摘要：基于CBCT生成的合成CT(sCT)能够有效抑制伪影并提高CT值准确性,借此可精确计算放射剂量。然而,sCT图像不同组织区域的生成质量严重不均衡,软组织区域与其他区域相比生成质量较差。为此,本文提出了一种基于VGG-16的多任务注意力网络(MuTA-Net),重点提升sCT软组织区域的图像质量。首先,引入多任务学习策略将sCT生成任务分为全局图像生成、软组织区域生成和骨区域分割三个子任务,保证全局图像生成质量的同时,强化网络对软组织区域特征提取和生成的关注程度,并利用骨区域分割任务引导后续结果融合;然后,设计注意力模块进一步优化网络的特征提取能力,引导网络从全局特征中提取子任务特征;最后,借助结果融合模块整合各个子任务的生成结果,实现高质量的sCT图像生成。在头颈部CBCT上的实验结果显示,与ResNet、U-Net和U-Net++三种对比方法中的最优结果相比,基于本文所提方法生成的sCT图像在软组织区域的平均绝对误差下降了12.52%。MuTA-Net在CBCT引导的自适应放疗领域具有潜在的应用价值。