⚡ 电气工程

Quantitative comparison of CT-free attenuation correction frameworks of PET imaging in LAFOV PET/CT systems

本研究对六种针对长轴视野（LAFOV）PET/CT系统的无CT衰减校正框架进行了统一的、不依赖于CT的评估，结果表明，结合了深度学习生成的衰减图与多线谱加法校正（MLACF）增强的混合方法实现了最高的定量准确度，同时也强调了外部低衰减物体对PET定量分析的显著影响。

原作者： Konstantinos D. Vrakidis, Maqsood M. Yaqub, Mohammadreza Teimoorisichani, Charlotte L.C. Smith, Marijke E. den Hollander, Catharina W. Menke-van der Houven van Oordt, Idris Bahce, Josee M. Zijlstra, G

发布于 2026-10-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Konstantinos D. Vrakidis, Maqsood M. Yaqub, Mohammadreza Teimoorisichani, Charlotte L.C. Smith, Marijke E. den Hollander, Catharina W. Menke-van der Houven van Oordt, Idris Bahce, Josee M. Zijlstra, Gerben J.C. Zwezerijnen, Ronald Boellaard

原始论文采用 CC BY 4.0 许可（https://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，医生经常使用一种被称为正电子发射断层扫描（PET）的技术，来观察人体在细胞层面的功能。为了实现这一目标，患者会被注射少量的放射性示踪剂，这种示踪剂会使高活跃区域（如肿瘤）“亮起来”。然而，当这些信号穿过身体并被探测到时，它们会被骨骼、肌肉和脂肪等组织削弱或吸收。为了创建准确的图像，计算机需要精确了解身体阻挡了多少这些信号。传统上，这通过在进行 PET 扫描前进行一次快速的 X 射线扫描（称为计算机断层扫描，或 CT 扫描）来完成。CT 扫描提供了人体的密度图，使计算机能够对 PET 图像进行校正。

虽然低剂量 CT 扫描产生的辐射通常被认为是安全的，但这仍然是增加患者总暴露量的额外辐射剂量。随着新一代 PET 扫描仪的出现，这个问题变得更加显著，因为这些扫描仪非常灵敏，可以使用比以前少得多的放射性示踪剂来产生高质量图像。由于 PET 部分的检查现在已经变得如此温和，曾经作为次要辐射来源的 CT 部分，现在实际上可能成为最大的暴露源。这导致研究人员提出了一个关键问题：是否可能在完全不使用 CT 扫描的情况下创建准确的 PET 图像？如果可以，他们就能完全消除额外的辐射，从而使这些扫描对儿童、孕妇以及需要频繁监测的人群更加安全。

来自阿姆斯特丹大学医学中心（Amsterdam UMC）的一个研究小组与西门子医疗（Siemens Healthineers）的同事合作，通过测试几种不同的“无 CT”图像创建方法来试图回答这个问题。他们专注于一种具有极长视野的新型扫描仪，这种扫描仪允许进行上述超低剂量的成像。研究人员希望能够用其他东西来替代 CT 扫描的密度图。他们测试了两种主要方法。第一种是基于物理的方法，它利用扫描仪自身的内部背景辐射来构建人体图谱。第二种是人工智能方法，它使用计算机程序仅根据未经过校正的 PET 图像来推测身体密度。他们还测试了混合版本，将这些推测与先进的数学算法相结合以优化结果。

为了确保测试的公平性，该团队使用了十二名接受过标准 PET 扫描的真实患者的数据。他们没有挑选最好的病例；他们直接使用了原始数据，包括患者可能产生的任何移动或携带的任何金属植入物。他们将六种不同 CT 式无 CT 方法生成的图像与以标准 CT 图像作为参考的图像进行了对比。目标是观察新方法在图像亮度（特别是健康器官和癌症病灶中）方面与传统方法相比的准确度。

结果显示，人工智能方法明显优于单独的基于物理的方法。AI 生成的图像与标准的基于 CT 的图像非常接近，亮度差异很小。然而，AI 方法有一个特定的弱点：它有时会遗漏一些细节，例如金属植入物或体内的气腔，因为它必须通过图像进行推测。当研究人员将 AI 方法与数学优化算法结合时，结果得到了进一步提升。这种混合方法成功地校正了许多小错误，例如缺失的金属或气腔，并产生了所有测试方法中最准确的图像。

