深度学习增强数字BGO PET/CT系统在18F-FDG全身显像中的图像质量优化研究

编辑推荐：针对非TOF（Time-of-Flight）PET系统空间分辨率不足的问题，日本福岛医科大学与相泽医院团队联合研究了深度学习算法Precision DL（PDL）结合块序列正则化期望最大化（BSREM）在数字BGO PET/CT系统（Omni Legend 32）中的应用。研究发现，BSREM（β=500-600）联合中等强度PDL（MPDL）可显著提升病灶SUVmax（最高达27%）、信噪比（SNR）及图像质量，为肿瘤诊断提供更优方案。

　　在肿瘤诊断领域，¹⁸F-氟代脱氧葡萄糖（¹⁸F-FDG）PET/CT显像技术虽广泛应用，但传统非时间飞行（non-TOF）系统因空间分辨率限制，易受部分容积效应（PVE）影响，导致小病灶检出困难。尤其对于BGO（锗酸铋）晶体PET系统，虽灵敏度高，却无法获取TOF信息，量化准确性面临挑战。为此，GE Healthcare开发的Omni Legend 32系统创新性引入深度学习算法Precision DL（PDL），试图通过模拟TOF特性弥补硬件缺陷。

日本福岛医科大学联合相泽医院的研究团队通过体模实验和30例临床病例分析，系统评估了PDL联合改进版块序列正则化期望最大化（BSREM）算法的性能。研究采用NEMA IEC体模模拟临床场景，对比有序子集期望最大化（OSEM+PSF）与不同β值（100-1000）的BSREM结合低/中/高强度PDL（LPDL/MPDL/HPDL）的重建效果，量化对比恢复率、背景变异性和信噪比（CNR）。临床数据则通过肝脏噪声、病灶最大标准化摄取值（SUV_max）及视觉评分等指标综合评判。

关键技术包括：1）数字BGO PET/CT系统（Omni Legend 32）的384×384矩阵数据采集；2）BSREM算法结合PDL模型的图像重建；3）NEMA体模的对比噪声比（CNR）分析；4）临床病例的肝脏与病灶ROI（感兴趣区域）定量评估；5）双盲视觉评分验证图像质量。

NEMA体模研究显示，PDL强度增加（LPDL→HPDL）可提升CNR，但高β值（>600）会导致过度平滑。BSREM+HPDL在β=300时CNR最优，60秒/床位扫描即可达到90秒的BSREM图像质量，但大球体边缘出现低估伪影，可能与点扩散函数（PSF）校正相关。

临床数据分析表明，BSREM+MPDL（β=500-600）在噪声控制与病灶检出间取得最佳平衡：相比OSEM+PSF，SUV_max提升18%，信噪比（SNR）提高31%，信号背景比（SBR）增加20%。视觉评分中，该组合在整体质量、对比度和病灶检出率上均获最高分，尤其改善了对呼吸运动伪影的抑制。

结论与意义：BSREM+PDL的组合显著提升了非TOF系统的性能，其通过深度学习模拟TOF特性，使BGO PET/CT在保持高灵敏度同时，获得接近TOF系统的量化精度与图像质量。推荐临床采用BSREM（β=500-600）联合MPDL的方案，为肺癌、结直肠癌等疾病的精准分期提供新工具。该研究发表于《EJNMMI Physics》，为深度学习在医学影像领域的应用提供了重要范例。