방사선 치료 (RT)는 여러 분할 조사에 걸쳐 정밀한 선량 전달을 필요로 하며, CT는 전자 밀도 (electron density) 정보 덕분에 치료 계획 수립에 필수적입니다. 반복적인 CT 촬영은 방사선 노출과 물류적 부담을 초래하고, MRI는 전자 밀도 정보가 부족하며, 원추형 빔 CT (CBCT)는 선량 계산을 위한 보정이 필요합니다. 합성 CT (sCT) 생성은 MRI 또는 CBCT를 정확한 Hounsfield Unit (HU) 값을 가진 CT 등가 이미지로 변환함으로써 이러한 문제를 해결하며, MRI 전용 RT 및 CBCT 기반의 적응형 워크플로우를 가능하게 합니다. SynthRAD2023을 기반으로 한 SynthRAD2025는 머리 및 목, 흉부, 복부 부위에 걸쳐 유럽 5개 센터의 환자 2,362명을 대상으로 sCT 방법론을 벤치마킹했습니다. 두 가지 과제는 MRI-to-CT (890 케이스)와 CBCT-to-CT (1,472 케이스)로 구성되었으며, 이미지 유사도 (MAE, PSNR, MS-SSIM), 분할 (Dice, HD95), 그리고 광자 (photon) 및 양성자 (proton) 계획에서의 선량 측정 지표를 통해 평가되었습니다. 803명의 참가자와 12/13개의 유효 제출물 중, 과제 1 (Task 1)의 최고 성능은 MAE $64.8 imes21.3$ HU, PSNR $\sim$30 dB, MS-SSIM $\sim$0.936, Dice 0.79, 광자 $γ_{2%/2\text{mm}}>98%$, 양성자 $γ\approx85%$에 도달했습니다. 과제 2 (Task 2)는 개선되어 MAE $48.3 imes13.4$ HU, PSNR 32.6 dB, MS-SSIM 0.968, Dice 0.86, 광자 $γ>99%$, 양성자 $γ\approx89%$를 기록했습니다. 강력한 이미지-분할 상관관계 ($ρ=0.78$--$0.79$)가 나타났으나, 중간 정도의 선량 상관관계는 이미지 품질이 선량 측정 대리 지표 (dosimetric surrogate)로서 불충분함을 확인시켜 주었습니다. 머리 및 목 케이스가 가장 일관적이었으며, 흉부 및 복부 케이스는 더 큰 변동성을 보였습니다. 조직 경계면에서의 잔차 오차는 빔 경로를 따라 전파되어, 광자보다 양성자 선량에 더 큰 영향을 미칩니다. SynthRAD2025는 딥러닝 (deep learning)이 특히 CBCT-to-CT의 경우 임상적으로 유의미한 sCT를 생성할 수 있음을 입증하는 동시에, 지속적인 MRI-to-CT의 과제를 식별하고 임상 검증을 위한 선량 기반 평가의 필수성을 강조합니다.