European Radiology：通过深度学习实现全剂量脑PET容量的定量评估

现阶段，正电子发射断层扫描（PET）广泛应用于临床诊断、治疗评估和预后预测。高质量的PET图像通常伴随着相对高剂量的放射性示踪剂，这引起了人们对辐射暴露风险的担忧。为了将辐射风险降到最低，一种策略是减少注射剂量。然而，这将导致低质量的PET图像，这可能会降低诊断效率。因此，研究如何从低剂量（LD）数据中恢复全剂量（FD） PET图像，在保证图像质量的同时将辐射风险降至最低，具有重要的临床意义。

近年来，卷积神经网络（CNN）在从LD数据中恢复FD PET图像方面显示出了巨大的潜力。最近，生成式对抗网络（GAN）通过使用判别器网络进行对抗训练，展示了保留高频结构细节的能力。有学者提出了使用条件生成对抗网络（C-Gan）从LD数据中恢复FD PET图像，并验证了C-Gan的性能优于基于cnn的方法。也有学者提出使用C-Gan对LD数据中的FD PET图像进行交叉扫描和交叉示踪恢复。然而，这些方法只侧重于恢复二维轴向图像，而忽略了PET体积的三维特征。当沿着矢状面和冠状面切片观察时，由恢复的轴向切片堆叠的3D PET体积会丢失细节。

高质量的3D PET体积对于准确诊断非常重要。据观察，从不同的图像方向检查病变可以提高诊断的可靠性。然而，3D PET体积恢复的3D方法的发展并非没有挑战。具体来说，体积数据很大，需要大量的GPU（图形处理单元）内存来训练DL模型，有时超出了硬件资源的可用性。因此，与2D模型相比，3D DL模型的深度或输入样本大小必须协调一致。

最近，发表在European Radiology 上的一篇文章提出了一种深度学习（DL）方法来减少PET研究的放射性示踪剂剂量，同时保证了诊断质量。

本项研究对456名参与者进行了回顾性研究，分别使用三种不同的PET扫描仪和两种不同的示踪剂进行扫描。研究提出了一种空间感知降噪网络（SANR）从LD数据中恢复三维全剂量PET体积的DL方法。将SANR的性能与以常规FD PET体积为参考的2D DL方法进行比较。采用Wilcoxon符号秩检验比较不同深度去噪方法的图像质量指标。为了进行临床评估，由两位核医学医生使用5分评分方案（5 =优秀）检查了恢复的FD PET体积，并给出了诊断质量评估的二元决定（阴性或阳性）。

在图像质量指标方面，SANR与2D DL方法比较差异有统计学意义（p < 0.05）。对于临床评价，SANR的病变检测准确率为95.3% (95% CI: 90.1%, 100%)，而参考全剂量PET体积的病变检测准确率为98.4% （95% CI: 95.4%, 100%）。在阿尔茨海默病的诊断中，参考FD PET体积和通过SANR恢复的FD PET体积具有相同的准确性。

表 剂量减少因子（DRF）为20时摄取状态读数的准确性、灵敏度和特异性

本项研究表明，与参考FD PET相比，该方法降噪后的LD PET显着降低了示踪剂剂量，在脑病变检测和阿尔茨海默病诊断中具有良好的诊断效果。

原始出处：

Rui Guo,Jiale Wang,Ying Miao,et al.3D full-dose brain-PET volume recovery from low-dose data through deep learning: quantitative assessment and clinical evaluation.DOI:10.1007/s00330-024-11225-1