PET/CT 是 PET 與 CT 系統(tǒng)完美融為一體的核醫(yī)學設備，由 PET 提供病灶詳盡的功能與代謝等分子信息，而 CT 提供病灶的精確解剖定位，一次顯像可獲得全身各方位的斷層圖像。相比于獨立的 PET 和 CT，PET/CT 可以顯著提高診斷的靈敏度、準確性，特異性及定位精確等特點，可一目了然的了解全身整體狀況，達到早期發(fā)現病灶和診斷疾病的目的，臨床上主要應用于腫瘤、腦和心臟等領域重大疾病的早期發(fā)現和診斷。
2018 年發(fā)布的全球癌癥年報大數據，全球預計有 1810 萬癌癥新發(fā)病例和 960 萬癌癥死亡病例。在我國每 65 個人當中就有 1 名癌癥患者，居死亡原因之首。據世界衛(wèi)生組織統(tǒng)計，目前各種治療方法對腫瘤的治愈率和生存率都不太能讓人滿意，主因是診斷太遲、分期不準確、治療不徹底。由于 PET/CT 能夠觀察體內細胞代謝的改變，故可以在結構形態(tài)改變之前明確腫瘤原發(fā)灶的性質（良惡性腫瘤的鑒別，腫瘤的分期、分級），有否全身轉移病灶存在（全身情況的評估），療效如何（在放療后數天，甚至數小時就可以觀察到腫瘤的治療效果，以及時調整治療方案，對治療不徹底的病灶進行根治）等。除此之外，PET/CT在腦癲癇病灶手術前定位、腫瘤治療后放射性壞死與復發(fā)的鑒別、腦腫瘤惡性程度分級以及神經疾病等方面具有獨特優(yōu)勢。
▲2018年男女10大常見癌癥的病例和死亡分布情況
但PET/CT掃描帶來的輻射往往使人“談虎色變”。一次PET/CT全身檢查攝入的輻射量大約為7.5mSv。這是什么概念呢？人在自然界中，每年大約會受到2.4mSv的天然輻射，因此PET/CT檢查的劑量不可忽視。針對 PET/CT 掃描中 CT 和注射的PET放射性藥物帶來的射線和射線的輻射劑量問題，世界衛(wèi)生組織、國際放射委員會以及國際醫(yī)學物理組織制訂了醫(yī)療照射質量保證和劑量控制標準，并極力主張 射線照射應當遵循實踐正當性、防護最優(yōu)化的 ALARA（As Low As Reasonably Achievable）原則，期望以最小的射線和射線輻射劑量獲得最佳的診斷影像，同時進一步降低 PET/CT 的檢查費用和減少掃描時間。
然而，減少注射的放射性示蹤劑會放大泊松噪聲，從而影響PET的圖像質量、病變檢測性和定量準確性。在低劑量成像中，許多關鍵信息將被淹沒在增加的噪聲水平下，通過重新設計/優(yōu)化低劑量掃描的重建算法，以達到噪聲水平和信號收斂之間的最佳權衡。為了解決上述挑戰(zhàn)，人們提出了很多算法和技術，主要可以分為傳統(tǒng)算法和深度學習算法。其中，傳統(tǒng)算法主要包括重建后處理/過濾算法、解剖學指導算法、迭代重建過程中的統(tǒng)計建模，以及MRI指導下的噪聲去除和部分容積效應校正等。雖然這些方法試圖將噪聲和定量誤差降到最低，但仍存在空間分辨率損失和過度平滑的問題。
深度學習算法在解決復雜的逆向問題方面具有公認的能力，例如從投影中進行圖像重建。使用深度學習技術對CT、PET和SPECT進行圖像重建的過程有著大致相同的方法，目前主要有四種策略：第一種方法為圖像-to-圖像的學習過程，即在圖像空間中進行圖像到圖像的轉換，訓練一個網絡模型將重建后的圖像通過去噪、超分辨率建模等方式提高圖像質量。第二種方法為正弦圖-to-正弦圖的學習過程，即在投影域中訓練深度學習模型，提高正弦圖的圖像質量，以避免對重建算法的敏感性和依賴性。第三種方法為正弦圖-to-圖像的學習過程，即通過網絡模型學習投影域和圖像域之間的非線性映射關系，完全去除傳統(tǒng)的重建算法，一步產生圖像。第四種方法可稱為混合域學習，通過將重建算法與深度學習的融合，同時在投影域和圖像域來進行網絡模型的訓練，實現圖像重建問題的最優(yōu)解。
如何在降低輻射的同時，進一步提升醫(yī)學影像的質量，是患者和醫(yī)生共同關心的問題，這也正是明峰醫(yī)療著力攻克的技術難題。明峰醫(yī)療從2018年開始在新型低劑量PET成像算法研究方面進行了大量投入。在明峰研發(fā)團隊的努力下，先后迭代了三代產品，實現了快速、高清的低劑量PET成像。我們希望能帶來低成本、短時長、高質量的PET影像，致力于幫助更廣大的患者群體，讓醫(yī)院和第三方影像中心可以更加迅速地完成PET掃描，服務更多的患者。
▲明峰醫(yī)療全數字化高超端PET/CT ScintCare PET/CT 750T
當前工業(yè)界一般使用的是圖像域低劑量PET成像算法，即在PET/CT設備輸出圖像之后，通過圖像后處理提升圖像質量。由于低劑量PET圖像中存在的較大的噪聲，這些噪聲掩蓋了PET圖像中的諸多細微結構，這種技術路線通常會導致圖像偽影，定量誤差以及細微結構丟失等問題。傳統(tǒng)PET成像在重建的過程中已經損失了很多信息，后期僅對圖像的處理是極難恢復丟失的信息的，最終圖像質量也很難提升。為了從源頭上解決圖像質量問題，明峰醫(yī)療和之江實驗室創(chuàng)新地研發(fā)了基于PET原始數據和重建圖像的深度學習算法（第四類混合域學習）。該算法將AI深度嵌入到PET圖像重建過程中，利用深度學習來挖掘原始數據中的信息。通過結合PET重建的物理模型，將處理對象直接推進至影像設備內部的原始數據，并輔助重建算法來提高重建圖像質量，大大減少了有效信息的丟失，從而獲取更清晰的PET圖像和更強的小病灶檢測能力。
在明峰醫(yī)療和之江實驗室的共同努力下，這套自主研發(fā)的算法能夠直接賦能影像設備，形成軟硬件一體化系統(tǒng)。臨床評估顯示，明峰醫(yī)療研發(fā)的超低劑量PET重建技術，能夠在減少身體掃描50%輻射劑量、頭部掃描70%輻射劑量的情況下，實現信噪比、分辨率、定量精度的多目標優(yōu)化。
超低劑量PET成像展示
病例信息：
▲左：50%低劑量圖像，右：新型AI重建圖像
上圖中，新型AI重建圖像的噪聲水平大大低于傳統(tǒng)低劑量重建結果（約為原來的50%），圖像信噪比顯著提升。
▲左：30%劑量重建圖像 中：新型AI重建圖像 右：全劑量圖像
上圖中，30%劑量下重建圖像噪聲水平非常高，圖中部分細微結構丟失(右圖中，如紅色箭頭所示，全劑量圖像下顯現的結構在低劑量圖像中缺失)，新型AI重建算法不僅在噪聲上優(yōu)于低劑量圖像，另外由于充分利用原始數據，成功恢復出丟失的結構，展現出巨大的優(yōu)勢。
