基于渐进式3D U-Net网络的超低计数PET图像精准降噪新方法PETAL-3D

《IEEE Transactions on Radiation and Plasma Medical Sciences》：PETAL-3D: Progressive Elimination of Noise Towards Accurate Ultra Low-Count PET Images Using 3D U-Nets

本研究针对低剂量PET成像中统计噪声增强、病灶检测能力下降的临床难题，提出了一种基于渐进式噪声消除策略的深度学习模型PETAL-3D。该模型通过级联多个3D U-Net网络实现从DRF100到DRF20级别的图像质量恢复，在跨设备、跨核素验证中显著提升图像质量（PSNR提升9-10dB）、病灶检出率（DRF12从65%提升至91%）和视觉诊断评分，为超低剂量PET临床转化提供重要技术支撑。

　　

在正电子发射断层扫描（PET）成像领域，降低放射性示踪剂使用剂量是减少患者辐射暴露的关键途径，但随之而来的图像统计噪声增强严重制约诊断准确性。传统迭代重建算法会放大噪声，而临床常用的高斯滤波又会导致边缘模糊和定量信息丢失。随着全身PET扫描仪的发展，如何在保证图像质量的前提下实现剂量削减（如将常规3 MBq/kg的¹⁸F-FDG剂量降至0.5 MBq/kg）成为临床迫切需求。

针对这一挑战，来自德国吕贝克大学和蒂宾根大学医院的研究团队在《IEEE Transactions on Radiation and Plasma Medical Sciences》发表题为"PETAL-3D: Progressive Elimination of Noise Towards Accurate Ultra Low-Count PET Images Using 3D U-Nets"的研究，提出一种创新级联神经网络架构。该研究通过系统性实验证明，该方法能够将剂量减少因子（DRF）100的图像质量提升至DRF20水平，并在⁹⁰Y放射性栓塞治疗监测中展现出卓越的跨场景适应能力。

关键技术方法主要包括：1）采用双数据集训练策略（ULD数据集含200例多扫描仪数据，LD数据集含27例单扫描仪数据）；2）构建级联3D U-Net网络实现渐进式降噪（ULD版6级网络，LD版3级网络）；3）通过剂量减少因子（DRF）自适应选择降噪路径；4）采用L1损失函数和Adam优化器进行模型训练；5）综合使用PSNR、SSIM、NRMSE等全局指标和CV、LDR、CRC等局部指标进行多维度验证。

图像质量定量评估结果

通过对ULD数据集的测试显示，PETAL-3D在DRF100条件下将PSNR从43±8提升至52±6，显著优于传统3D U-Net（43）和高斯滤波（45）。NRMSE指标从0.7±0.2降至0.3±0.1，证明其能有效保持图像结构信息。特别值得注意的是，该方法在西门子Biograph Vision Quadra和联影uEXPLORER两种扫描仪上表现一致，体现了良好的跨设备泛化能力。

渐进式降噪过程可视化

研究通过展示DRF100图像经过CNN1-CNN6六步处理的中间结果，直观呈现噪声逐步消除的过程。定量分析表明，中间输出图像的PSNR（24）和NRMSE（0.68）与真实DRF10-20图像范围吻合，验证了渐进式策略的物理合理性。该设计有效避免了单次降噪可能导致的细节丢失问题。

临床验证与医生评估

针对LD数据集的临床评估显示，PETAL-3D将DRF24图像的质量评分从"非诊断性"（1分）提升至"日常实践质量"（3分）。病灶检出率（LDR）在DRF12条件下从65%提升至91%，同时将背景变异系数（CV）从33%降至5%。威尔科克森符号秩检验证实除DRF6外所有指标改善均具统计学意义（p<0.05）。

跨模态应用验证

在未经过⁹⁰Y数据训练的情况下，PETAL-3D对AbdoMan体模的SRF48图像处理使CV从33%降至8%，PSNR从28提升至41。对比度恢复系数（CRC）在各尺寸球体均保持稳定（最大偏差<5%），证明该方法在扫描时间缩减（SRF）场景中同样有效，为放射性栓塞治疗后短时扫描提供技术可能。

研究结论强调，PETAL-3D通过级联降噪策略成功解决了低剂量PET图像质量与定量准确性难以兼得的矛盾。其创新性体现在：1）利用临床已知的DRF信息指导降噪路径选择，避免传统方法对噪声水平估计的依赖；2）模块化设计允许根据实际噪声水平灵活调整处理深度；3）在跨设备（2种扫描仪）、跨核素（¹⁸F、⁶⁸Ga、⁹⁰Y）场景中均表现稳健。尽管当前研究主要基于长轴向视野PET系统，该方法为动态成像、儿科PET筛查等低剂量应用场景开辟了新途径，未来通过嵌套式网络架构优化和原始数据域应用有望进一步拓展其临床价值。