Anatomical and Physical Supervision for CT-less PET Attenuation Correction: BIC-MAC 2026 Challenge
本文提交给 BIC-MAC 2026 挑战赛，其通过在预训练的 nnU-Net 框架内结合基于冻结的 TotalSegmentator 提取器的解剖监督以及通过可微衰减投影损失实现的物理监督，增强了无 CT PET 衰减校正。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医学影像领域，一种被称为 PET 扫描仪的机器就像一台高度灵敏的照相机，捕捉人体内微小的放射性示踪剂移动时发出的光芒，从而揭示器官是如何运作的。为了将这些闪烁的信号转化为清晰、准确的地图，计算机需要确切地知道人体的组织在信号传输过程中会阻挡或削弱多少光线。传统上，医生会使用一种快速的 X 射线扫描（称为 CT）来创建人体密度的详细地图，然后计算机利用该地图来修正 PET 图像。然而，在患者已经接受高剂量辐射的情况下，或者当扫描仪是结合了 PET 和 MRI 但不具备 X 射线组件的组合机型时，进行额外的 X 射线扫描要么是不可能的，要么是不理想的。这创造了一个难题：如何在不让患者接受更多辐射或在使用不存在的机器的情况下，获取必要的修正数据？
长期以来，研究人员一直试图通过教计算机根据机器已经可以拍摄的图像（例如 MRI 扫描）来“想象”缺失的 X 射线图谱来解决这个问题。这个过程被称为合成“伪 CT”，即一张足以让计算机完成工作的、足够好的“假” X 射线地图。来自雅典国家技术大学的一个团队通过改进计算机学习缺失地图图谱的方式，解决了这一挑战。他们不再仅仅是尝试让生成的假图像看起来像真实的图像，而是教计算机理解人体阻挡辐射的实际物理过程，从而确保最终的医学图像不仅在视觉上具有说服力，而且在诊断上具有科学准确性。
该团队将他们的工作提交到了名为 BIC-MAC 2026 的全球竞赛中，该竞赛测试了利用 MRI、一种特殊类型的 PET 扫描以及一种被称为顶图（topogram）的 2D 投影图像来创建这些伪 CT 地图的方法。他们的方法依赖于一个标准且稳健的计算机架构，该架构已经过大规模 MRI 到 CT 转换数据集的训练。他们并没有重新设计整个“计算机大脑”，而是专注于如何引导其学习过程。他们在训练过程中引入了两种截然不同的监督机制。第一种是解剖学监督，即向计算机展示一个能够识别特定身体部位（如头骨、器官和软组织）的指南。这有助于计算机专注于最重要的结构，确保它对头骨（这对于准确的大脑成像至关重要）以及不同组织之间的边界给予额外的关注。
第二种，也是最具创新性的层面，是物理监督。在这里，研究人员不仅仅要求计算机匹配像素颜色，还要求它证明其生成的地图能在现实世界中发挥作用。他们将计算机生成的地图投入到一个模拟辐射从多个角度穿过人体的数学模拟中。如果该模拟的结果与真实患者的预期行为不符，计算机就会受到惩罚。这迫使模型去学习实际的衰减物理规则——即人体阻挡信号的程度——而不是仅仅记住图像应该看起来是什么样子。通过将这些解剖学指南与物理定律相结合，该团队创建了一个能够生成既在结构上合理又在物理上一致的伪 CT 地图的系统。
该方法的成果通过一组真实的患者数据进行了测试，以观察生成的地图在实际应用中的表现如何。计算机生成的地图其密度值与真实的 X 射线扫描极其接近，平均误差非常小。更重要的是，当使用这些地图来重建最终的 PET 图像时，人体吸收示踪剂的测量值具有高度的准确性。研究发现，该方法在脑部区域的表现尤为出色，因为在这一区域，即使头骨图谱出现微小的误差，也可能导致严重的诊断错误。团队报告称，大脑成像的误差率非常低，这表明他们的方法成功捕捉到了头骨的复杂细节，而无需真实的 X 射线。
这项工作表明，解决 X 射线缺失问题的最佳途径不仅是制作更好的图像，而是教计算机理解人体潜在的物理学。通过将对解剖学的深度理解与对物理定律的严格遵循相结合，研究人员证明了创建可靠、无辐射修正的 PET 扫描是可能的。虽然针对隐藏数据集的最终测试仍在进行中，但目前的测试结果表明，这种方法提供了一条简单、可重复且高效的路径，使医生能够在无需额外辐射暴露的情况下获得精确的诊断信息。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。