基于2.5D-SRCNN和loge变换的全身18F-FDG-PET图像超分辨率重建技术开发与验证

针对PET图像空间分辨率低、硬件升级成本高的问题，研究团队开发了结合2.5D卷积神经网络(2.5D-SRCNN)和对数变换的深度学习模型，显著提升图像质量(PSNR 40.54 dB，SSIM 0.984)，同时保持标准化摄取值(SUV)定量准确性，为临床肿瘤诊断提供了经济高效的软件解决方案。

　　

在肿瘤精准诊疗领域，正电子发射断层扫描(PET)与¹⁸F-氟脱氧葡萄糖(FDG)的组合已成为不可或缺的"代谢探针"。然而这项技术长期面临"雾里看花"的困境——传统PET扫描仪4mm的空间分辨率导致小于5mm的病灶容易被部分容积效应(Partial Volume Effect)掩盖。虽然采用硅光电倍增管(SiPM)和时间飞行(TOF)技术的新型PET设备能提升分辨率，但高昂的成本使其难以普及，全球范围内大量老旧设备仍在服役。这种"看得见却看不清"的窘境，促使研究者探索软件解决方案。

《EJNMMI Physics》刊发的这项研究开创性地将2.5维超分辨率卷积神经网络(2.5D-SRCNN)与对数变换相结合。团队从90例患者和NEMA模体获取数据，通过独特的"九进二出"网络架构（输入9层4mm切片，输出2层2mm切片），在保持SUV定量准确性的同时，显著提升了图像质量。特别设计的log_e(x+1)变换巧妙解决了膀胱区域FDG超高摄取造成的动态范围失衡问题，使模型更专注于诊断关键区域（SUV 0-10）的学习。

关键技术方法包括：1) 使用Vereos PET/CT系统采集数据，通过调整重建参数获得4mm和2mm体素大小的配对图像；2) 构建2.5D-SRCNN模型，采用相邻切片信息辅助重建；3) 引入对数变换预处理；4) 采用PSNR和SSIM指标评估图像质量；5) 通过NEMA模体和临床ROI分析验证SUV定量准确性。

【模型架构创新】

研究团队设计的2.5D-SRCNN如同"三维拼图大师"，仅用104,898参数就实现了3D信息整合。相比传统2D-SRCNN，其PSNR提升1.67dB（40.28 vs 38.87），SSIM提高0.004（0.982 vs 0.978）。

【对数变换优势】

对数预处理使膀胱区域"强光不刺眼"，诊断区域"细节更清晰"。2.5D-LOG-SRCNN对10mm模体球的SUVmax恢复最佳，误差较原始4mm图像降低50%。

【临床验证】

在13例病理摄取病例中，所有模型均显著改善SUVmax误差（20.0%→8.6-10.7%）。肝脏等关键器官的SUVmean偏差均<2.6%，证明定量可靠性。

【噪声控制】

背景噪声系数(CV)分析显示，所有SR图像噪声水平与2mm参考图像相当甚至更低，消除了对放大噪声的担忧。

这项由Hiroki Endo、Kenji Hirata等学者完成的研究，通过"轻量级"网络实现"重量级"突破。其创新性体现在：1) 2.5D架构仅需1/50常规3D网络内存；2) 对数变换首次系统应用于PET超分辨率；3) 严格验证SUV定量准确性。该技术使老旧设备"焕发新生"，特别适合发展中国家推广。未来拓展方向包括：结合生成对抗网络(GAN)进一步提升分辨率，开发多中心验证平台，以及拓展至PSMA等新型示踪剂应用。这项研究为分子影像的"软件定义分辨率"时代奠定了重要基石。