基于人工智能的PET圖像增強(qiáng)方法的研究進(jìn)展

郭嘉杰 張志浩 項磊 宮恩浩 王浩 唐橋虹＊

1 廣東省藥品監(jiān)督管理局審評認(rèn)證中心 （廣東 廣州 510080）

2 深透醫(yī)療 （上海 200062）

3 中國食品藥品檢定研究院醫(yī)療器械檢定所 （北京 100050）

內(nèi)容提要： 正電子發(fā)射體層成像利用示蹤劑可視化人體中分子的代謝活動，在腫瘤的早期診斷中發(fā)揮重要作用。然而，探測器掃描時間以及示蹤劑注射劑量的約束導(dǎo)致PET圖像普遍存在低分辨率和低信噪比的問題。目前，基于人工智能的PET圖像增強(qiáng)方法已取得優(yōu)異成果。為此，重點介紹PET影像檢查的應(yīng)用現(xiàn)狀與發(fā)展趨勢，基于人工智能的PET圖像增強(qiáng)方法，以及已上市的PET圖像增強(qiáng)軟件產(chǎn)品，旨在為研究開發(fā)人員和監(jiān)管部門提供借鑒。

根據(jù)國際癌癥研究機(jī)構(gòu)2022年2月發(fā)布的癌癥統(tǒng)計數(shù)據(jù)顯示，2020年我國新發(fā)癌癥和死亡病例分別為457萬例和300萬例，位居全球第一。據(jù)預(yù)測，2022年該數(shù)字將增加到482萬例和312萬例，分別是美國的2倍和5倍[1]。我國已經(jīng)成為名副其實的“癌癥大國”，癌癥防控形勢愈加嚴(yán)峻。

正電子發(fā)射體層成像（Positron Emission Tomography，PET）作為一種先進(jìn)的核醫(yī)學(xué)成像技術(shù)，利用特異性示蹤劑無創(chuàng)地顯像生物體內(nèi)的生化、代謝等功能性變化。與計算機(jī)體層成像（Computed Tomography，CT）、磁共振成像（Magnetic Resonance Imaging，MRI）相比，PET具有高靈敏度和普適性優(yōu)勢，已被廣泛用于腫瘤的區(qū)分以及治療評估，并作為腫瘤學(xué)臨床診斷的金標(biāo)準(zhǔn)之一[2]。在PET圖像的重建過程中，為了獲得更高的成像質(zhì)量，往往需要較高的光子計數(shù)率[3]。增加掃描時間或示蹤劑劑量是提高光子計數(shù)率的主要手段，但同時也會增加對患者的輻射傷害，以及因患者無意識運動而產(chǎn)生噪聲的概率。目前，大量關(guān)于PET圖像增強(qiáng)的科學(xué)研究正在進(jìn)行，旨在實現(xiàn)低劑量和較短掃描時間的同時，提高PET圖像質(zhì)量。

近年來，人工智能在醫(yī)學(xué)圖像領(lǐng)域的應(yīng)用得到井噴式增加。對于PET圖像增強(qiáng)任務(wù)，研究人員將深度學(xué)習(xí)結(jié)合到傳統(tǒng)PET圖像的迭代重建框架中，或?qū)⒒颊叩慕馄式Y(jié)構(gòu)圖像如CT或MR作為先驗信息提高成像質(zhì)量。另一方面，編解碼器網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）可以端到端地從低質(zhì)量重建圖像中生成高質(zhì)量圖像[4]?？傊疃葘W(xué)習(xí)能從訓(xùn)練樣本中學(xué)習(xí)PET系統(tǒng)在光子探測過程中的復(fù)雜響應(yīng)函數(shù)，克服傳統(tǒng)數(shù)學(xué)建模方法的不足，表現(xiàn)遠(yuǎn)優(yōu)于傳統(tǒng)方法。

PET影像檢查大幅提高了早期腫瘤檢測的準(zhǔn)確率，在疫情防控方面扮演重要角色。然而我國目前的PET（PET/CT）設(shè)備裝機(jī)量不足，因此研究PET快速掃描和低劑量成像技術(shù)具有重要的科學(xué)意義和應(yīng)用前景[5]。

