目的
自适应放疗(ART)的应用需要在日常影像上准确且快速地获取计划靶区（PTV）轮廓，但自动勾画算法依赖大规模高质量标注，而基于配准的轮廓传播在面对显著解剖结构形变时难以保持精度。本研究提出一种基于扰动增强的深度学习方法，在无PTV监督的条件下实现将PTV的轮廓从计划CT（planning CT,pCT）传播至每日CT（daily CT,dCT）。

材料与方法
本研究纳入2020年12月至2024年1月接受IMRT治疗的鼻咽癌及直肠癌患者共113例，其中鼻咽癌93例（共508次CT扫描）作为训练集，鼻咽癌患者10例（共56次CT扫描）作为测试集，直肠癌患者10例（共55次CT扫描）用于泛化性验证。所有患者均接受一次计划CT与4–8次每日CT。训练集中仅使用16类OARs分割标签，测试集中仅使用PTV标签。算法采用2.5D多层输入，每层由pCT、dCT及pCT上OAR的分割掩膜（Mask）拼接得到，并在其上施加仿射变换、弹性形变及Mask空间扰动等增强方法，引导模型关注CT间的解剖形变。我们采用定量指标（Dice系数、Hausdorff距离）和定性可视化分析评估模型的性能。

结果
算法在无监督的情况下实现从pCT到dCT的PTV轮廓传播，鼻咽癌测试集上平均Dice系数0.90±0.07，平均Hausdorff距离2.97±1.23 mm。我们进一步将使用鼻咽癌数据集训练的模型直接迁移至直肠癌数据集，未进行任何再训练的情况下仍取得较高性能，平均Dice系数0.80±0.12，平均Hausdorff距离7.10±3.11 mm。可视化结果显示，模型在测试集上生成的PTV轮廓与真实轮廓具有高度的一致性。

结论

本研究在无监督的条件下实现PTV高精度轮廓传播，并具备跨病种的泛化能力与鲁棒性，可用于辅助ART的应用。