基于深度图像先验与参数放大策略的动态PET直接参数化重建方法

针对动态PET中非线性微参数（如k2、k3）重建噪声高、结构模糊的难题，广东的研究团队提出DIP-PM模型，将深度图像先验（DIP）与参数放大（PM）策略结合，通过U-Net生成器和投影数据对数似然优化，显著提升1-TC模型k2和2-TC模型k3的图像质量（PSNR最高达22.74），为复杂参数成像提供新思路。

　　

论文解读
动态正电子发射断层扫描（PET）是揭示活体生理过程的关键技术，但传统间接参数估计方法面临两大痛点：一是动态数据噪声高导致非线性微参数（如k₂、k₃）重建质量差；二是常规算法难以平衡多参数优化权重。例如，1-组织模型（1-TC）的k₂和2-组织模型（2-TC）的k₃因数值微小且非线性强，常出现结构丢失或噪声泛滥。尽管直接重建方法（如OTEM）改善了线性参数（如K₁），但微参数仍如"雾里看花"。更棘手的是，现有深度学习方法（如DIP）虽能抑制噪声，却对细微结构束手无策。

广东省的研究团队在《Computers in Biology and Medicine》发表的研究中，创新性地将深度图像先验（DIP）与参数放大（PM）策略耦合，提出DIP-PM模型。该模型通过U-Net生成器同时预测多参数图像，并对k₂、k₃等微参数进行10倍强度放大，再结合投影数据对数似然损失优化。研究采用模拟的⁸²Rb（1-TC）和¹⁸F-FDG（2-TC）数据验证，并对比间接法、OTEM及DIP-only方法。

关键技术

1. DIP-PM架构：以CT为解剖先验，U-Net多通道输出对应不同参数，PM策略动态调整微参数权重；
2. 双示踪剂验证：模拟1-TC（心肌灌注）和2-TC（葡萄糖代谢）模型，聚焦k₂/k₃；
3. 三指标评估：PSNR（峰值信噪比）、NRMSE（归一化均方根误差）、SSIM（结构相似性）定量分析。

研究结果
1-TC模型：OTEM在K₁重建中表现良好，但k₂图像噪声显著（NRMSE>0.4）。DIP-only虽降噪成功，却模糊了心肌纹理。DIP-PM以PSNR 19.00、SSIM 0.9289夺冠，尤其清晰呈现心肌细节。
2-TC模型：传统方法在K₁/k₂/k₃上均出现伪影，而DIP-PM的k₃重建质量最优（PSNR 21.89），连带提升K_i精度（SSIM 0.8391）。
真实FDG数据：DIP-PM在保持心肌结构的同时，实现K₁-k₃的均衡优化。

结论与意义
该研究首次通过参数放大策略破解了多参数重建的"跷跷板效应"——提升微参数权重而不破坏主参数精度。DIP-PM在1-TC k₂和2-TC k₃上的突破（PSNR提升约15%），为阿尔茨海默病β淀粉样蛋白分布等微参数依赖的研究提供新工具。未来可拓展至肿瘤异质性分析等领域，推动PET从"定性成像"迈向"定量精准"。