT模型的综合评估，结果表明该模型在图像质量、剂量/体积指标精度和定位一致性方面达到了临床可接受的水平。以下是关于研究背景、关键技术方法、主要研究结果以及讨论部分的详细解读。
该研究开展的背景在于MRI凭借优越的软组织对比度在放射治疗计划中的重要性日益凸显，但传统工作流程仍需CT提供电子密度信息并作为定位参考。深度学习推动了MROP的发展，可直接从MRI生成sCT，但现有研究多局限于部位特异性模型，缺乏多部位泛化验证，且对患者定位精度这一IGRT关键组成探索不足。研究人员因此开展了这项研究以解决上述问题。
研究中用到的主要关键技术方法包括：采用改进的多通道CycleGAN深度学习框架，以mDixon MRI的水相和IP图像作为输入生成sCT，引入骨特异性损失项和膀胱特异性损失项优化特定区域精度；利用Velocity软件进行sCT与计划CT的刚性及可变形图像配准；采用MAE、ME、Bland-Altman分析进行图像相似度评估；使用Monaco（Monte Carlo）和Eclipse（Acuros）进行剂量重计算，开展γ分析和DVH指标比较；以及基于Velocity的CBCT-to-sCT与CBCT-to-CT刚性配准进行定位精度评估。样本队列为164例接受外照射放疗的患者，涵盖H&N、胸部、腹部、盆腔和脊柱五个部位，训练数据优先选用同日CT和MRI采集以减少解剖变异，测试数据包含同日及不同日采集的数据和治疗CBCT图像，胸部病例因采用MR-LINAC系统无CBCT而排除定位分析。
图像相似度精度方面，代表性轴向视图sCT图像显示各解剖部位与计划CT总体一致。全身体MAE范围为盆腔59 HU至H&N的111 HU；骨区域MAE范围155-249 HU，软组织区域36-80 HU。Bland-Altman分析表明sCT在软组织中的HU一致性优于骨组织，H&N区域和高密度结构差异最大。
剂量差异方面，CT与sCT计划间PTV剂量差异普遍小于1 Gy，满足临床可接受标准。H&N、腹部、盆腔和脊柱的γ通过率分别为99.6%、97.5%、98.6%和95.5%，均超过95%阈值；胸部86.8%明显较低。腹部异常值由肠气差异和手术夹导致，脊柱异常值与肺界面相关；覆盖肺HU后γ通过率显著提升，表明胸部问题主要由低密度肺区HU不匹配驱动。
定位精度方面，H&N和脊柱的平移差异在±2 mm以内，定位精度高；腹部和盆腔变异大，平移限值达±5 mm，主要由器官运动和充盈等真实解剖变化驱动，而非技术限制。
研究讨论部分指出，该研究是少数几个同时评估多部位sCT模型图像质量、剂量精度和定位精度的研究之一，为MROP临床实施提供了全面的验证框架。DIR引入的不确定性限制了体素级比较的精度，尤其在解剖变异区域；骨区域HU误差较大但仍在可接受范围，剂量精度满足临床标准是生长的关键指标。胸部挑战源于呼吸运动、磁敏感伪影及MRI肺结构可视化困难，模型倾向于低估肺密度。定位精度分析明确了刚性与可变形解剖区域的区别，腹部和盆腔变异性主要由真实解剖变化而非技术误差导致。MRI伪影传播至sCT可引发大于1 mm的错位，严格的患者特异性MRI质量保证至关重要。跨平台泛化能力需进一步验证，研究人员预期通过迁移学习或轻量微调可实现数据协调。未来工作将聚焦于提升挑战性区域鲁棒性、多机构验证、观察者间变异性量化及质量保证策略完善。
综上所述，该统一多部位sCT模型在多种解剖区域实现了临床可接受的图像质量、剂量/体积指标精度和定位性能，为MROP的临床采用奠定了全面基础。该研究发表于《Physics and Imaging in Radiation Oncology》期刊。
