基于深度学习的PET图像重建研究综述

基于深度学习的PET图像重建研究综述正电子发射断层成像（PositronEmissionTomography,PET）作为一种无创的分子影像技术，能够通过探测放射性示踪剂在生物体内的分布，从分子层面反映组织的代谢、功能状态，在肿瘤早期诊断、神经系统疾病研究、心血管疾病评估等临床场景中发挥着不可替代的作用。传统PET图像重建流程依赖滤波反投影、迭代重建等算法，往往需要较高的放射性药物剂量和较长的扫描时间才能获得满足临床诊断需求的图像质量，这不仅增加了受检者的辐射暴露风险，也限制了PET在动态成像、床旁快速诊断等场景中的应用。近年来，深度学习技术的快速发展为PET图像重建带来了全新的技术路径，各类基于神经网络的重建方法在降低辐射剂量、缩短扫描时间、抑制图像噪声、提升微小病灶检出率等方面展现出了显著优势，正在推动PET成像技术进入新的发展阶段。一、深度学习在PET图像重建中的核心技术框架当前基于深度学习的PET图像重建方法主要可分为数据域预处理、后处理重建以及端到端重建三大类技术框架，不同框架针对PET成像的不同环节实现算法优化，各有其适用场景和技术优势。数据域预处理类方法聚焦于PET原始数据（正弦图）的噪声抑制与信息补全。在低剂量PET扫描中，由于光子计数不足，正弦图会存在大量泊松噪声和统计波动，直接重建后会导致图像出现严重的伪影和细节丢失。针对这一问题，卷积神经网络（CNN）、生成对抗网络（GAN）等模型被广泛应用于正弦图去噪任务。例如，U-Net结构凭借其对称的编码器-解码器设计和跳跃连接特性，能够在保留正弦图精细结构信息的同时有效抑制噪声，部分研究通过在U-Net中引入注意力机制，进一步提升了模型对高计数区域和低计数区域的差异化处理能力，避免过度平滑导致的特征丢失。此外，针对稀疏角度扫描、部分数据缺失等场景，基于Transformer的序列建模方法能够利用正弦图的全局相关性实现数据补全，为超短时间PET扫描提供了可行的技术方案。这类预处理方法的优势在于可以与传统迭代重建算法兼容，不需要修改现有临床成像流程，只需在重建前对原始数据进行优化即可获得质量提升的图像，因此更易于在现有设备上落地应用。后处理重建类方法则直接对传统算法重建得到的低质量PET图像进行优化，将低质量图像到高质量图像的映射看作图像超分辨率、去噪的逆问题。早期相关研究大多采用经典的超分辨率网络结构，通过配对的低剂量/高剂量PET图像数据对模型进行监督训练，实现噪声抑制和细节恢复。为了进一步提升图像的病理特征保真度，研究者们在损失函数设计上进行了大量探索：除了传统的均方误差（MSE）损失外，感知损失通过引入预训练的特征提取网络，约束重建图像在高级语义特征层面与真实图像一致，有效避免了MSE损失导致的图像过度平滑问题；结构相似性（SSIM）损失则更关注图像的结构信息保留，提升了重建图像中边缘、纹理的清晰度。针对临床中配对数据难以获取的问题，无监督、半监督的后处理重建方法逐渐成为研究热点，基于循环GAN的方法可以在无配对数据的情况下实现低剂量图像到高剂量图像的风格迁移，同时避免监督学习中可能出现的伪影生成问题。这类方法的优势在于部署灵活，既可以作为独立模块集成到影像后处理工作站中，也可以与不同厂商的重建算法适配，是目前临床转化进展最快的技术方向之一。端到端重建类方法打破了传统“数据预处理-迭代重建-后处理”的多阶段流程，直接将原始PET正弦图作为输入，通过神经网络一次性输出最终的高质量PET图像。这类方法通常将传统重建算法的物理模型嵌入到神经网络结构中，形成物理驱动与数据驱动结合的混合重建框架。例如，将迭代重建中的投影、反投影操作设计为神经网络的可微层，与卷积层、注意力层级联，在训练过程中同时优化数据一致性项和正则项，既保证了重建结果符合PET成像的物理规律，又充分发挥了深度学习的特征提取和建模能力。部分研究还将CT、MRI等多模态影像信息融入端到端重建网络中，利用结构像提供的解剖先验信息，进一步提升PET图像的组织边界清晰度和病灶定位准确性。端到端方法的优势在于可以实现全流程的联合优化，避免了多阶段处理带来的误差累积，能够在极低剂量、极短扫描时间的极端条件下获得更稳定的重建效果，代表了未来PET图像重建技术的重要发展方向。二、不同临床场景下的技术应用进展深度学习PET图像重建技术的快速发展，正在推动PET成像在不同临床场景中拓展应用边界，解决传统方法难以应对的实际痛点。在肿瘤成像领域，低剂量PET重建技术已经展现出重要的临床价值。传统全身PET扫描受检者接受的有效辐射剂量约为10-20mSv，较高的辐射剂量限制了其在肿瘤高危人群筛查、治疗后长期随访中的应用。