基于深度学习的CBCT合成CT在鼻咽癌自适应放疗中的自动分割精度与剂量计算一致性研究

本研究针对鼻咽癌(NPC)自适应放疗(ART)中人工依赖度高的问题，开发了基于Cycle-GAN的CBCT合成CT(sCT)技术，结合深度学习自动分割和GPU加速蒙特卡洛剂量计算，实现了靶区与危及器官(OAR)的高精度分割(DSC>0.85)和剂量评估。结果显示该方法能准确捕捉解剖结构变化(如腮腺体积减少26.5%)，剂量差异控制在临床可接受范围(GTVn D99偏差-1.44Gy)，为常规直线加速器实现高效ART提供了新思路。

　　

鼻咽癌(NPC)作为头颈部常见恶性肿瘤，调强放疗(IMRT)虽已显著提升疗效，但治疗过程中肿瘤退缩、体重下降等解剖变化常导致剂量偏差，引发口干等副作用。传统自适应放疗(ART)依赖频繁CT扫描和人工勾画，耗时耗力；而在线ART需专用磁共振直线加速器(MR-Linac)，基层医院难以普及。锥形束CT(CBCT)虽广泛配备，却因散射伪影等问题无法直接用于精确剂量计算。如何利用现有设备实现高效ART，成为临床亟待解决的难题。

为解决这一瓶颈，Weijie Lei团队在《Radiation Oncology》发表研究，创新性地将深度学习与常规直线加速器相结合。通过16例接受两阶段离线ART的NPC患者数据，采用独立数据集训练的Cycle-GAN生成合成CT(sCT)，结合改进的2D Unet和3D nnUNet模型实现自动分割，并利用GPU加速蒙特卡洛算法进行剂量重计算。研究通过Dice相似系数(DSC)和95%豪斯多夫距离(HD₉₅)评估几何精度，并分析剂量体积参数差异。

关键技术方法

研究纳入16例II-III期NPC患者，采集初始(pCT₁)和自适应(pCT₂)计划CT及每周CBCT。采用ArcherQA平台实现三大核心步骤：(1)基于Cycle-GAN生成sCT；(2)改进神经网络自动分割靶区(GTV_p/GTV_n)和危及器官(腮腺/颌下腺)；(3)GPU蒙特卡洛剂量重计算。对比分析sCT与金标准pCT的剂量差异，并通过Spearman相关性评估体积变化与计划调整的关联。

自动分割精度

靶区结构中CTV₁/CTV₂表现最优(DSC>0.91)，GTV_n因软组织对比度不足精度最低(DSC=0.43)。腮腺(PG)分割一致性最高(DSC>0.88)，颌下腺(SG)次之(DSC=0.64-0.73)。值得注意的是，基于pCT₂-CBCT₄配对的sCT₄*在GTV_p分割中显著优于非配对组(ΔDSC=0.06)，证实时间相近的影像配对可提升精度。

剂量计算一致性

sCT剂量差异具有结构特异性：CTV₁ D₉₉偏差-1.54Gy，GTV_n D₉₉偏差-1.44Gy。右侧腮腺平均剂量差异达-1.94Gy(p<0.05)，与体积变化显著相关(r=0.72)。自适应计划(adap-plan)较非调整计划(recal-plan)显著降低OAR剂量，如左侧腮腺MD减少3.58Gy(p<0.05)，验证了sCT指导ART的临床价值。

解剖变化监测

sCT成功捕捉到治疗中关键变化：CTV₁体积缩减16.1%，GTV_n缩减63.2%，右侧腮腺体积减少26.3%。这些变化与离线ART计划调整高度相关(r>0.78)，证实sCT可替代CT监测解剖演变。

结论与意义

该研究首次在常规C臂直线加速器上实现NPC全流程自动化ART评估，将单次评估时间压缩至秒级。虽然GTV_n等小靶区仍需人工复核，但该方法显著降低了ART对硬件和人力资源的依赖。尤为重要的是，研究揭示了sCT衍生的体积变化与剂量偏差的定量关系，为建立标准化ART触发阈值提供了理论依据。未来通过扩大训练数据集、优化网络架构，有望进一步提升小靶区和低对比度组织的分割精度，推动精准放疗在基层医院的普及。