尽管取得了这些成功，但该研究发现了一个影响所有 CT 式无 CT 方法的问题：身体外部物体的存在。患者在扫描期间佩戴或躺着的枕头、毯子或衣服等物品，不会出现在 PET 图像中，因为它们不含有放射性示踪剂。在标准的 CT 扫描中，这些物体清晰可见，其影响也会得到校正。而在 CT 式无 CT 方法中，计算机根本不知道它们的存在。研究人员发现，忽略这些物品会导致最终图像的亮度出现持续性的低估，误差平均约为 6%。这表明，虽然这项技术在绘制人体图谱方面已经做得非常好，但在处理患者周围的环境方面仍面临挑战。

研究还强调了时间的重要性。在某些扫描中，CT 扫描和 PET 扫描之间的时间间隔较长，这导致患者可能会发生轻微移动。这种移动导致标准的基于 CT 的图像与 PET 数据出现轻微错位，从而在参考图像本身中产生了误差。而 CT 式无 CT 方法由于是仅根据 PET 数据生成的，因此能与患者的位置保持完美对齐。在这些情况下，CT 式无 CT 图像实际上比受到运动干扰而变形的标准方法更符合患者真实的解剖结构。这表明，对于无法保持完全静止的患者，CT 式无 CT 方法可能会提供更可靠的图像，即使这项技术尚不完美。

最终，研究表明，一种利用人工智能推测人体密度并随后用基于物理的数学进行优化的混合系统，是 CT 式无 CT 成像最具有前景的路径。它提供了最高的准确度，并为消除 CT 扫描带来的额外辐射剂量提供了最佳机会。然而，研究人员强调，要使这项技术能够广泛应用于临床，未来的发展必须找到一种能够准确计算外部物体（如衣物和枕头）的方法。在这些物体得到正确处理之前，它们仍会为诊断引入微小但可衡量的误差。这项工作证明，虽然实现完全无辐射 PET 扫描的梦想已近在咫尺，但最后一步仍需解决患者定位及检查时穿着等实际操作细节。

技术摘要：长轴场视角 (LAFOV) PET/CT 中无 CT 衰减校正框架的定量比较

问题陈述
长轴场视角 (LAFOV) PET/CT 系统（如 Biograph Vision Quadra）的出现，使得在显著降低注射放射性示踪剂活性的情况下实现诊断级成像成为可能。虽然这减轻了 PET 组件带来的辐射负担，但也增加了 CT 组件在总患者辐射剂量中的相对贡献。此外，基于 CT 的衰减校正 (AC) 不仅是电离辐射的来源，还容易受到运动失配、金属伪影和光子饥饿导致的定量误差的影响。因此，对“无 CT”PET 框架的研究兴趣日益增加。然而，现有文献缺乏对这些框架的统一且直接的比较。以往的研究通常在评估方法上存在差异，例如使用特定扫描的 CT 数据进行病床定位或通过图像配准来纠正错位，这使得难以评估真实的“无 CT”性能表现。此外，患者体外低衰减物体（LAOs，如固定设备、衣物）对定量结果的影响在现有研究中经常被忽视。

方法论
本研究在 Biograph Vision Quadra LAFOV PET/CT 系统上，针对六种不同的无 CT 衰减校正框架，与基于 CT 的参考标准进行了头对头、统一且独立于 CT 的评估。

数据： 研究利用了一个回顾性数据集，包含 12 例接受了标准临床方案和特定透射扫描的肿瘤患者。数据集包含两种方案：短间隔方案（低剂量 CT 后紧接 8 分钟静态 PET）和长间隔方案（低剂量 CT 后进行 70 分钟动态 PET，以及 5 分钟 LSO-Tx 扫描）。另外一个由 114 名患者组成的队列专门用于训练 AI 组件。
调查的框架： 六种无 CT 方法被分为两大类，每类均通过联合重建算法进行增强：
1. 基于物理的方法 (LSO-Tx)： 利用镥氧化硅 (LSO) 晶体固有的背景辐射生成透射图 ( $\mu_{LSO-Tx}$ )。这些图随后使用最大似然活动与衰减 (MLAA) 或最大似然活动与衰减校正因子 (MLACF) 算法进行处理。
2. 数据驱动的方法 (AI/CNN)： 使用 3D 注意力门控 U-Net 直接从非衰减校正 (NAC) 的 PET 图像中合成衰减图 ( $\mu_{CNN}$ )。这些图同样通过 MLAA 和 MLACF 算法进行增强。
3. 参考标准： 使用通过最大似然透射重建 (MLTR) 处理的低剂量 CT (LD-CT) 构建的标准 CT 框架。
评估指标： 通过从感兴趣体积 (VOI) 中的健康组织和病灶中提取标准化摄取值均值 ( $SUV_{mean}$ ) 来评估性能。指标包括偏差（均值/中位数差异）、方差（标准差）、平方和根 (RSS)（用于结合偏差和离散度）、变异系数 (CV) 以及对比度噪声比 (CNR)。
特定调查： 研究通过手动将 CT 基础的衰减值插入到外部物体中，以量化由于这些物体缺失而引入的偏差，从而明确调查了 LAO 的影响。

