基于分解深度学习的无CT PET重建技术临床评估：一项双中心研究及其诊断价值验证

《European Journal of Nuclear Medicine and Molecular Imaging》：Clinical evaluation of deep learning-based CT-free PET reconstruction image: a dual-center study

为降低PET/CT辐射负担，来自双中心的研究人员开展基于深度学习（DL）的无CT PET重建技术研究。研究通过视觉评分、诊断准确性及半定量分析证实，新型分解式DL算法在图像质量与诊断一致性方面显著优于传统2D/3D-DL方法，为无CT PET成像的临床转化提供关键依据。

　　

临床研究正积极探索通过人工智能（Artificial Intelligence, AI）技术降低正电子发射断层成像/计算机断层成像（PET/CT）的辐射暴露风险。尽管基于深度学习（Deep Learning, DL）的无CT PET成像技术迅速发展，其全面临床验证仍较为缺乏。本研究通过双中心回顾性分析，系统评估了359例患者、涵盖4种扫描设备和4种示踪剂的原始PET/CT数据。比较了四种重建策略：基于CT的衰减与散射校正（CT-based Attenuation and Scatter Correction, CT-ASC，作为参考标准）、传统二维深度学习（2D-DL）、传统三维深度学习（3D-DL）以及新型分解式深度学习算法。

研究从三方面评估重建图像质量：采用5点李克特量表（5-point Likert scale）进行视觉评分；基于病灶的假阳性/假阴性率评估诊断准确性；通过最大标准摄取值（SUV_max）一致性进行半定量分析。

结果显示，分解式DL方法在视觉评分方面显著优于传统2D-DL与3D-DL（所有比较p?

本项双中心研究证实，基于分解深度学习的无CT PET成像技术不仅优于传统DL方法，更在多数场景下达到与CT-ASC相当的诊断准确性，为该技术的进一步方法学优化与临床推广应用提供了关键证据。