基于深度学习的PET图像重建研究综述.docVIP

基于深度学习的PET图像重建研究综述

正电子发射断层成像（PositronEmissionTomography,PET）作为一种无创的分子影像技术，能够通过探测放射性示踪剂在生物体内的分布，从分子层面反映组织的代谢、功能状态，在肿瘤早期诊断、神经系统疾病研究、心血管疾病评估等临床场景中发挥着不可替代的作用。传统PET图像重建流程依赖滤波反投影、迭代重建等算法，往往需要较高的放射性药物剂量和较长的扫描时间才能获得满足临床诊断需求的图像质量，这不仅增加了受检者的辐射暴露风险，也限制了PET在动态成像、床旁快速诊断等场景中的应用。近年来，深度学习技术的快速发展为PET图像重建带来了全新的技术路径，各类基于神经网络的重建方法在降低辐射剂量、缩短扫描时间、抑制图像噪声、提升微小病灶检出率等方面展现出了显著优势，正在推动PET成像技术进入新的发展阶段。

一、深度学习在PET图像重建中的核心技术框架

当前基于深度学习的PET图像重建方法主要可分为数据域预处理、后处理重建以及端到端重建三大类技术框架，不同框架针对PET成像的不同环节实现算法优化，各有其适用场景和技术优势。

数据域预处理类方法聚焦于PET原始数据（正弦图）的噪声抑制与信息补全。在低剂量PET扫描中，由于光子计数不足，正弦图会存在大量泊松噪声和统计波动，直接重建后会导致图像出现严重的伪影和细节丢失。针对这一问题，卷积神经网络（C