综述：正电子发射断层扫描/计算机断层扫描与正电子发射断层扫描/磁共振中的运动管理

这篇综述系统阐述了临床PET（正电子发射断层扫描）成像中呼吸、心脏及躯体运动对图像质量的影响，重点介绍了基于外部设备（如Anzai腹带）和数据驱动（如深度学习）的运动追踪技术，并探讨了长轴视野（LAFOV）PET系统在动态成像中的革新潜力。

　　

关键点

临床PET成像中的运动（包括躯体、呼吸和心脏运动）会显著降低图像质量和定量准确性。新兴技术如外部设备（如ECG、Anzai腹带）与数据驱动方法（如深度学习运动建模）相结合，为复杂运动校正提供了创新解决方案。

运动类型

呼吸运动和心脏运动是PET成像的主要干扰因素。心脏运动因高频和非刚性特征，在动态PET采集中尤其具有挑战性。躯体（整体）运动则直接影响全身扫描的解剖定位准确性。

外部设备驱动追踪

ECG和Anzai腹带等设备通过生理信号同步数据采集，有效减少运动伪影。压力传感器和光学表面监测系统可实时捕捉呼吸运动轨迹，为门控技术提供数据支持。

图像配准技术

传统方法（如互信息配准）对刚性运动有效，但难以处理非刚性变形。深度学习模型通过端到端训练显著提升了复杂运动场估计效率，例如在脑PET中实现亚毫米级运动校正。

PET/CT联合校正

运动导致的衰减图(μ-map)错配可通过CT图像配准或PET直接衰减校正（如MLAA算法）解决。uEXPLORER等LAFOV系统凭借超高灵敏度，实现了全身动态成像与运动同步采集。

脑成像突破

数据驱动的刚性校正方法显著提升淀粉样蛋白PET定量准确性。深度学习还能在采集过程中实时预测头部运动，改善神经受体动力学建模可靠性。

标准化挑战

不同运动校正协议可能导致定量指标差异。自动化算法（如西门子OncoFreeze AI）可提高结果可重复性，但临床推广仍需严格验证。LAFOV系统为低剂量动态研究开辟新途径，其40倍于传统设备的灵敏度支持更精细的运动相位分析。

临床意义

未校正运动可能导致肿瘤SUVmax误差达30%。LAFOV-PET结合深度学习校正，能在不依赖外部设备情况下提升病灶检出率，对神经退行性疾病和心血管病诊疗具有重要价值。