基于深度学习的重建方法可以在放射性药物剂量降低50%-75%的情况下，获得与常规剂量相当的图像质量，同时保持对微小病灶的检出能力。多项临床研究表明，深度学习重建的低剂量PET图像在肺癌淋巴结转移检测、结直肠癌肝转移评估、淋巴瘤疗效预测等任务中，诊断准确率与常规剂量图像无统计学差异，甚至可以通过噪声抑制提升对低代谢病灶的识别能力。此外，针对动态PET成像，深度学习方法可以实现多时间帧图像的快速高质量重建，通过对时间维度信息的建模，更准确地提取示踪剂的动力学参数，为肿瘤的异质性分析、靶向药物疗效的早期评估提供了更丰富的定量信息。在神经成像领域，深度学习重建技术为神经退行性疾病的早期诊断提供了新的可能。脑部PET成像对图像的空间分辨率和噪声水平要求极高，尤其是针对阿尔茨海默病患者的tau蛋白、淀粉样蛋白成像，需要准确识别皮层区域的微弱放射性信号。传统重建方法在低剂量下容易导致皮层区域的信号模糊，难以区分早期病理改变与噪声。基于多模态约束的深度学习重建方法可以融合高分辨率MRI提供的脑区分割信息，在重建过程中针对性地保留灰质区域的信号特征，降低白质和脑脊液部分容积效应的影响，提升脑区放射性摄取值定量的准确性。最新研究显示，深度学习重建的低剂量tauPET图像能够准确识别早期阿尔茨海默病患者的异常蛋白沉积区域，与常规剂量图像的定量相关性达到0.95以上，为大规模人群的神经退行性疾病早期筛查提供了技术支撑。在心血管成像领域，动态PET心肌灌注成像是评估冠心病心肌缺血的“金标准”之一，但传统重建方法需要较长的扫描时间和较高的剂量，且容易受心脏运动的影响产生伪影。深度学习重建方法通过引入运动补偿模块和时间维度建模，能够在更短的扫描时间内获得高时间分辨率的心肌动态图像，同时有效抑制呼吸运动、心脏搏动带来的伪影。临床验证结果表明，深度学习重建的心肌PET图像在心肌血流储备定量评估中的准确性显著优于传统迭代重建方法，对微循环障碍的检出灵敏度提升了20%以上，且可以将单次心肌灌注扫描的时间从30分钟缩短至10分钟以内，极大提升了临床检查的效率和患者舒适度。三、当前研究面临的挑战与未来发展方向尽管深度学习PET图像重建技术已经取得了显著进展，但在临床大规模落地应用的过程中，仍然面临着多方面的挑战。首先是模型的泛化性问题。当前大多数深度学习重建模型都是在单中心、单一设备、单一示踪剂的数据集上训练得到的，当应用到不同厂商的PET设备、不同的示踪剂类型、不同的人群队列时，往往会出现性能下降甚至伪影增加的问题。这主要是因为不同设备的晶体响应特性、数据采集协议存在差异，不同示踪剂的生物分布特征也各不相同，导致模型在训练集上学到的映射关系难以直接迁移到新的场景。针对这一问题，领域自适应、联邦学习等技术正在被引入到PET重建模型的训练中：联邦学习可以在不泄露患者隐私的前提下，实现多中心数据的联合训练，让模型学习到更具普适性的特征表示；领域自适应方法则通过对齐源域和目标域的数据分布，提升模型在不同设备、不同场景下的适应能力。其次是重建结果的可解释性与定量准确性保障问题。深度学习模型的“黑箱”特性使得临床医生难以判断重建结果中哪些是真实的病理特征，哪些是模型生成的伪影，这也是制约深度学习重建技术获得临床认证的核心障碍之一。为此，研究者们一方面在模型设计中引入可解释性模块，通过注意力热力图可视化模型在重建过程中重点关注的区域，让医生能够了解模型的决策依据；另一方面在模型训练过程中强化物理约束，通过加入数据一致性损失、定量误差损失等，保证重建图像的放射性摄取值（SUV）等关键定量参数的误差控制在临床可接受的范围内。近年来，针对深度学习重建算法的临床验证标准也在逐步完善，美国FDA、中国NMPA都已经发布了针对医学影像AI算法的审评指南，明确要求重建算法需要在多中心、大样本的临床数据上验证其诊断准确性和定量稳定性，这将进一步推动相关技术的规范化发展。最后是低剂量极限的探索与多技术融合。目前的深度学习重建方法已经可以实现75%左右的剂量降低，如何在更低的剂量水平下（如剂量降低90%以上）仍然保持图像的诊断价值，是未来研究需要突破的方向。这不仅需要算法层面的创新，也需要与PET硬件技术的发展结合，例如将深度学习重建与硅光电倍增管（SiPM）探测器、飞行时间（TOF）技术、深度交互探测技术等硬件创新结合，从数据采集端就获得更丰富的原始信息，进一步降低对辐射剂量的需求。此外，结合多模态成像信息、生物标志物先验知识的重建方法也将成为重要趋势，例如通过融合患者的基因组信息、临床病史数据，在重建过程中针对性地增强