通过少量样本的跨域自适应实现可泛化的免CT PET 衰减与散射校正

为何这对患者和医生很重要

正电子发射断层扫描（PET）帮助医生观察癌症及其他疾病在体内的行为。但要得到准确的 PET 图像，通常需要额外的计算机断层扫描（CT），这会增加辐射剂量并且有时与 PET 图像发生错位。该研究提出了一种在不依赖 CT 的情况下清理 PET 图像的方法，使用可在新医院和不同扫描仪类型上仅凭少量患者样本快速自适应的人工智能。

在更低辐射下获得更清晰图像的问题

现代 PET/CT 扫描仪将两种成像结合：PET 显示组织如何利用能量或特定分子，CT 则显示体内结构。CT 部分用于校正 PET 的信号衰减和散射，以便医生可以信赖肿瘤和器官中的定量数值。然而，在一次全身 PET/CT 检查中，CT 扫描可能占到总辐射剂量的一半，这对儿童及其他敏感人群尤其值得关注。即使使用极低剂量 CT，自然呼吸和患者移动也可能导致 CT 与 PET 图像不同步，产生条纹及伪高温或低温点。因此，研究人员希望开发无需 CT 的 PET 校正方法。

人工智能如何介入

近期的深度学习方法尝试直接修复未校正的 PET 图像。有些方法学习预测一个虚拟 CT 图像，而另一些方法则在一步中将模糊的未校正 PET 转换为更清晰的已校正图像。这些系统在其训练环境中可能表现良好，但当医院更换扫描仪、示踪剂或患者群体时，常常会遇到困难。设备、设置或放射性示踪剂的细微差异会改变 PET 图像的外观，从而使仅见过狭窄示例集的模型产生混淆。作者认为，期望训练出一个始终适用于各处的固定模型并不现实，PET 校正应被视为一个能够针对每个临床环境自适应的动态系统。

一种可从少量病例学习的灵活 PET 校正模型

研究团队开发了名为 CrossPET-Adapt 的框架，采用两阶段学习流程。首先，他们在一个主要中心使用长轴视场扫描仪采集的大量 18F-FDG 示踪剂 PET 扫描上训练深度网络。与其直接生成新的 PET 图像，网络学习输出一个平滑的校正映射，用于缩放输入图像的每个像素，反映出 PET 真实物理损失类似于信号强度变化的行为。它还利用每次输入扫描的简单统计量，如平均亮度和方差，来调整内部特征，从而识别不同扫描仪和示踪剂如何改变图像外观。在第二阶段，模型在来自新域（例如不同示踪剂、扫描仪或医院）的仅一到五名患者上进行微调，使其在不从头重训的情况下捕捉本地特性。

在示踪剂、扫描仪和医院间的测试

为了评估该方法的有效性，研究者汇集了来自 11 个组的 1539 名患者的数据集，涵盖四种示踪剂、不同厂商的若干扫描仪型号和三家外部医院。他们比较了三种策略：在单一示踪剂上训练的模型、在混合示踪剂上联合训练的模型，以及他们的少样本自适应方法。在示踪剂与训练数据匹配的情形下，混合模型表现略好，这是预期中的结果。但在具有未见示踪剂、扫描仪或中心的新环境中，经过自适应的模型在图像相似性、更低误差以及更可靠的标准化摄取值方面持续领先，即便只在一例或少数受试者上微调也是如此。在淋巴瘤患者中，深度学习校正后的图像与标准 PET/CT 结果高度一致，大幅减少了指导治疗决策的肿瘤体积和摄取量测量误差。

这对未来 PET 扫描意味着什么

该研究表明，当结合少样本自适应策略时，免 CT 的 PET 校正既可行又可靠。与其在每次医院安装新扫描仪或开始使用新示踪剂时收集数百例带标签的扫描，不如临床人员仅用少量本地病例在单张图形卡上用不到十分钟对共享基础模型进行微调。该方法有望降低辐射暴露、简化工作流程，并使先进的 PET 成像在各地更一致，同时保留肿瘤学家和其他专家所依赖的定量细节。

引用: 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

关键词: PET 成像, 衰减校正, 深度学习, 域自适应, 医学成像