深度学习去噪助力低剂量动态 PET 成像：开启精准医学新篇章

研究人员为改善低剂量动态 PET 定量分析，开展深度学习去噪（DL-DN）研究，结果提升了成像质量，意义重大。

　　在现代医学中，疾病的精准诊断与治疗是关键。正电子发射断层扫描（Positron Emission Tomography，PET）技术在临床诊断中占据重要地位，它能够通过检测体内放射性示踪剂的分布来反映组织的代谢活动，为疾病诊断提供关键信息。然而，传统 PET 扫描存在一些局限性。多数 PET 扫描在注射示踪剂后约 60 分钟进行单时间点成像，使用标准化摄取值（SUV）来反映特定时间点的组织总活性，但示踪剂分布其实是一个动态且具有组织特异性的过程，单时间点成像无法全面捕捉这一过程。

动态 PET 扫描能够测量时间 - 活动曲线（Time-Activity Curve，TAC），通过分析 TAC 进行动力学分析，可区分特异性（病理）和非特异性（生理）信号，其测量的参数如血 - 组织转运常数K1和通量Ki等，能为药物递送和底物摄取过程提供更深入的见解，优于静态 SUV 测量。但动态 PET 也面临挑战，短时间帧图像因计数统计低而噪声增加，影响 TAC 拟合和输入函数（IF）准确性，导致动力学参数偏差和精度降低。在追求低剂量动态 PET 以减少辐射暴露或实现多示踪剂成像时，数据统计质量下降的问题更为突出。

为了解决这些问题，来自根特大学（Ghent University）和宾夕法尼亚大学（University of Pennsylvania）等机构的研究人员开展了一项重要研究。该研究成果发表在《European Journal of Nuclear Medicine and Molecular Imaging》上。

研究人员采用了多个关键技术方法。在数据方面，使用了来自 18 名[18F]FDG 研究对象的动态扫描数据，这些数据来自不同的研究方案，涵盖了不同体重指数（BMI）的患者，为模型训练和测试提供了丰富样本。图像重建采用列表模式飞行时间有序子集期望最大化算法（TOF-OSEM），并进行了多种数据校正。深度学习去噪模型基于 2D U-Net 架构，通过在不同计数水平下对静态[18F]FDG PET 图像进行训练，构建了多个去噪神经网络，用于动态 PET 图像的逐帧去噪。

在研究结果部分：

• 单示踪剂[18F]FDG：DL-DN 显著降低了不同剂量下血液 IF 和组织 TACs 的 AUC 量化偏差和变异性，在 20 - 80MBq 剂量下效果明显。在不同组织中，DL-DN 对Ki值偏差和变异性的改善程度不同，肝脏和肺在低于 40MBq 剂量时，非去噪和 DL-DN 数据的Ki值差异显著。DL-DN 还稳定了图像噪声，降低了 TACs 的波动，提高了参数成像质量，在低剂量下仍能有效保留图像特征。
• 单示踪剂[18F]FGln：DL-DN 降低了不同剂量下[18F]FGln 的 AUC 偏差和VT偏差，在低剂量下效果更明显。在参数成像方面，DL-DN 维持了图像质量，在一定剂量下能保留肿瘤异质性，但在极低剂量（4MBq）时，图像质量和量化准确性有所下降。
• 双示踪剂[18F]FGln/[18F]FDG：DL-DN 提高了双示踪剂图像质量，减少了噪声诱导的偏差和变异性。对于[18F]FDG，DL-DN 在大幅降低剂量的情况下仍能保持Ki量化的准确性；对于[18F]FGln，DL-DN 在低剂量下减少了偏差，但在极低剂量下效果有限，不过仍比非去噪数据偏差小。

研究结论和讨论部分指出，该研究证明了基于静态[18F]FDG PET 图像训练的 DL-DN 框架在动态 PET 研究中的可行性和优势。DL-DN 有效降低了图像噪声，改善了组织和血液 IF TACs 的一致性，减少了组织依赖性偏差和变异性，提升了参数图像质量。在双示踪剂研究中，DL-DN 在大幅降低剂量的情况下，仍能保持[18F]FDG 的Ki准确性，并降低[18F]FGln 的VT偏差。这一研究成果对于减少常规单示踪剂研究的辐射暴露以及推动双示踪剂 PET 等新型成像协议的发展具有重要意义。同时，研究也指出当前 DL-DN 模型存在的局限性，如未考虑示踪剂摄取的时间变化，未来需要进一步优化网络，以提高在不同示踪剂摄取特征下的去噪性能 。