1.PET成像原理以及成像方法

PET圖像是通過向活體內(nèi)注射特定的放射性示蹤劑，然后由掃描儀采集數(shù)據(jù)并重建獲得。放射性核素（例如18F、13N、11C等）被標(biāo)記到特定化合物（例如葡萄糖、水、氨等）制成放射性示蹤劑。示蹤劑進(jìn)入人體后參與新陳代謝，放射性核素則會聚集在感興趣的組織中。如圖1所示，放射性核素發(fā)生β+衰變，并釋放正電子e+和電子中微子ve，當(dāng)正電子失去動能后與電子相互作用發(fā)生湮滅反應(yīng)，同時產(chǎn)生一對相對移動，能量為511keV的湮滅γ光子。γ光子能量高，易穿透人體，因此可被體外檢測設(shè)備捕獲，進(jìn)而重建成像[6]。解析法和迭代法是傳統(tǒng)的PET圖像重建方法。解析法是基于PET成像原理直接推導(dǎo)出的數(shù)學(xué)解，根據(jù)計算過程不同，可分為濾波反投影法（Filtered Back Projection，F(xiàn)BP），反投影濾波法（Back Projection Filtered，BPF），卷積反投影法（Convolution Back Projection）等[7-10]。因投影數(shù)據(jù)的修正對重建結(jié)果影響甚大，所以解析法中使用的濾波器尤為重要。迭代法則基于統(tǒng)計原理，用投影的方式比較投影的理論值和實際值，不斷更新迭代取得最佳結(jié)果。迭代法中測量所得的正弦圖數(shù)據(jù)s∈?P×1的期望值與待重建圖像g∈?Q×1存在如下仿射關(guān)系，見公式（1）。

圖1.PET 系統(tǒng)結(jié)構(gòu)

其中，A∈?P×Q為探測器系統(tǒng)矩陣，r代表散射和隨機(jī)事件。定義目標(biāo)函數(shù)F描述與s之間的不一致程度，則重建過程可表示為公式（2）。

迭代法將重建過程轉(zhuǎn)換為已知正弦圖數(shù)據(jù)s求待重建圖像g的逆問題，即尋找使得與s最接近的g。又因服從獨立Poisson隨機(jī)分布，所以選擇Poisson對數(shù)似然作為目標(biāo)函數(shù)，見公式（3）。

P，Q分別表示LOR數(shù)量和PET圖像的體素數(shù)量。經(jīng)典的迭代法最大似然期望最大化法（Maximum Likelihood Expectation Maximization，MLEM）通過以下迭代更新步驟獲取最優(yōu)解[11]。見公式（4）。

其中，1N∈I，n是迭代次數(shù)。與FPB相比，MLEM不僅對噪聲抑制效果好且對比度效果恢復(fù)顯著。在實際應(yīng)用中，解析法重建速度快但是抗噪能力差，而改進(jìn)的迭代法由于更新形式簡單，收斂速度快被廣泛應(yīng)用于臨床實踐[12]。

2.PET影像檢查的應(yīng)用現(xiàn)狀與發(fā)展趨勢

近年來，PET成像技術(shù)飛速發(fā)展，已廣泛應(yīng)用于腫瘤學(xué)、心臟病學(xué)和神經(jīng)病學(xué)等領(lǐng)域。從世界范圍看，70%的PET影像檢查用于腫瘤，目前大約能診斷20種癌癥[13]。PET成像技術(shù)與CT解剖學(xué)信息相結(jié)合組成PET/CT技術(shù)，以18F-FDG作為示蹤劑，在腫瘤診斷各階段發(fā)揮著至關(guān)重要的作用。如圖2所示，PET/CT圖像可精準(zhǔn)地顯示病變位置以及功能代謝情況。

