基于深度学习的快速采集[18F]FDG PET去噪技术：临床可行性与定量评估

本研究针对缩短PET扫描时间导致的图像质量下降问题，开发了基于卷积神经网络(CNN)的深度学习(DL)去噪方法。通过117例肿瘤患者的[18F]FDG PET/CT数据验证，证实20-30秒/轴向视野(s/AFOV)快速采集经DL去噪后可达标准70 s/AFOV图像质量，病灶检测灵敏度达74%，为优化患者舒适度与扫描效率提供创新解决方案。

　　

在医学影像领域，正电子发射断层扫描(PET)作为肿瘤诊断的"金标准"技术，长期面临扫描耗时长、患者舒适度差的核心矛盾。传统70秒/轴向视野(s/AFOV)的[¹⁸F]FDG（氟代脱氧葡萄糖）PET扫描过程中，患者需保持固定体位约20分钟，这不仅增加运动伪影风险，还影响医疗资源周转效率。更棘手的是，缩短扫描时间会导致光子计数不足，使图像噪声呈混合高斯-泊松分布，严重影响病灶检测。尽管已有研究尝试通过降低放射性活度或缩短采集时间来优化流程，但如何平衡时间压缩与信息保真度始终是未解的临床难题。

来自葡萄牙的研究团队Luísa C. Silva等人在《Journal of Imaging Informatics in Medicine》发表的研究，创新性地将深度学习(DL)技术引入该领域。研究人员构建了三种基于U-Net架构的卷积神经网络(CNN)，利用117例肿瘤患者的全身体PET/CT数据进行训练。通过模拟10-30 s/AFOV快速采集数据，开发出能有效恢复图像质量的算法。特别值得注意的是，他们采用独特的单通道2.5D U-Net设计，可同时处理冠状面、矢状面和轴向图像，相比传统高斯滤波和非局部均值(NLM)滤波展现出显著优势。

关键技术方法包括：1）使用Philips Vereos数字PET/CT采集117例患者数据，按70 s/AFOV标准协议获取参考图像；2）从原始数据重建10-30 s/AFOV快速采集模拟图像；3）设计三种U-Net变体（传统三通道2.5D、3D及创新单通道2.5D架构）进行训练；4）通过视觉评估（5级Likert量表）和病灶检测能力（灵敏度/阳性预测值）进行临床验证；5）采用体素水平（MSE/SSIM/ICC）和区域水平（肝脏/肺部SNR）定量分析。

【临床图像质量评估】

三位资深核医学医师的盲法评估显示，经DL处理的20 s/AFOV(PET20-DL)和30 s/AFOV(PET30-DL)图像质量评分达3.1±0.4和3.2±0.4（3分表示与标准相当），显著优于未处理快速采集图像(1.9-2.3分)。

【病灶检测效能】

以标准PET70为金标准，PET20-DL和PET30-DL的病灶检测灵敏度分别为74%和72%，阳性预测值达72%和80%。值得注意的是，30 s/AFOV方案中所有病灶均被至少一位医师检出，而20 s/AFOV方案存在3个完全漏诊病灶。

【定量分析结果】

体素水平分析显示DL去噪显著优于基准方法（p<0.001），MSE降低40%以上，SSIM提高15%。肝脏和肺部SNR在DL处理后反超参考标准，分别提升104%和48%。

【病灶定量一致性】

病灶特征分析显示，PET30-DL与参考图像在SUV_max（最大标准化摄取值）的中位绝对偏差仅0.30，代谢肿瘤体积(MTV)偏差<8%。但SUV_max<5的小病灶仍存在检测挑战。

这项研究确立了30 s/AFOV作为最优折衷方案，可使扫描时间缩短57%而不损失临床信息。其创新点在于：1）首次系统评估超短时间(20-30 s/AFOV)PET的DL恢复极限；2）开发适应多平面输入的2.5D U-Net架构；3）证实DL去噪可使快速扫描的SNR反超标准协议。尽管在微小低代谢病灶检测方面仍需谨慎，该技术为改善患者体验、提升设备通量提供了切实可行的解决方案，对推动精准医疗的普惠化具有重要意义。未来研究需在真实世界快速采集中验证算法鲁棒性，并探索其在其他PET示踪剂中的应用潜力。