AI深度学习在PET-CT图像重建与衰减校正中的最新进展

2025年至2026年，人工智能深度学习技术在PET-CT图像重建与衰减校正领域的应用取得多项重要进展。国内外研究团队和设备厂商相继发表了基于深度学习的图像重建算法和MR衰减校正方案，显著提升了PET-CT在低剂量条件下的图像质量，为精准定量分析和微小病灶检出提供了技术保障。

深度学习重建算法提升低剂量PET图像质量

传统PET图像重建算法（如OSEM）在低计数条件下容易产生噪声伪影，影响小病灶的检出和SUV定量的准确性。新一代基于深度学习的重建算法通过在大量高质量临床数据集上训练神经网络，学会了从低计数投影数据中恢复高信噪比图像。这种AI重建方法能够在降低注射剂量或缩短扫描时间的前提下，保持甚至提升图像质量。研究表明，在辐射剂量降低50%的条件下，AI重建图像的信噪比和对比度仍可达到甚至超过标准剂量传统重建的水平。这意味着患者可以在更低辐射暴露下获得同等质量的诊断信息，对于儿童、孕妇和需要多次复查的患者尤为重要。

深度学习解决PET-MR衰减校正难题

在一体化PET-MR系统中，由于MR无法直接提供电子密度信息，PET衰减校正一直是技术难题。传统方法基于MR图像分割和图谱配准来估算衰减图，但在骨组织和金属植入物区域常产生误差。2025年发表于《欧洲核医学与分子影像杂志》的研究显示，基于深度学习的MR衰减校正方法在平板插入体和一致患者体位条件下验证中表现出更高的准确性。该研究利用深度卷积神经网络从MR图像直接预测PET衰减图，显著改善了骨组织区域的衰减校正精度，使PET定量分析（特别是SUV值）更加可靠。

临床转化与实际应用价值

从临床转化角度看，AI赋能的PET-CT图像重建技术正在多个疾病领域展现实际价值。在肿瘤诊疗中，AI重建算法使得低剂量条件下的小病灶检出率显著提高——研究表明，在注射剂量降低50%的情况下，AI重建对直径小于1厘米的肺结节检出率仍保持与标准剂量相当的水平。在核素治疗疗效评估中，更精确的SUV定量有助于医师更早判断治疗反应，及时调整治疗方案。在神经影像领域，低剂量AI重建使得阿尔茨海默病等需要高质量脑PET图像的检查更加安全可及，特别是对需要多次复查的随访患者。多家设备厂商已将AI重建算法集成到最新PET-CT产品中，推动了这一技术从实验室向临床的快速转化。