圖2.左圖為PET 圖像，中圖為CT 圖像，右圖為PET/CT 像

PET有以下幾方面優(yōu)勢。①PET能有效彌補(bǔ)常規(guī)影像學(xué)檢查的不足，判斷腫瘤的發(fā)展程度，提高鑒別腫瘤良惡性的準(zhǔn)確率。李佳錚等[14]指出，PET可輔助預(yù)測內(nèi)鏡黏膜下剝離術(shù)ESD的根治性及監(jiān)測術(shù)后復(fù)發(fā)；李可心等[15]利用18F-FDG PET/CT預(yù)測早期宮頸癌盆腔淋巴結(jié)轉(zhuǎn)移。此外，Han等[16]結(jié)合深度學(xué)習(xí)和PET對癌癥的組織亞型進(jìn)行區(qū)分，尤其是腺癌和鱗狀細(xì)胞癌。Ou等[17]的研究證明PET區(qū)分乳腺癌和乳腺淋巴瘤的能力優(yōu)于CT。②PET/CT為已確診的腫瘤患者臨床分期和再分期提供選擇依據(jù)。Orsaria等[18]研究表明PET/CT有助于評估原發(fā)性乳癌腫塊及其與轉(zhuǎn)移性腋窩LN的關(guān)系，進(jìn)而預(yù)測腫瘤行為并指導(dǎo)臨床實踐。③PET/CT能更好地評價療效和評估預(yù)后。Lee等[19]基于PET/CT和臨床病理學(xué)特征構(gòu)建統(tǒng)計模型，預(yù)測乳腺癌患者對新輔助化療的反應(yīng)，準(zhǔn)確率高于僅結(jié)合臨床病理學(xué)特征的模型。Peng等[20]基于PET/CT圖像特征，預(yù)測鼻咽癌患者的治療效果，達(dá)到較高準(zhǔn)確率。另外，PET/CT對腫瘤分子及基因分型預(yù)測有重大幫助[21]。

我國每百萬人口的PET/CT保有量與美國相差二十幾倍，人均PET/CT設(shè)備遠(yuǎn)低于世界水平[9]。當(dāng)前設(shè)備數(shù)量的不足促使PET技術(shù)向快速掃描發(fā)展?？焖賿呙杩蓽p少采集時間，讓更多患者使用到設(shè)備，同時能降低因患者無意識運動而產(chǎn)生噪聲的潛在概率。另外，示蹤劑成本高，存在造成患者日后繼發(fā)癌癥的潛在風(fēng)險[2]。因此，PET成像向低劑量快速掃描發(fā)展是必然趨勢。

3.傳統(tǒng)的PET圖像增強(qiáng)方法

如表1所示，PET圖像增強(qiáng)方法主要分三類，包括投影域預(yù)處理、改進(jìn)重建算法和去噪后處理。投影預(yù)處理，即首先根據(jù)投影數(shù)據(jù)的噪聲特點設(shè)計相應(yīng)的濾波算法去除噪聲，再由傳統(tǒng)或深度學(xué)習(xí)方法進(jìn)行重建。已提出的濾波算子有結(jié)構(gòu)適應(yīng)性濾波、雙邊濾波和自調(diào)節(jié)的維納濾波算子等[22-24]。投影數(shù)據(jù)預(yù)處理方法可作為單獨的模塊，獨立性強(qiáng)，計算速度快，但缺點是敏感性高，對最終重建圖像的影響較大，容易造成失真。另外，主流的PET設(shè)備廠商出于專利保護(hù)通常不會提供PET原始數(shù)據(jù)，這進(jìn)一步限制了此類方法的發(fā)展。

表1.PET圖像增強(qiáng)方法的分類

早期對傳統(tǒng)PET重建算法的改進(jìn)集中在尋找EM算法的替代方法，比如有序子集最大似然法（Ordered Subsets Expectation-Maximization，OSEM），將EM算法依次應(yīng)用于數(shù)據(jù)集的若干不相交子集上，提高收斂速度。另外，標(biāo)準(zhǔn)共軛梯度法、迭代坐標(biāo)上升法和空間交替廣義EM法等也是不錯的替代方[25-28]。又因所有的最大似然（Maximum Likelihood，ML）方法都存在病態(tài)性，即對數(shù)據(jù)的微小變化敏感，估計值具有高方差，所以迭代結(jié)果會出現(xiàn)棋盤效應(yīng)或者質(zhì)量退化[29]。研究人員提出對似然函數(shù)增加約束項，使模型根據(jù)圖像結(jié)構(gòu)或平滑度的先驗期望，從一組基本等價解中選出最有可能的解?；诠剑?）添加了約束項的迭代重建過程可表示為公式（5）。

其中，R(g)是約束函數(shù)，可以是廣義高斯函數(shù)和相對差分先驗等，β是懲罰系數(shù)[30,31]。

去噪后處理是指對重建好的PET圖像進(jìn)行濾波，常見的濾波方法有小波變換、高斯濾波和非局部均值等[32-34]。該方法不依賴投影數(shù)據(jù)，但是各廠家設(shè)備的噪聲差異較大、偽影分布規(guī)律復(fù)雜，對濾波算法的性能有較高要求。另外，圖像域后處理容易導(dǎo)致圖像細(xì)節(jié)丟失和過于平滑等問題。

