基于内容—风格解耦学习的规划 CT 引导有限角度 CBCT 到 CT 合成

基于摘要分析。该研究面向影像引导放射治疗中的有限角度锥形束 CT（LA-CBCT）到 CT 合成，提出内容—风格解耦学习方法，分别处理图像纹理与强度校正，以及有限角度扫描造成的解剖结构缺失。研究对象是医学 CT 图像合成，而非 EEG 信号处理或 BCI 解码。 有限角度扫描能够缩短采集时间、降低辐射剂量，但会引入严重楔形伪影、图像细节丢失及 Hounsfield unit（HU）不准确。作者认为，传统深度学习方法直接进行 LA-CBCT 到 CT 映射时，对缺失解剖内容的恢复考虑不足，因此将合成过程拆分为图像风格学习与图像内容学习两个阶段。 方法利用 CBCT 与 CT 域之间的双向映射：边缘增强生成对抗网络 EEGAN 用于校正图像纹理和强度；先验引导内容补充网络 PGCS-Net 用于消除有限角度伪影并补充缺失解剖结构。标题明确提出规划 CT 引导，但摘要未交代规划 CT 先验的具体输入方式、配准要求、损失函数及训练细节，相关机制仍需正文核对。EEGAN 在此是图像生成网络名称，不代表 EEG 研究。 作者报告，在真实临床胸部和头部数据集上，该方法生成的合成 CT 能改善 LA-CBCT 的图像质量和配准质量，并可能用于患者摆位误差获取等影像引导放射治疗任务。摘要未提供病例数、扫描角度、数据划分、对照方法、评价指标或定量结果，因此尚不能判断改善幅度与临床可靠性；实验协议、消融及统计信息尚未验证。复现评估需进一步核对规划 CT 与当前解剖结构不一致时的处理方式，以及补充结构的真实性验证。材料未提供与 EEG/BCI 的具体机制对应关系，不据此推断其具有 BCI 有效性。