18F-FDG PET 成像新突破：DPR 算法对比 OSEM 算法提升肺癌诊断效能

为探究深度渐进学习重建（DPR）算法对 18F-FDG PET 图像质量和定量参数的影响，研究人员对比 DPR 与有序子集期望最大化（OSEM）算法。结果显示，DPR 算法提高肺部病变定量参数准确性，提升图像信噪比（SNR）和对比噪声比（CNR），有助于临床精准诊断。

　　在医学影像领域，正电子发射断层显像（PET）是诊断恶性肿瘤的重要手段，其中 18^F- 氟脱氧葡萄糖（18^F-FDG）PET/CT 更是凭借能融合分子与解剖成像的优势，在肺癌的诊断、分期、疗效评估等方面发挥关键作用。然而，PET 成像的准确性很大程度上依赖于图像重建算法。传统的有序子集期望最大化（OSEM）算法虽应用广泛，但存在迭代次数受限、易导致图像噪声增加、定量参数值低估等问题。随着深度学习（DL）技术的发展，基于 DL 的 PET 图像重建算法不断涌现，深度渐进学习重建（DPR）算法便是其中之一。DPR 算法已在数字 PET/CT 设备中应用并获美国食品药品监督管理局认证，但它对 PET 定量参数和图像质量的影响尚未明确。为解决这一问题，哈尔滨医科大学附属第一临床医院核医学科等机构的研究人员开展了相关研究，其成果发表在《EJNMMI Physics》上。

研究人员采用回顾性研究方法，收集了 55 名健康个体和 184 例原发性恶性肺肿瘤患者的 18^F-FDG PET/CT 检查数据。利用 OSEM 和 DPR 算法对 PET 数据进行重建，通过一系列测量和计算，探究 DPR 算法对定量参数（如最大标准化摄取值（SUV_max）、平均标准化摄取值（SUV_mean）、SUV 标准差（SUV_SD）、代谢肿瘤体积（MTV）、总病灶糖酵解（TLG）和肿瘤与背景摄取比（TBR））的影响，并评估两种算法在图像质量参数（信噪比（SNR）和对比噪声比（CNR））上的差异。

在健康个体背景组织 SUV 方面的研究中，对比两种算法重建的背景组织（肝脏、骨骼、血池、肌肉和肺）SUV_max、SUV_mean和 SUV_SD发现，DPR 算法与 OSEM 算法相比，背景组织的 SUV_mean无显著差异，但 SUV_max和 SUV_SD显著降低，表明 DPR 算法可使背景组织图像更均匀、噪声更少。在原发性恶性肺肿瘤患者定量参数研究中，DPR 算法使肺部病变的 SUV_max、SUV_mean和 TBR 显著增加，MTV 显著减小，TLG 略有增加。进一步按病变密度和直径分组分析，发现 DPR 算法对实性结节定量参数的影响大于纯磨玻璃结节（pGGNs），且对小病灶的 SUV_max、SUV_mean和 CNR 改变更明显，但因样本量较小差异未达统计学意义。在图像质量参数研究中，无论是健康个体还是肺癌患者，DPR 算法重建图像的 SNR 和 CNR 均显著高于 OSEM 算法，表明 DPR 算法能显著优化图像质量。

综上所述，研究表明 DPR 算法在不显著影响背景组织 SUV_mean的情况下，提高了肺部病变定量参数的准确性，有助于病变检测和图像解读。与 OSEM 算法相比，DPR 算法提升了图像的 SNR 和 CNR，优化了整体图像质量。不过，该研究也存在一些局限性，如样本量需扩大、未探究临床实践中病变检测能力的提升、对其他示踪剂的适用性需研究等。尽管如此，DPR 算法在医学影像领域仍展现出巨大潜力，有望推动 PET 成像技术的发展，为临床诊断和治疗提供更精准的依据。