综述：临床PET图像重建的创新：贝叶斯惩罚似然算法与深度学习的进展

《Annals of Nuclear Medicine》：Innovations in clinical PET image reconstruction: advances in Bayesian penalized likelihood algorithm and deep learning

这篇综述系统阐述了PET图像重建领域的两大前沿技术——贝叶斯惩罚似然（BPL）算法（如Q.Clear和HYPER Iterative）与深度学习（如SubtlePET、AiCE等）的进展。文章详细比较了这些技术在图像质量提升、定量准确性优化方面的性能差异，特别关注了它们在肿瘤和神经退行性疾病诊断中的应用价值，为临床PET成像 protocol优化提供了重要参考。

　　

临床PET成像技术正经历着革命性的变革，其中图像重建算法的创新尤为突出。近年来，贝叶斯惩罚似然（BPL）算法和深度学习技术分别在商业PET系统中实现了突破性应用，为临床诊断提供了前所未有的图像质量和定量分析能力。

贝叶斯惩罚似然算法的技术突破

BPL算法通过引入正则化技术，在保持定量准确性的同时显著提升图像质量。其中最具代表性的是GE Healthcare的Q.Clear（采用BSREM算法）和United Imaging Healthcare的HYPER Iterative（采用TVREM算法）。这些方法通过相对差异惩罚（RDP）或全变分（TV）正则化，有效平衡了图像噪声抑制与边缘保留的矛盾。

Q.Clear的核心优势在于其可调节的β值参数系统。研究表明，针对不同临床应用需要优化β值：肺部结节检测推荐β=400，前列腺癌成像β=300-550，而90Y成像则需要高达4000的β值。这种灵活性使得Q.Clear在保持优异信噪比（SNR）的同时，可将放射性示踪剂剂量或采集时间减少50%-66%。

深度学习技术的创新应用

深度学习在PET重建中的应用主要分为后处理技术和混合迭代方法。SubtlePET作为首个FDA批准的深度学习PET处理技术，采用2.5D U-Net架构，能兼容多种示踪剂（18F-FDG、68Ga-PSMA等）。临床数据显示，SubtlePET可使扫描时间或剂量减少50%而不影响诊断信心。

United Imaging Healthcare的HYPER DPR代表了混合重建的前沿方向，其创新性地在迭代循环中整合了两个CNN模块：去噪网络（CNN-DE）和增强网络（CNN-EH）。这种设计使示踪剂剂量降至标准量的1/3时仍能保持诊断质量，特别适用于淋巴瘤Deauville评分等临床场景。

技术挑战与未来方向

尽管这些新技术展现出巨大潜力，但仍面临若干挑战。Q.Clear在淋巴瘤诊断中可能存在SUV_max高估风险，而深度学习方法的"黑箱"特性也引发了对结果可解释性的关注。值得注意的是，扩散模型等新兴深度学习技术正被探索用于PET图像去噪，其性能已超越传统U-Net和GAN方法。

随着总身体PET系统等硬件进步，以及深度学习与TOF信息提取等技术的深度融合，PET成像正朝着"更快、更准、更低剂量"的方向快速发展。这些创新不仅将提升肿瘤和神经退行性疾病的诊断水平，还可能重新定义定量PET的标准实践范式。