AI进入PET影像工作流：重建、衰减校正与病灶检出进展

人工智能在医学影像中的角色，已从论文里的算法变成检查流程中的工具。在PET与PET-MR领域，深度学习的落点比想象中更具体，它带来的改变往往先体现在一次检查的成像质量上。

深度学习正在做哪些事

深度学习在医学影像中的应用覆盖去噪、降低辐射剂量、PET图像重建、工作流优化，以及图像分析、计算机辅助诊断与报告生成。在一体化PET-MR平台中，结构与功能影像同步获取，为深度学习提供了多模态数据基础，使算法能够在图像重建、定量优化和诊断建模等环节同时发挥作用。可以说，深度学习最先改变的不是诊断结论，而是成像质量与流程效率。人工智能参与去噪与重建，能在缩短采集时间的同时保留病灶信号，这对需要控制辐射剂量或提高日检查量的核医学科都有实际意义。

衰减校正：深度学习解决PET的老问题

PET/MR的衰减校正一直是定量准确性的难点：MRI信号与真实衰减特性之间缺少直接对应关系，骨组织区域容易出现误差。上海交通大学医学院附属瑞金医院李彪教授团队的研究引入放疗平床板，使PET/CT与PET/MR的检查体位保持一致，并以同一受检者的PET/CT数据作为参考，建立由MRI生成合成CT的深度学习流程，同时生成连续μ图。结果显示，该深度学习方法在全身、器官与病灶多个层面都表现出更好的定量准确性，在脊柱、股骨等区域明显减少了传统方法导致的SUV偏低问题。

由PET生成解剖信息，以及一个绕不开的前提

中国科学院深圳先进技术研究院胡战利教授团队与河南省人民医院王梅云教授团队则尝试用双重交叉注意力机制的深度学习模型，从PET代谢信息中生成具有结构细节的MRI图像，在峰值信噪比、结构相似性等指标上优于多个对比模型，为PET图像重建与跨模态解析提供了新的思路。与此同时，研究也提醒：深度学习模型的稳健性与泛化性是临床落地的关键，不同厂商设备、采集协议、患者体位、伪影与噪声都可能影响表现，影像组学与深度学习的评估因此更依赖Dice、IoU等可量化指标。跨模态模型的意义在于，当某种影像数据缺失或质量不足时，仍能借助另一模态的信息补全诊断所需的结构细节，不过距离常规使用还有一段路。