编辑推荐：
针对 Lu-177 SPECT 成像中低计数条件下扫描时间长的问题，研究人员开发自监督学习方法 SpeRF 合成缺失投影视图。在不同降采样因子下，SpeRF 在投影空间和重建图像方面均优于线性插值，有望缩短临床扫描时间，减少患者不适。
在核医学成像领域，单光子发射计算机断层成像（Single Photon Emission Computed Tomography，SPECT）是一种重要的诊断工具，但在面对如 Lu-177 等治疗性放射性核素成像时，低计数条件导致的扫描时间过长问题一直困扰着临床实践。以 Lu-177 为例，其 208 keVγ 射线发射概率仅 10%，在进行 [177Lu] Lu-DOTATATE、[177Lu] Lu-PSMA-617 等放射性药物治疗后的 SPECT 成像时，单床位扫描往往需要 15-30 分钟，多床位全身成像不仅耗时更久，还会增加患者不适和运动伪影风险，同时受限的设备可用性也影响了临床效率。因此，如何在保证图像质量的前提下缩短扫描时间，成为亟待解决的关键问题。
为应对这一挑战，美国密歇根大学（University of Michigan）的研究人员开展了一项基于自监督学习的创新研究。他们开发了名为 SpeRF（SPECT Reconstruction Framework）的 SPECT 重建流程，通过自监督坐标学习框架合成缺失的投影视图，旨在减少所需测量的投影数量，从而缩短 SPECT 采集时间。该研究成果发表在《EJNMMI Physics》上，为低计数条件下的 SPECT 成像提供了新的解决方案。
研究人员主要采用了以下关键技术方法：首先，受神经辐射场（Neural Radiance Fields，NeRF）启发，设计了基于坐标的多层感知器（Multi-Layer Perceptron，MLP），其输入为包含像素位置 (x, y)、视角的正弦和余弦值（sinθ, cosθ）以及径向位置 r 的 5 维坐标，输出为投影计数预测值。其次，采用 “rescale trick”，将原始 128×128 的投影图像通过最近邻插值上采样至 256×256 进行训练，推理后再下采样回原分辨率，以帮助网络捕捉更连续的测量场。训练过程中使用 Huber 损失函数优化 MLP 权重，并通过 Adam 优化器和学习率调度器提升训练效果。在重建阶段，使用有序子集期望最大化（Ordered-Subset Expectation-Maximization，OS-EM）算法进行图像重建，并通过归一化均方根差（Normalized Root Mean Squared Difference，NRMSD）、相对计数恢复（Relative Count Recovery，RCR）、相对对比噪声比（Relative Contrast-to-Noise Ratio，RCNR）等指标对不同方法（全投影重建 “Full”、仅下采样投影重建 “Partial”、线性插值重建 “LinInt”、SpeRF 重建）进行评估。研究数据来源于椭圆体模实验以及 11 例接受 [177Lu] Lu-DOTATATE 治疗和 6 例接受 [177Lu] Lu-PSMA-617 治疗的患者临床 SPECT/CT 数据集。
合成投影结果
在不同降采样因子（Down-Sampling Factors，DFs=2、4、8）下，SpeRF 合成的投影在归一化均方根差（NRMSD）上显著优于线性插值（LinInt）投影。例如，在体模研究中，SpeRF 的平均 NRMSD 为 7%，而 LinInt 为 10%；在 DOTATATE 患者研究中，SpeRF 为 18%，LinInt 为 26%；在 PSMA-617 患者研究中，SpeRF 为 20%，LinInt 为 21%。视觉上，SpeRF 投影更平滑，如 PSMA-617 患者的投影中，SpeRF 能准确呈现左右泪腺的两个峰值，而 LinInt 因角度插值出现四个峰值，更贴近真实测量结果。
体模重建结果
以 DF=4 为例，SpeRF 重建图像在结构上与真实活度图更为相似，而仅下采样投影重建（Partial）噪声明显更高。定量分析显示，在不同 DFs 下，SpeRF 重建的活动恢复（Activity Recovery，AR）和噪声水平平衡更优。尽管随着 DF 增大，所有稀疏视图重建的噪声均增加，但 SpeRF 在相同噪声水平下实现了更高的活动恢复，尤其在较大病变中表现更优。当 DF=8 时，Partial 重建虽在小病变中活动恢复较高，但噪声显著增加，而 SpeRF 在较大病变中仍保持优势。
患者重建结果
在 DOTATATE 和 PSMA-617 患者的冠状面最大密度投影（Maximum Intensity Projections，MIPs）中，LinInt 重建因角度插值出现明显伪影，尤其在 PSMA-617 治疗患者的泪腺、腮腺等器官中更为突出，Partial 重建随 DF 增大噪声增加，难以分辨小热点，而 SpeRF 重建质量更接近全投影重建（Full）。相对计数恢复（RCR）方面，SpeRF 略低于 Partial 但优于 LinInt，如 DOTATATE 患者 DF=4 时，SpeRF 病变 RCR 为 98.3%，Partial 为 100.3%，LinInt 为 87.5%；相对对比噪声比（RCNR）方面，SpeRF 优势显著，DF=4 时 DOTATATE 患者病变 RCNR 为 87.9%，远超 LinInt 和 Partial 的 68.7%。综合来看，DF=4 时 SpeRF 在 RCR 和 RCNR 间取得最佳平衡。
结论与讨论
该研究表明，SpeRF 通过自监督坐标学习合成缺失投影视图，可在显著缩短 SPECT 采集时间（最多 4 倍）的同时维持临床所需的图像质量和定量准确性。其自监督特性无需大量训练数据集，可针对每位患者的投影数据独立训练模型，适用于低计数条件和多床位成像场景，如 Lu-177 治疗后的 SPECT 成像。与监督学习方法相比，SpeRF 在有限数据下表现更优，克服了传统监督学习依赖大量配对数据的瓶颈。尽管在高 DF（如 DF=8）时存在活动恢复降低和计算效率有待提升的局限，但其为低剂量 SPECT 协议、减少患者辐射暴露以及拓展至 Y-90、Ac-225 等其他低计数核素成像提供了新方向。该研究成果为临床核医学中缩短扫描时间、提升患者体验和设备利用率奠定了重要基础，展现了自监督学习在医学影像领域的巨大应用潜力。
