研究背景

磁共振成像（MRI）和计算机断层扫描（CT）是医学影像中两类重要且互补的模态。MRI具有较高的软组织对比度，且不产生电离辐射；CT能够提供电子密度信息并清晰显示骨结构，是放疗剂量计算、骨性结构定位及多类临床工作流程的重要影像来源。若能直接由MRI合成高质量CT，可减少额外CT扫描带来的辐射暴露和配准误差，并为神经外科术前评估、MRI-only放疗计划、跨模态辅助诊断和多模态医学图像分析提供技术基础。

然而，跨模态图像生成仍面临挑战。监督式MRI-to-CT方法通常依赖严格配准的成对MRI-CT数据，采集和扩展成本较高；无配对或循环一致性方法虽可利用更多非配对数据，却容易侧重整体分布匹配而忽略个体解剖结构的一致性。对于颅底手术术前评估等精度要求较高的场景，仅使图像“像CT”并不够，还必须避免骨边界、病灶邻近结构及关键解剖关系出现误生成。

基于上述问题，团队进一步探索如何在引入非配对CT数据的同时，避免不匹配的参考样本损害解剖一致性。DELA-Net（图1）将MRI-to-CT合成建模为目标感知的潜空间流形对齐问题，联合利用成对数据与非配对CT数据，在结构保真和目标域先验之间建立约束。模型可从非配对数据中选择几何结构更匹配的CT作为潜空间锚点，引导MRI表征稳定对齐至CT流形。

图1 DELA-Net总体框架。

左：几何参考选择（GRS）模块从非配对CT中筛选几何结构最匹配的样本，并与成对MR-CT样本构建训练三元组。右：DELA-Net采用双编码器架构，潜空间调节器（LSM）向MRI内容表征注入CT域统计先验，以缩小模态间差异。

性能评估

研究在三个数据集上对DELA-Net进行了系统评估，包括中山大学附属第一医院提供的高分辨率头部MRI-CT数据集、公开的多模态骨盆MRI-CT数据集，以及BraTS2020多模态MRI数据集。评估涵盖强度误差、结构相似性、感知质量、跨模态任务迁移和骨结构下游任务等方面。

在MRI-to-CT合成任务中，DELA-Net在多项指标上取得了有竞争力的结果（表1）。在BraTS2020的MRI-to-MRI模态翻译任务中，DELA-Net同样保持了较好性能（表2），提示其潜空间对齐策略可拓展至其他医学图像模态转换任务。

表1 脑部MRI-to-CT数据集（矢状位）的定量比较。

表2 BraTS2020多模态MRI数据集中T1至FLAIR合成的定量比较。

可视化结果显示，DELA-Net对骨边界和骨小梁纹理等结构细节的保留更好（图3）。在骨结构分割的下游评估中，其预测边界与真实轮廓更贴合，误分区域更少，提示几何感知对齐策略有助于保留高对比度解剖结构（图4）。

图3 不同方法的合成结果对比。

第1-2行：脑部矢状位MRI-to-CT合成，DELA-Net生成的皮质骨边界更清晰；第3-4行：BraTS2020 T1至FLAIR合成，DELA-Net表现出较好的模态转换效果。

图4 骨结构分割结果对比。

第三行为相对于真实分割的差异图（蓝色为真阳性，黄色为假阴性，粉色为假阳性，深蓝色为真阴性）。DELA-Net的分割边界与真实轮廓吻合度更高。

研究结论

本研究提出DELA-Net，通过潜空间几何关系筛选与当前MRI样本更匹配的CT参考，使非配对数据以受约束、可解释的方式参与训练。三个数据集的实验结果显示，DELA-Net在合成质量、跨模态转换和骨结构下游评估中均表现良好，尤其有助于提高骨性边界等关键解剖结构的保真度。该研究为MRI-to-CT合成从视觉逼真向结构可靠推进提供了新的方法基础，也为其在神经外科术前评估等临床场景中的进一步验证奠定基础。

论文与代码

论文链接：https://doi.org/10.1016/j.compmedimag.2026.102804

代码仓库：https://github.com/kennysyp/DELA-Net