4.基于人工智能的PET圖像增強(qiáng)方法

基于人工智能的PET圖像增強(qiáng)方法可劃分為機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。研究人員受機(jī)器學(xué)習(xí)啟發(fā)，用數(shù)據(jù)驅(qū)動模型取代傳統(tǒng)的數(shù)學(xué)模型進(jìn)行PET圖像重建。這些模型包括綜合詞典和稀疏變換等，從大量的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)圖像特征而完成建模[35,36]。另外，研究人員將圖像域后處理看作回歸問題，采用隨機(jī)森林算法從低質(zhì)量圖像預(yù)測高質(zhì)量圖像[37]。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子領(lǐng)域，具備強(qiáng)大的表征能力，提供了一個數(shù)據(jù)驅(qū)動的框架學(xué)習(xí)從輸入到輸出的映射關(guān)系。2016年，Zhu等[38]開創(chuàng)性地使用深度學(xué)習(xí)從k空間數(shù)據(jù)重建MR圖像。2018年起，深度學(xué)習(xí)被廣泛應(yīng)用于PET圖像重建和去噪后處理。

4.1 基于深度學(xué)習(xí)的PET圖像重建方法

如表1所示，基于深度學(xué)習(xí)的PET圖像重建算法主要分為兩類，第一類是端到端重建，利用神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)正弦圖數(shù)據(jù)到圖像域數(shù)據(jù)的映射；第二種是基于正則化的迭代重建，將神經(jīng)網(wǎng)絡(luò)集成到迭代重建框架中，用先驗信息或數(shù)據(jù)一致性約束重建過程。表2列出了近年來具有代表性的基于深度學(xué)習(xí)的PET圖像重建方法。

表2.基于深度學(xué)習(xí)的PET圖像重建方法

4.1.1端到端重建

神經(jīng)網(wǎng)絡(luò)端到端重建過程可概括為公式（6）、公式（7）。

其中，g?為高質(zhì)量的期望重建圖像。神經(jīng)網(wǎng)絡(luò)N學(xué)習(xí)s→g的最佳映射Θ，該方法僅通過單個步驟一次性獲取重建結(jié)果，相似于傳統(tǒng)FBP算法。該方法的優(yōu)勢在于不依賴于復(fù)雜的基于成像原理構(gòu)建的數(shù)學(xué)模型，直接由數(shù)據(jù)驅(qū)動，從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)正弦圖與PET圖像之間的非線性映射關(guān)系。

Zhu等[38]首次將深度學(xué)習(xí)應(yīng)用于PET圖像重建，提出由全連接層和卷積層構(gòu)成的AUTOMAP架構(gòu)。如圖3所示，其中第一個全連接層將復(fù)雜的正弦圖數(shù)據(jù)格式化為列向量，第二、三個全連接層學(xué)習(xí)正弦圖數(shù)據(jù)到圖像域數(shù)據(jù)之間的反投影映射，卷積層則用于去噪。相比于傳統(tǒng)方法，AUTOMAP重建的圖像偽影更少。受AUTOMAP啟發(fā)，研究人員提出各種個性化網(wǎng)絡(luò)結(jié)構(gòu)，如DeepPET，F(xiàn)BP-Net和DUG-RECON等[39-41]。其中，DeepPET的重建速度比OSEM和FBP分別快108倍和3倍，并且重建效果更好，F(xiàn)BP-Net由FBP模塊和去噪器組成，前者對粗重構(gòu)圖像歸一化，后者合并所有時間幀信息，泛化性能超過UNet和DeepPET。DUG-RECON是個多階段網(wǎng)絡(luò)，依次為去噪、重建和超分辨率，超分辨率能有效緩解重構(gòu)圖像的模糊問題。

