基于深度学习的CBCT图像增强技术提升鼻咽癌放射组学特征准确性的研究

本研究针对锥形束CT(CBCT)图像质量影响鼻咽癌(NPC)放射组学分析准确性的问题，创新性地提出CBAMRegGAN深度学习模型。通过114例患者配对CT/CBCT数据集训练，该模型将PSNR提升至29.52±2.28 dB，SSIM达0.910±0.025，使放射组学特征误差平均降低15%-24%，显著提升GLCM、GLDM等纹理特征的稳定性，为放疗疗效预测提供更可靠的影像 biomarker。

在精准医疗时代，放射组学(radiomics)正成为肿瘤诊疗的重要工具，它能从医学影像中挖掘肉眼难以识别的定量特征。然而对于鼻咽癌患者，常规使用的锥形束CT(CBCT)因散射伪影、低剂量采集等问题，其图像质量远逊于诊断级CT，导致提取的放射组学特征存在显著偏差。这种"垃圾进-垃圾出"的困境，严重制约了CBCT在疗效预测、自适应放疗等场景的应用价值。

为破解这一难题，Ying Xiao团队在《BMC Medical Imaging》发表的研究中，开发了融合注意力机制的CBAMRegGAN模型。该研究收集114例鼻咽癌患者的配对CT/CBCT数据集，通过改进的生成对抗网络框架，首次系统评估了图像增强对6大类93个放射组学特征的影响。关键技术包括：1) 采用含卷积块注意力模块(CBAM)的生成器提升局部细节重建；2) 结合VGG16感知损失与平滑约束的多目标优化；3) 基于ICC>0.8的特征筛选标准；4) 使用pyradiomics工具包提取GLCM、GLRLM等纹理特征。

【Image evaluation】部分显示，CBAMRegGAN在测试集上取得29.52 dB的PSNR和0.910的SSIM，显著优于传统CycleGAN（28.19 dB，0.889）。

直观展示其优势，而

更证实其对骨组织边界的精准重建能力。

【Radiomic evaluation】通过表3数据揭示，原始CBCT的GLCM特征误差高达10.69，经增强后降至0.24。图6的误差对比曲线表明，CBAMRegGAN使61个特征达到ICC>0.8的可重复性标准，远超原始CBCT的2个特征。特别是GLDM和NGTDM特征误差分别从0.91、3.23降至0.05、0.15，证明该方法对高阶纹理特征的校正效果。

讨论部分强调，该研究首次证实深度学习增强能有效解决CBCT与CT的Hounsfield单位(HU)分布差异（见图5直方图对比），突破传统配准方法的局限。其临床意义在于：1) 使日常放疗CBCT具备诊断级影像的定量分析能力；2) 为纵向监测肿瘤异质性变化提供技术支撑；3) 建立的CBAMRegGAN框架可扩展至其他模态的图像增强。未来需在前瞻性临床试验中验证这些校正特征与生存预后的关联性。