核心贡献

统一比较： 本研究提供了一个罕见的直接比较，即使用完全相同的患者数据集和严格独立的 CT 流程，对基于物理的 (LSO-Tx)、数据驱动的 (CNN) 以及混合型 (AI + MLAA/MLACF) 框架进行比较。
LAO 影响的量化： 研究明确量化了低衰减物体（如枕头、衣物）在无 CT 框架中引入的显著定量偏差，这是以往文献中经常被忽视的一个因素。
混合框架验证： 研究证明，将基于深度学习的 $\mu$ 图合成与基于物理的 MLACF 增强相结合，可以获得比单一方法更高的定量准确度。
运动敏感性分析： 研究强调了 CT 与 PET 获取之间较长的时间间隔（常见于动态方案）如何加剧 CT 参考标准的失配问题，而 CT-free 方法能与 PET 发射数据保持空间对齐。

结果

定量准确度： 基于 CNN 的框架展现出比基于 LSO-Tx 框架显著更低的 $SUV_{mean}$ $S U V_{m e an}$ 偏差。
- 独立 CNN： -9±7% 偏差（均值 ± 标准差）。
- CNN + MLAA： -12±13% 偏差（均值 ± 标准差）。
- CNN + MLACF： -1.6±10.2% 偏差（均值 ± 标准差）。
- LSO-Tx 独立： 29±29% 偏差（均值 ± 标准差）。
- LSO-Tx + MLAA： 26±100% 偏差（均值 ± 标准差）。
- LSO-Tx + MLACF： 15±15% 偏差（均值 ± 标准差）。
混合性能： 混合框架 (CNN + MLACF) 在所有 VOI 中均实现了与 CT 参考标准最高的一致性，中位数差异为 -2.6% (-7.3%, 3.4%)。
伪影校正： 虽然独立的 CNN 图往往会遗漏内部气腔和金属植入物，但加入 MLACF 可以部分校正这些局部不准确之处。相反，LSO-Tx 方法显示出在高摄取区域（如膀胱、大脑）存在 $\mu$ 值高估和交叉干扰伪影，虽然 MLACF 部分缓解了这些问题，但未能完全消除。
低衰减物体 (LAOs)： 无 CT $\mu$ 图中 LAO 的缺失导致 $SUV_{mean}$ 中位数低估了约 5.9% (3.5%, 8.3%)。当手动插入这些物体的 CT 基础值时，偏差显著降低（例如，对于 CNN 框架中的病灶，偏差降至 -3.8%）。
运动与对齐： 在长间隔队列中，70% 的扫描显示出明显的 PET-CT 失配。CT-free 框架保持了与 PET 数据的对齐，而 CT 参考标准则受到配准误差的影响，这表明尽管存在参考偏差，但 CT-free 方法在动态或长间隔场景下可能更具鲁棒性。

意义与结论
作者得出结论，在所研究的框架中，结合了基于 NAC-PET 的深度学习与 MLACF 增强的混合方法，在 LAFOV PET 成像中实现了最高的定量准确度。研究强调，虽然基于物理的增强可以校正宏观 $\mu$ 图误差（如缺失的金属或空气），但当前 CT-free 框架最关键的局限在于未能处理患者体外的低衰减物体。论文断言，未来对 CT-free PET 框架的开发和评估必须明确解决并处理这些外部物体，以避免产生实质性的定量偏差。此外，研究表明，发射单项法 (emission-only) 具有内在的空间对齐优势，在涉及显著患者运动或长采集间隔的场景中，其表现可能优于 CT 方法，前提是解决了外部物体的问题。

技术摘要：长轴场视角 (LAFOV) PET/CT 中无 CT 衰减校正框架的定量比较

类似论文