动态全身3D PET图像自动分割与预处理方法的多示踪剂比较研究

为解决动态全身PET图像自动分割方法匮乏且现有工具不适用于现代大型图像的问题，研究人员比较了17种无监督分割方法在五种不同示踪剂数据集上的表现。研究发现高斯混合模型(GMM)和k-means在计算可行性和分割准确性上表现最佳，其中GMM在人体数据中优势显著。该研究为开发新型PET图像分割算法提供了重要基准，论文发表于《Journal of Imaging Informatics in Medicine》。

　　

在医学影像分析领域，正电子发射断层扫描(PET)的动态全身成像技术正面临"数据爆炸"的挑战。随着现代PET扫描仪分辨率提升，单次扫描可产生数千万体素的数据量，而传统分割方法多针对小型静态图像设计，其计算效率和适应性已无法满足临床需求。更棘手的是，不同放射性示踪剂（如[¹⁸F]FDG、[¹¹C]UCB-J等）在生物体内的代谢特性差异显著，导致图像异质性极高，这使得开发通用型自动分割算法如同"用同一把钥匙开千把锁"。

Turku PET中心的研究团队在《Journal of Imaging Informatics in Medicine》发表的研究，首次系统评估了17种无监督分割方法在五种示踪剂动态全身PET图像中的表现。研究采用大鼠和人体数据集，通过Jaccard指数、Dice分数等指标，揭示了GMM和k-means在计算效率与分割精度上的最佳平衡，特别是GMM在人体数据中展现的优越性能，为临床自动化分割提供了关键方法论基础。

研究团队采用多阶段实验设计：首先筛选计算可行的6种方法（GMM、k-means、迷你批次k-means、模糊c-means、层次聚类和HDBSCAN）；随后系统评估高斯滤波、小波去噪等5种预处理方法；接着测试z-score标准化等数据缩放策略；最后通过PCA等降维技术优化流程。实验数据涵盖36只[¹⁸F]F-DPA标记大鼠、42只[¹¹C]UCB-J大鼠、43只[¹⁸F]FDG大鼠，以及24例[¹⁸F]FDG和5例[¹⁵O]H₂O人体扫描数据，所有手动分割均由专业团队使用Carimas软件完成。

去噪与滤波
高斯滤波展现出显著优势，使k-means对肾脏分割的Jaccard指数提升50%。但值得注意的是，GMM处理高斯滤波后的[¹⁸F]FDG图像时出现系统性崩溃，这提示算法对噪声分布的敏感性存在差异。

缩放与降维
z-score标准化使k-means性能提升16%，而求和归一化反而损害多数方法的表现。PCA降维在保留时空特征方面表现最佳，使用5个主成分即可达到理想效果。

聚类数量优化
通过"平台点"分析法确定，28个聚类可使GMM在多数器官达到最佳平衡。令人意外的是，增加聚类数对模糊c-means效果提升有限，反映其参数敏感性较低的特点。

验证实验结果
在跨数据集验证中，GMM对脑部分割的Jaccard指数（0.77）显著优于k-means（0.74），但对肝脏等大器官，k-means的精度（0.92）更胜一筹。小器官如垂体（平均23体素）仍无法被可靠检测。

人体图像测试
在[¹⁵O]H₂O人体数据中，迷你批次k-means出现独特的"胶囊状"分层分割现象，这可能与该示踪剂的快速动力学特性相关。GMM在主动脉等复杂结构分割中展现0.83的召回率，证明其捕捉弥散信号的能力。

该研究确立了现代PET图像分割的黄金标准：高斯滤波+z-score标准化+PCA降维+GMM/k-means的流程组合。其核心突破在于证明：① 多数传统方法无法处理现代数据规模；② 预处理比算法选择对结果影响更大；③ 示踪剂类型对最优方法选择具有决定性作用。这些发现不仅解决了临床自动化分割的可行性问题，更揭示了功能影像与解剖结构的关联机制。

研究局限性在于手动分割仅基于时间积分图像，未能充分利用动态信息。Maria K. Jaakkola等建议的未来方向包括：开发混合深度学习方法、引入空间约束聚类、以及结合CT/MRI多模态数据。这些进展或将突破当前小器官检测的瓶颈，最终实现"一键式"全身PET定量分析。