噪声感知深度图像先验（NA-DIP）：从全身PET采集生成专用脑PET质量图像

《NeuroImage》：NA-DIP: A Noise-Aware Deep Image Prior for Generating Dedicated Brain PET–Quality Images from Whole-Body PET Acquisitions

　　

专业术语翻译摘要 NA-DIP可从全身PET采集恢复专用脑PET质量图像。基于方差的早停机制实现了噪声自适应的DIP优化。解剖引导与正则化提升了PET去噪性能。NA-DIP在模拟数据及儿童1?F-FDG-PET研究中得到验证。NA-DIP支持从全身采集实现专用脑PET成像。 氟-18氟代脱氧葡萄糖（1?F-FDG）正电子发射断层成像（PET）因其在体可视化与量化代谢过程的独特能力，被广泛应用于肿瘤学、心脏病学及神经病学领域。临床实践中，全身PET与专用脑PET为两种常用成像方案。全身PET主要用于多种恶性肿瘤的肿瘤学评估，而脑PET用于评估神经疾病，包括阿尔茨海默病、帕金森综合征及癫痫。在某些临床场景下，同一患者可能同时需要全身及专用脑成像方案。例如，在副肿瘤性或自身免疫性脑炎患者中，全身成像有助于检测潜在恶性肿瘤或全身炎症过程，而脑PET通过显示与脑炎相关的特征性脑代谢模式提供补充信息。临床实践中，专用脑PET扫描的采集时长通常长于全身PET扫描，以满足神经评估所需的图像质量。这促使研究者致力于增强常规采集的全身PET图像，以提供可用于脑评估的诊断质量信息。该方法有望免除单独专用脑PET采集的需求，从而提高扫描仪吞吐量、减少对患者配合的要求，并在儿科人群中尤为重要——可减少为完成长时间扫描所需的镇静剂使用。 近年来，深度学习（DL）的进展已证明其在保持空间分辨率的同时实现PET图像去噪的有效性，提示了从全身采集生成专用脑PET等效图像的可行路径。与需要成对噪声及参考图像进行训练的有监督DL方法相比，自监督方法日益受到关注。这类方法利用一个观察结果：即使是随机初始化的卷积神经网络（CNN）也能直接从噪声数据中捕获内在的、患者特定的图像结构，从而无需成对训练数据集。其中一个源于自然图像处理的有影响力的框架是深度图像先验（DIP），它通过将随机噪声映射至噪声目标来实现图像去噪。自提出以来，DIP已被成功应用于医学成像领域。在PET成像中，基于DIP的方法大致可分为以下类别：1）条件输入，利用CT或MR等额外信息替代随机噪声以提供结构信息；2）CNN模型改进，例如使用预训练去噪CNN引入基于群体的信息以替代随机初始化的U-Net；3）处理策略创新，如双DIP架构。 尽管DIP在PET成像中展现出有前景的结果，其根本局限性在于CNN表示的固有过度参数化。因此，虽然干净图像特征最初可被捕获，但延长的DIP处理会使网络过拟合噪声目标，从而将噪声引入输出。为解决此局限，已有两种主要策略：1）正则化，引入正则项约束体素间差异，从而抑制CNN在长时间DIP处理后表征噪声特征；2）早停，在过拟合发生前终止DIP处理。然而，这两种方法通常依赖于对噪声特征的先验知识或基于有限测试对象进行的初步评估，而非在DIP处理过程中直接监测噪声行为。这一局限在PET成像中尤为突出，因为PET噪声本质上难以建模，且即使采用相同的采集方案，不同患者间的噪声也存在显著变异性。因此，现有的正则化与早停方法可能无法针对多样化噪声特征进行最优适配，限制了其在不同患者及成像条件下的鲁棒性。 为克服上述挑战，研究人员提出了一种噪声感知深度图像先验（NA-DIP）框架，该框架整合了基于方差的早停准则，用于对低计数脑FDG-PET图像进行鲁棒增强。研究人员假设，尽管存在显著的统计噪声，常规全身PET采集中的脑PET图像仍充分保留了患者特异性代谢信息，且NA-DIP能够自适应地抑制噪声，同时保留具有生物学意义的示踪剂分布模式。该方法首先利用涵盖三个噪声水平的模拟数据集进行优化与评估，随后在临床相关场景中进行了验证，使用从15例儿童FDG-PET研究的常规每床位90秒全身PET采集中提取的脑图像，涵盖多样化的患者人口统计学特征、生理变异性及图像噪声水平。研究人员考察了是否可从常规全身采集中恢复专用脑PET质量图像，同时保持区域FDG摄取测量的定量保真度。该方法有望减少或可能消除对单独专用脑PET扫描的需求，从而改善患者舒适度并简化临床工作流程。

论文解读文章

一、研究背景与问题提出

氟-18氟代脱氧葡萄糖（1?F-FDG）正电子发射断层成像（PET）凭借其在体可视化与量化代谢过程的独特能力，在肿瘤学、心脏病学及神经病学领域得到广泛应用。临床实践中存在两种常见成像方案：全身PET主要用于肿瘤学评估，而专用脑PET用于评估阿尔茨海默病、帕金森综合征及癫痫等神经系统疾病。在某些临床场景下，同一患者可能需要同时接受两种成像方案。例如，在副肿瘤性或自身免疫性脑炎患者中，全身成像有助于检测潜在恶性肿瘤或全身炎症过程，而脑PET则通过显示特征性脑代谢模式提供补充诊断信息。