圖3.AUTOMAP 中使用的神經(jīng)網(wǎng)絡(luò)模型

GAN是一種無監(jiān)督深度學(xué)習(xí)模型，通過自我博弈的方式準(zhǔn)確地學(xué)習(xí)真實數(shù)據(jù)的分布，對醫(yī)學(xué)圖像處理有很大啟發(fā)[42]。Liu等[43]使用條件GAN更魯棒、更準(zhǔn)確地重建PET圖像。Hu等[44]改進(jìn)WGAN，并用感知損失、均方誤差和Wasserstein距離作為聯(lián)合損失函數(shù)，有效解決傳統(tǒng)重建圖像中過度平滑和細(xì)節(jié)丟失的問題，同時降低了重建時間。Xue等[45]改進(jìn)cycle-GAN，學(xué)習(xí)低計數(shù)正弦圖到全計數(shù)PET圖像之間的映射，得到了更高的重建質(zhì)量。

現(xiàn)有端到端重建方法使用的深度學(xué)習(xí)模型結(jié)構(gòu)復(fù)雜，內(nèi)存利用率低，適合從正弦圖生成尺寸較小（如128×128）的2D圖像切片，一旦圖像尺寸增大或者用于3D圖像序列重建，將很難訓(xùn)練并用于推理。為了解決這個問題，Whiteley等[5]將正弦圖數(shù)據(jù)先解析為最可能湮滅位置直方圖數(shù)據(jù)（Histo-Img），與衰減圖一并作為輸入，使用改進(jìn)的UNet將其映射到高質(zhì)量PET圖像。對比OSEM，該方法將3D PET圖像重建速度提高了67倍，并且質(zhì)量高、噪聲低。Whiteley等[46]在后續(xù)的工作中進(jìn)一步提高重建速度，設(shè)計一種氡反演層（Radon Invension Layer）降低模型的內(nèi)存需求，快速地從全尺寸低計數(shù)數(shù)據(jù)中生成高質(zhì)量的PET圖像，對比OSEM+PSF和FBP方法，重建速度分別提高了7.2倍和4.9倍。

4.1.2 基于正則化的迭代重建

根據(jù)正則化方式的不同，基于正則化的迭代重建方法可分為基于生成和基于分析兩類。基于生成的方法用神經(jīng)網(wǎng)絡(luò)N從隱向量z中表征期望重建圖像g，并在迭代中估計z使網(wǎng)絡(luò)的輸出g與期望重建圖像g?一致。g可表示為公式（8）。

其中N一般是降噪或生成網(wǎng)絡(luò)，能為重建過程帶來先驗信息如患者間（inter-patient）信息和患者內(nèi)（intra-patient）信息。z代表噪聲圖像或者患者的先驗圖像如CT和MR圖像。此時，重建過程在公式（2）基礎(chǔ)上可修改為公式（9）。

Gong等[47]預(yù)訓(xùn)練一個從低質(zhì)量PET圖像恢復(fù)高質(zhì)量PET圖像的深度卷積網(wǎng)絡(luò)，并結(jié)合到傳統(tǒng)的MLEM迭代重建框架中，使得重建結(jié)果噪聲更少，細(xì)節(jié)更清晰。詳細(xì)結(jié)合方式如圖4所示，該方法中z初始為隨機(jī)噪聲圖像，Θ在迭代時固定。在Gong后續(xù)工作[48]中，受深度圖像先驗[49]的啟發(fā)，在沒有成對訓(xùn)練數(shù)據(jù)（低計數(shù)PET圖像-高計數(shù)PET圖像）的情況下，使用患者的MR圖像來重建PET圖像。此時z固定為MR圖像，迭代過程中對Θ進(jìn)行估計。Xie等[50]在Gong等[47]的基礎(chǔ)上用GAN作為N，進(jìn)一步提高了重建效果。Xie等[51]在后續(xù)工作中使用低計數(shù)的PET和CT圖像作為雙通道輸入z，高計數(shù)的PET圖像作為標(biāo)簽，預(yù)訓(xùn)練一個3D降噪卷積神經(jīng)網(wǎng)絡(luò)，并取得了更好的病變對比度-背景標(biāo)準(zhǔn)偏差權(quán)衡曲線。Lv等[52]依次用兩個預(yù)訓(xùn)練網(wǎng)絡(luò)表征待重建圖像，有效控制圖像噪聲和對比度。

圖4.基于正則化(生成)的迭代重建模型

基于分析的方法使用神經(jīng)網(wǎng)絡(luò)顯式地構(gòu)造正則項，約束網(wǎng)絡(luò)的輸出圖像與期望重建圖像一致，見公式（10）。

