编辑推荐：
为解决 PET 检查中降低剂量或采集时间导致图像质量下降的问题，研究人员开展了对深度学习算法在不同病变大小和计数统计的体模 PET 测量中性能的研究。结果表明该算法在低计数 PET 图像去噪上表现良好，但在小病变定量准确性和检测能力上存在局限，对评估深度学习算法有重要意义。
在核医学成像领域，正电子发射断层扫描（PET）有着重要应用。然而，为了减少患者所受辐射剂量、提升检查舒适度并加快检查通量，降低 PET 检查的剂量或采集时间成为趋势。但这一改变会因图像统计信息变差，导致图像质量大打折扣，低计数图像中病变的可检测性降低，严重影响了对扫描结果的解读。为了改善低计数 PET 图像质量，人工智能（AI）算法逐渐走进人们的视野。此前已有研究显示，AI 算法能在减少采集时间或剂量的情况下，提升 PET 图像质量。但有一种基于生成对抗网络（GAN）训练的 pix2pixHD 深度学习网络算法，其生成 AI 增强 PET 图像（AI-PET）的性能仅在临床患者数据上进行过评估，存在 SUV 值低估、小病变检测能力差等问题，且不清楚该算法在不同病变大小、计数统计下的表现。因此，来自德国德累斯顿工业大学附属医院等机构的研究人员开展了相关研究，该研究成果发表在《EJNMMI Physics》上。
研究人员为评估该深度学习神经网络的性能，使用了美国电气与电子工程师协会（NEMA）的 PET 体模，并填充了不同浓度的氟代脱氧葡萄糖（[18F]FDG） ，设置了 4:1 和 10:1 两种球体与背景的活度浓度比（SBR），还模拟了肥胖患者的衰减情况。利用数字硅光电倍增管（SiPM）的 Biograph Vision 600 PET/CT 扫描仪进行扫描，将采集数据作为输入 PET（Input-PET）数据。之后对数据进行不同时长的重建，模拟 13 种不同的采集时长。并使用软件 R 和 Rover，通过对比图像噪声（CoVBG） 、对比噪声比（CNR）、结构相似性指数（SSIM）等指标，对 AI-PET 和 Input-PET 图像进行定性和半定量分析。
研究结果
- 图像统计：Input-PET 扫描中检测到的真实事件数量随采集时间增加而线性增加。与瘦体模扫描相比，肥胖体模扫描的图像统计量有所降低，SBR10 扫描的真实事件数量比 SBR4 扫描更高1。
- 图像质量评估
- 定性和半定量评估：低计数 Input-PET 图像质量随采集时间增加而改善，AI-PET 在极短采集时间（≤20s）下，图像质量优于低计数 Input-PET，能有效降低图像噪声，提高小病变的可见性。但当 Input-PET 采集时间超过对应真值扫描时，Input-PET 图像质量更好234。
- 图像间比较：与临床验证相似，AI 算法能恢复短采集时间 Input-PET 数据的结构信息，提高图像质量。不过，AI 生成的图像存在条形伪影，这导致平均绝对误差（MAE）增加56。
- 定量准确性：Input-PET 中，除 10mm 直径小球外，其他球体的平均恢复系数（RCmean）值相似。AI-PET 中，除 37mm 直径大球外，其他球体的RCmean值远低于真值扫描，且随球体直径减小而降低，SUV 值严重低估。
- AI 与高斯滤波比较：AI 算法改善图像质量的效果优于高斯滤波，5-10mm 半高宽（FWHM）的高斯滤波器效果相对较好。但 AI 算法对 SUV 准确性的降低程度比高斯滤波更大78。
研究结论与讨论
该研究通过体模验证发现，此深度学习算法在超短时间（≤20s）、低计数 PET 扫描的图像质量改善和去噪方面表现出色。然而，在 SUV 准确性方面，对于小病变（球形体积≤2.57 cm3）存在严重的低估问题，对大病变（直径≥37mm）则定量准确。而且，由于算法的 2.5D 方法，在处理超低计数或低对比度图像时，可能无法识别直径≤13mm 的小病变。
与传统的高斯滤波图像后处理方法相比，AI 算法虽更适合提升图像质量，但会显著降低图像的定量准确性，尤其是对小病变。这一研究为全面评估深度学习算法在 PET 图像增强中的性能、局限性和通用性提供了依据，有助于推动 AI 技术在 PET 成像领域更合理的应用和进一步发展，也为后续研究改进算法、提高其性能指明了方向。