然而，专用脑PET扫描通常需要比全身PET更长的采集时间才能达到神经评估所需的图像质量。这一需求促使研究者探索增强常规全身PET图像以提供脑评估诊断质量信息的途径。若能实现这一目标，将有望免除单独专用脑PET采集的需求，从而提高扫描仪吞吐量、减少对患者配合的要求，并在儿科人群中尤为重要——可减少为完成长时间扫描所需的镇静剂使用。

近年来，深度学习（DL）方法在PET图像去噪方面展现出显著成效。其中，深度图像先验（DIP）作为一种自监督方法受到广泛关注。DIP利用随机初始化的卷积神经网络（CNN）直接从噪声数据中捕获内在的、患者特定的图像结构，无需成对训练数据集。然而，DIP存在一个根本性局限：CNN表征的固有过度参数化导致在延长处理时间后网络会过拟合噪声目标，从而将噪声引入输出。为解决此问题，已有正则化和早停两种主要策略，但两者通常依赖对噪声特征的先验知识或基于有限测试对象的初步评估，而非在DIP处理过程中直接监测噪声行为。这一局限在PET成像中尤为突出，因为PET噪声本质上难以建模，且即使采用相同采集方案，不同患者间的噪声也存在显著变异性。因此，现有方法可能无法针对多样化噪声特征进行最优适配，限制了其跨患者及成像条件的鲁棒性。

二、研究目的与意义

为克服上述挑战，研究人员提出了噪声感知深度图像先验（NA-DIP）框架，整合基于方差的早停准则，用于对低计数脑FDG-PET图像进行鲁棒增强。研究假设：尽管存在显著统计噪声，常规全身PET采集中的脑PET图像仍充分保留了患者特异性代谢信息，且NA-DIP能够自适应地抑制噪声，同时保留具有生物学意义的示踪剂分布模式。该方法首先利用涵盖三个噪声水平的模拟数据集进行优化与评估，随后在临床相关场景中，使用从15例儿童FDG-PET研究的常规每床位90秒全身PET采集中提取的脑图像进行验证，涵盖多样化患者人口统计学特征、生理变异性及图像噪声水平。研究旨在考察是否可从常规全身采集中恢复专用脑PET质量图像，同时保持区域FDG摄取测量的定量保真度。该方法有望减少或消除对单独专用脑PET扫描的需求，从而改善患者舒适度并简化临床工作流程。

三、关键技术方法

研究人员主要采用了以下几项关键技术方法。第一，解剖引导网络（anatomy-guided network），该网络包含特征提取模块和深度解码模块两个主要组成部分。特征提取模块基于3D U-Net架构，以解剖图像（μ-map或MR图像）作为引导输入；深度解码模块以随机噪声为输入，通过特征细化单元（FRU）和上采样细化单元（URU）两个专用单元，利用引导图像提取的多维特征生成条件权重，使CNN表征更明确地利用引导图像中的高分辨率结构信息。第二，正则化项（regularization term），用于惩罚相邻体素间的差异，以改善去噪性能。第三，基于方差的早停准则（variance-based early stopping criterion），用于在无需先验假设的情况下监测噪声行为。验证数据包括模拟数据集（三个噪声水平）和15例儿童FDG-PET研究的临床数据集。

四、研究结果

模拟实验验证。 研究人员利用涵盖三个噪声水平的模拟数据集对NA-DIP进行了优化与评估，验证了该方法在不同噪声条件下的去噪性能及定量保真度。

临床数据集验证。 研究人员在15例儿童FDG-PET研究的常规每床位90秒全身PET采集中提取脑图像，对NA-DIP进行了临床相关场景验证。结果表明，NA-DIP能够从常规全身采集中恢复专用脑PET质量图像，同时保持区域FDG摄取测量的定量保真度。

噪声自适应能力验证。 通过基于方差的早停准则，NA-DIP能够在无需先验噪声假设的情况下直接监测处理过程中的噪声行为，实现针对不同患者和成像条件的自适应优化，验证了该方法在多样化噪声特征下的鲁棒性。

解剖引导与正则化的贡献验证。 研究验证了解剖引导网络和正则化项对PET去噪性能的改善作用，表明二者共同提升了NA-DIP在保持空间分辨率的同时实现有效去噪的能力。

五、讨论与结论

讨论部分指出，NA-DIP框架通过整合解剖引导网络、专用正则化项和基于方差的早停准则，有效克服了传统DIP方法在PET成像中的局限性。与传统依赖先验噪声知识或有限测试对象评估的正则化和早停方法不同，NA-DIP能够在DIP处理过程中直接监测噪声行为，实现对多样化噪声特征的自适应优化。这一特性在PET成像中尤为重要，因为PET噪声难以建模且在不同患者间存在显著变异性。研究结果表明，NA-DIP支持从全身PET采集实现专用脑PET成像，有望减少或消除对单独专用脑PET扫描的需求，从而提高扫描仪吞吐量、减少患者配合要求，并在儿科人群中减少镇静剂使用，改善患者舒适度并简化临床工作流程。