其中，N一般是預(yù)訓(xùn)練的去噪網(wǎng)絡(luò)或條件生成網(wǎng)絡(luò)，Θ在迭代中固定，N的輸入g也可以替換成隱向量z。Wang等[53]在最大后驗重建算法基礎(chǔ)上，利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造正則項，改善了重建結(jié)果的噪聲偏差平衡。Kim等[54]將局部線性擬合函數(shù)（LLF）與去噪卷積神經(jīng)網(wǎng)絡(luò)DnCNN結(jié)合構(gòu)造正則項，使得重建過程對輸入的噪聲水平差異魯棒。Xie等[55]預(yù)訓(xùn)練從低質(zhì)量PET圖像生高質(zhì)量MR圖像的3D卷積神經(jīng)網(wǎng)絡(luò)作為正則項，用解剖學(xué)先驗信息約束重建過程。結(jié)果表明，該方法能消除階梯偽影，重建圖像質(zhì)量優(yōu)異。

基于分析的方法相比基于生成的方法更加靈活，能夠利用懲罰系數(shù)β，調(diào)節(jié)正則項對偏差的懲罰力度和EM優(yōu)化的數(shù)據(jù)保真實度之間的權(quán)重。然而，β的確定依賴于經(jīng)驗，由調(diào)參確定，因此研究人員提出展開式迭代重構(gòu)算法，將迭代重建模型展開為多個連續(xù)的可訓(xùn)練的深度學(xué)習(xí)模塊，此時β變?yōu)榭捎?xùn)練參數(shù)，在降低正則項的訓(xùn)練難度同時加強(qiáng)數(shù)據(jù)一致性[56]。在公式（4）和（5）基礎(chǔ)上可得帶約束項的MLEM的梯度下降形式的更新公式，見公式（11）。

其中，α是更新步長，R?(g)表示R(g)的梯度。EMNet[57]將公式（13）重寫為公式（12）。

即用神經(jīng)網(wǎng)絡(luò)來代替R?(g)，Θ在迭代中訓(xùn)練，使得正則化可學(xué)習(xí)。如圖5所示，作者用UNet作為R?(g)，并將公式（13）打包成網(wǎng)絡(luò)層以減輕內(nèi)存使用量。

圖5.EMNet 的模型結(jié)構(gòu)

結(jié)果顯示，EMNet的性能優(yōu)于神經(jīng)網(wǎng)絡(luò)去噪和高斯去噪方法。此外，Bland等[58]將系統(tǒng)矩陣和投影算子的優(yōu)點和濾波器結(jié)合，提出一種展開的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對比MLEM算法重建速度提高了54.5%，并顯著提高圖像重建質(zhì)量，類似方法還有FBSEM和TransEM[59,60]。

4.2 基于深度學(xué)習(xí)的PET圖像去噪方法

基于深度學(xué)習(xí)的PET圖像去噪過程可概括為公式（14）、公式（15）。

這類方法通常以低質(zhì)量PET圖像gl和先驗信息prior為輸入，期望的高質(zhì)量PET圖像gh?為標(biāo)簽訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到最佳參數(shù)去預(yù)測高質(zhì)量PET圖像gh。gl一般是傳統(tǒng)重建方法的輸出。表3列出了近年來具有代表性的基于深度學(xué)習(xí)的PET圖像去噪方法。Ly等[61]和da Costa-Luis等[62]用卷積神經(jīng)網(wǎng)絡(luò)從低質(zhì)量PET圖像預(yù)測高質(zhì)量PET圖像。Yang等[63]在訓(xùn)練網(wǎng)絡(luò)時，使用由不同正則化參數(shù)重建的低質(zhì)量PET圖像作為輸入，顯著改善了重建圖像的病變對比度。Ladefoged等[64]以多個低劑量PET圖像切片為輸入，訓(xùn)練一種類似UNet的編解碼器殘差深度網(wǎng)絡(luò)，結(jié)果表明該網(wǎng)絡(luò)對噪聲更加魯棒。Ouyang等[65]同樣使用多切片輸入，使用條件GAN結(jié)合特定任務(wù)感知損失保持重建圖像中正確的病理特征?；贕AN的方法還有CycleWGANs[66]和PT-WGAN[67]。

