Обобщаемая без-КТ коррекция затухания и рассеяния в ПЭТ методом краткосрочной адаптации между доменами

Почему это важно для пациентов и врачей

Позитронно-эмиссионная томография (ПЭТ) помогает врачам видеть, как ведут себя опухоли и другие заболевания внутри тела. Но для получения точных ПЭТ-изображений пациентам обычно требуется дополнительная компьютерная томография (КТ), что увеличивает дозу облучения и иногда приводит к несоответствию между КТ и ПЭТ. В этом исследовании предложен способ улучшения ПЭТ-изображений без опоры на КТ, с использованием искусственного интеллекта, который может быстро адаптироваться к новым больницам и типам сканеров, имея в распоряжении лишь небольшое число примеров пациентов.

Задача: получить более чёткие изображения при меньшей дозе облучения

Современные ПЭТ/КТ-сканеры объединяют два типа визуализации: ПЭТ, показывающую, как ткани используют энергию или определённые молекулы, и КТ, показывающую анатомию. Часть КТ помогает корректировать потери сигнала и рассеяние в ПЭТ, чтобы врачи могли доверять числам в опухолях и органах. Однако КТ может составлять до половины общей дозы облучения при обследовании всего тела, что особенно тревожно для детей и чувствительных групп. Даже при низкой дозе КТ естественное дыхание и движение пациента могут вызвать несинхронность КТ и ПЭТ, создавая артефакты и ложные горячие или холодные участки. Поэтому исследователи ищут методы, которые корректируют ПЭТ без использования КТ вовсе.

Как вмешивается искусственный интеллект

Недавние методы глубокого обучения пытаются непосредственно исправлять некорригированные ПЭТ-изображения. Одни предсказывают виртуальную КТ, другие преобразуют размытое некорригированное ПЭТ в более чёткое скорректированное изображение за один шаг. Такие системы хорошо работают в условиях, на которых их обучали, но часто теряют эффективность при смене больницы, сканера или траcсера. Небольшие различия в аппаратах, настройках или радиофармпрепаратах, используемых для маркировки поражений, изменяют внешний вид ПЭТ и могут сбивать модель, видевшую лишь узкий набор примеров. Авторы утверждают, что нереалистично ожидать один фиксированный модель, пригодный для всех условий, и что коррекцию ПЭТ следует рассматривать как динамическую систему, способную адаптироваться к каждой новой клинической среде.

Гибкая модель коррекции ПЭТ, обучающаяся по нескольким случаям

Команда разработала фреймворк CrossPET-Adapt, использующий двухэтапный процесс обучения. Сначала они обучили глубокую сеть на очень большой выборке ПЭТ-сканов с одним широко используемым траcсером 18F-FDG, полученных в крупном центре на сканере с длинным аксиальным полем обзора. Вместо того чтобы напрямую генерировать новое ПЭТ-изображение, сеть учится предсказывать гладкую карту коррекции, масштабирующую каждый пиксель входа и отражающую то, что реальные физические потери в ПЭТ проявляются как изменение интенсивности сигнала. Она также использует простые статистики каждого входного скана, такие как средняя яркость и разброс, чтобы подстраивать внутренние признаки и распознавать, как разные сканеры и траcсеры смещают внешний вид изображений. На втором этапе модель дообучают на всего одном-пяти пациентах из нового домена — например, с другим траcсером, сканером или в другой больнице — чтобы уловить локальные особенности без обучения с нуля.

Испытания на разных траcсерах, сканерах и больницах

Чтобы оценить эффективность подхода, исследователи собрали набор данных из 1539 пациентов из 11 групп, включая четыре траcсера, несколько моделей сканеров от разных производителей и три внешние клиники. Они сравнили три стратегии: модели, обученные на одном траcсере; объединённую модель, обученную на смешанных траcсерах; и их метод краткосрочной адаптации. В сценариях, где траcсеры совпадали с данными обучения, смешанная модель работала немного лучше, как и ожидалось. Но в новых условиях с невиданными траcсерами, сканерами или центрами адаптированная модель стабильно давала более высокое сходство изображений, меньшую ошибку и более надёжные значения стандартизированного поглощения, даже когда дообучение производилось на одном-нескольких пациентах. У больных с лимфомой скорректированные методом глубокого обучения изображения близко соответствовали стандартным результатам ПЭТ/КТ, значительно уменьшая ошибки в объёмах опухолей и показателях поглощения, которые важны для принятия решений по лечению.

Что это значит для будущих ПЭТ-исследований

Исследование показывает, что коррекция ПЭТ без КТ может быть практичной и надёжной в сочетании со стратегией краткосрочной адаптации. Вместо сбора сотен размеченных сканов каждый раз, когда в больнице устанавливают новый сканер или начинают использовать новый траcсер, клиницисты могли бы дообучить общую базовую модель всего на нескольких локальных случаях менее чем за десять минут на одной графической карте. Такой подход способен снизить облучение, упростить рабочие процессы и сделать передовую ПЭТ-визуализацию более сопоставимой между центрами, сохранив количественные данные, от которых зависят онкологи и другие специалисты.

Цитирование: Wang, H., Wen, M., Qiao, X. et al. Generalizable CT-free PET attenuation and scatter correction via few-shot cross domain adaptation. npj Digit. Med. 9, 374 (2026). https://doi.org/10.1038/s41746-026-02760-w

Ключевые слова: ПЭТ-изображение, коррекция затухания, глубокое обучение, адаптация домена, медицинская визуализация