表3.基于深度學(xué)習(xí)的PET圖像去噪方法

先驗信息能引導(dǎo)神經(jīng)網(wǎng)絡(luò)進(jìn)行更準(zhǔn)確的重建。Liu等[68]和Schramm等[69]以MRI T1加權(quán)圖像作為先驗信息，提高了重建準(zhǔn)確度。Chen等[70]以MRI T1加權(quán)、T2加權(quán)和T2 flair圖像作為先驗信息，其重建圖像的質(zhì)量與全劑量圖像相當(dāng)。另外，Chan等[71]用手動分割的病變掩模作為先驗信息，改善病變區(qū)域的對比度恢復(fù)效果。Li等[72]將局部相對噪聲水平作為先驗信息，促使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)高噪聲水平到低噪聲水平之間的映射。

正則化能約束去噪過程，減小圖像的平滑程度，如Kaplan等[73]提出用總變分正則約束均方誤差損失函數(shù)。此外，研究人員還提出基于深度圖像先驗的去噪模型，基于動態(tài)PET圖像和堆疊自編碼器的降噪方法和基于擴(kuò)張卷積的去噪網(wǎng)絡(luò)等[59,74,75]。

5.PET圖像增強(qiáng)算法挑戰(zhàn)賽

PET圖像增強(qiáng)技術(shù)是當(dāng)前PET成像領(lǐng)域的研究熱點，受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。

為了推動基于人工智能的PET圖像增強(qiáng)算法的創(chuàng)新與應(yīng)用，國際醫(yī)學(xué)影像領(lǐng)域頂會在2020年9月發(fā)起了首屆超低劑量PET成像挑戰(zhàn)賽，比賽目標(biāo)是從聯(lián)影醫(yī)療和西門子系統(tǒng)采集的低劑PET圖像恢復(fù)高質(zhì)量的標(biāo)準(zhǔn)劑量PET圖像。比賽吸引了全球知名高校和科研機(jī)構(gòu)的眾多團(tuán)隊前來參加，呈現(xiàn)諸多優(yōu)秀解決方案。圖6展示了某團(tuán)隊從低劑量（全劑量的1%～25%）PET圖像的恢復(fù)結(jié)果，其圖像質(zhì)量與全劑量PET圖像相當(dāng)，體現(xiàn)了人工智能技術(shù)在PET圖像增強(qiáng)領(lǐng)域的強(qiáng)大賦能。

圖6.低劑量PET 圖像恢復(fù)高劑量PET 圖像的效果

6.PET圖像增強(qiáng)軟件產(chǎn)品

縮短PET掃描時間可以減少圖像運動偽影，改善患者就診體驗，增加醫(yī)院吞吐量，同時也能提高服務(wù)提供者的盈利能力。目前，各知名醫(yī)療器械公司相繼投入到基于人工智能的PET圖像增強(qiáng)軟件產(chǎn)品的研發(fā)中。醫(yī)療軟件產(chǎn)品屬于醫(yī)療器械，其安全性和有效性與生命健康息息相關(guān)，因此世界各地都設(shè)立了嚴(yán)格的監(jiān)管制度。國際上對醫(yī)療器械注冊認(rèn)證的主流法規(guī)有歐盟的CE認(rèn)證、美國的FDA認(rèn)證。在國內(nèi)，根據(jù)中國國務(wù)院《醫(yī)療器械監(jiān)督管理條例》規(guī)定，任何企業(yè)希望在中國境內(nèi)生產(chǎn)、經(jīng)營、使用醫(yī)療器械都應(yīng)向相應(yīng)的藥品監(jiān)督管理部門進(jìn)行注冊。2022年3月9日，國家藥品監(jiān)督管理局（National Medical Products Administration，NMPA）醫(yī)療器械技術(shù)審評中心發(fā)布《人工智能醫(yī)療器械注冊審查指導(dǎo)原則》對人工智能醫(yī)療器械建立生存周期過程和規(guī)范注冊技術(shù)審評要求提供了權(quán)威指導(dǎo)。

表4列出了當(dāng)前已上市的PET圖像增強(qiáng)軟件產(chǎn)品，從技術(shù)方面來講，Hyper AiR在傳統(tǒng)迭代重建框架中加入神經(jīng)網(wǎng)絡(luò)作為正則項，以提高重建圖像質(zhì)量。Hyper DLR、SubtlePET和AiCE-i for PET則使用的是基于深度學(xué)習(xí)的PET圖像去噪方法。圖7展示了SubtlePET對超低劑量（全劑量的2%）PET圖像的增強(qiáng)效果。

表4.已上市的PET圖像增強(qiáng)軟件產(chǎn)品

圖7.SubtlePET 的圖像增強(qiáng)效果

7.人工智能的局限與挑戰(zhàn)

人工智能技術(shù)在PET圖像增強(qiáng)領(lǐng)域顯示出巨大潛力，但同樣面臨諸多局限與挑戰(zhàn)。①深度學(xué)習(xí)模型是數(shù)據(jù)驅(qū)動的，其性能很大程度上取決于數(shù)據(jù)集的規(guī)模和質(zhì)量。現(xiàn)有數(shù)據(jù)大多收集于各大醫(yī)院和影像中心，因PET設(shè)備的成像協(xié)議、質(zhì)控水平的差異，導(dǎo)致很難構(gòu)建一個標(biāo)準(zhǔn)化的數(shù)據(jù)集，不利于模型訓(xùn)練。此外，現(xiàn)有研究使用的PET圖像多來自正常掃描，在臨床應(yīng)用中，一旦輸入圖像中包含異常結(jié)構(gòu)，如骨折、漏針、金屬或運動偽影、創(chuàng)傷性腦損傷等，模型輸出結(jié)果將不可控，這對模型的魯棒性提出了更高要求。②深度學(xué)習(xí)是“黑盒”系統(tǒng)，研究人員無法通過有理論支持的公式對它進(jìn)行描述，可解釋性較差，這可能會給診斷過程帶來未知風(fēng)險，因此很難被臨床醫(yī)生接受。③目前基于人工智能的醫(yī)療影像輔助診斷軟件被列入了風(fēng)險較高的Ⅲ類醫(yī)療器械，其注冊審批和市場準(zhǔn)入的要求較高，導(dǎo)致能通過NMPA審批的產(chǎn)品很少。④可參考的人工智能醫(yī)療軟件的標(biāo)準(zhǔn)較少，急需建立系統(tǒng)性測試方法和指標(biāo)，建設(shè)統(tǒng)一的平臺推動安全認(rèn)證。

8.討論與小結(jié)

本文總結(jié)歸納了現(xiàn)有的PET圖像增強(qiáng)方法包括傳統(tǒng)方法、基于人工智能的方法，并分析其中存在的局限與挑戰(zhàn)。PET成像技術(shù)在癌癥的早期篩查、心臟、神經(jīng)系統(tǒng)疾病等方面占據(jù)重要地位。傳統(tǒng)PET成像受技術(shù)瓶頸和物理學(xué)限制，存在掃描時間長、易被噪聲干擾等問題。人工智能技術(shù)尤其是深度學(xué)習(xí)的發(fā)展促進(jìn)了PET成像技術(shù)的創(chuàng)新與變革，推動PET成像向低劑量、快速掃描發(fā)展。我國醫(yī)療資源有限，區(qū)域分布不平衡，且高質(zhì)量醫(yī)療資源占比較少，在此背景下，基于人工智能的新型醫(yī)療技術(shù)具有廣闊的市場空間。面對機(jī)遇與挑戰(zhàn)，中國國產(chǎn)企業(yè)在提升PET圖像質(zhì)量層面取得了重大進(jìn)展，在國際上處于領(lǐng)先地位。針對PET圖像質(zhì)量中國的科學(xué)家們和創(chuàng)新企業(yè)開發(fā)了多種基于人工智能算法研究和應(yīng)用，這些技術(shù)都為提高PET圖像的診斷價值提供了有力支持。

人工智能在PET圖像診斷中的應(yīng)用不僅能夠提高PET圖像的準(zhǔn)確性和可靠性，還可以減輕醫(yī)生的工作量，提高診斷效率和精度。展望未來，中國的人工智能技術(shù)在影像學(xué)、核醫(yī)學(xué)等領(lǐng)域?qū)⒓铀侔l(fā)展。通過將人工智能技術(shù)應(yīng)用于PET圖像診斷和治療，可以為患者提供更加個性化和精準(zhǔn)的醫(yī)療服務(wù)。同時也為醫(yī)生提供更加全面和準(zhǔn)確的醫(yī)學(xué)信息，加強(qiáng)醫(yī)生與患者之間的交流和信任。進(jìn)一步提高醫(yī)療質(zhì)量和效率。最終，這些技術(shù)的發(fā)展將為整個社會帶來更大的價值，推動醫(yī)療健康事業(yè)的發(fā)展。