摘要
目的：探究氟代脱氧葡萄糖（fludeoxyglucose，18F-FDG）（活度对正电子发射计算机断层成像（positron emission tomog- raphy，PET）CT影像质量的影响规律，建立PET影像质量恢复方法实现对患者的辐射防护。方法：基于 Swin Transformer 全局特征识别低活度 PET 影像质量恢复深度学习网络 SwinUNetR-GAN，随机选择于 2024 年行 18F-FDG PET/CT检查的124例患者影像，探究不同给药活度下PET影像质量下降规律，并基于SwinUNetR-GAN网络实现低活度 PET 影像质量的恢复。结果：随着18F-FDG活度的降低，患者PET影像中正常组织及肿瘤病灶内的标准摄取值（standard uptake value，SUV）均值（SUVmean） 和最大值（SUVmax）均呈现增大趋势，当将18F-FDG的注射活度降低到临床现行活度的10%时，肿瘤病灶的SUVmean增大了约 1.1倍，而SUVmax增大了约2.0倍。此外，采用SwinUNetR-GAN网络可降低10%活度PET影像的噪声，绝对偏差由0.21降低至 0.15，相对偏差可由0.33降低至约0.25。结论：明确了18F-FDG活度对患者PET影像中正常组织及肿瘤组织定量参数的变化规律，提出了专用于低18F-FDG活度PET影像质量恢复的SwinUNetR-GAN网络，实现了降低患者所受辐射剂量的同时确保PET 影像的疾病诊断性能。
关键词
Abstract
Objective：To explore the influence of 18F-FDG activity on PET/CT image quality and establish a PET image quality restoration method to achieve radiation protection for patients. Methods：A deep learning network SwinUNetR -GAN for restoring the quality of low-activity PET images based on the global feature recognition of Swin Transformer was established. The images of 124 patients who underwent 18F-FDG PET/CT examinations in 2024 were randomly selected to explore the law of PET image quality degradation under different activities of 18F-FDG，and the quality of low-activity PET images was achieved based on the SwinUNetR-GAN network. Results：As the activity of 18F-FDG decreases，the mean and maximum values of the standard uptake value（SUV） （SUVmean and SUVmax）in normal tissues and tumor lesions in the PET images show an increasing trend. When the activity of 18F-FDG is reduced to 10% of the current clinical activity，the SUVmean of the tumor lesion increases by about 1.1 times，while the SUVmax increases by about 2.0 times. In addition，the use of the SwinUNetR-GAN network can reduce the noise of 10% activity PET images，The absolute deviation decreased from 0.21 to 0.15，and the relative deviation could be reduced from 0.33 to about 0.25. Conclusion：This study clarifies the change law of quantitative parameters of normal tissues and tumor tissues in patient PET images under activity of 18F-FDG，and then，SwinUNetR -GAN network dedicated to low 18F-FDG activity PET image quality restoration is proposed，which could achieve the disease diagnosis performance of PET images while reducing the radiation dose deposited in patient.
Keywords
近年来，我国癌症发病率与死亡率均呈逐年上升趋势，早期诊断是提高患者生存率的关键，但由于早期肿瘤病灶并未出现传统影像检查可见的结构性改变，大部分患者确诊时已处于中晚期[1-2]。正电子发射计算机断层成像（positron emission tomography， PET）是一种分子水平的功能成像技术，通过探测放射性示踪剂[如氟代脱氧葡萄糖（fludeoxyglucose， 18F⁃FDG）]在患者体内的代谢过程，获取患者各组织器官的功能和代谢信息，从而实现肿瘤的早期精准诊断，目前18F⁃FDG PET/CT已广泛应用于肿瘤学、神经科学和心血管疾病的诊断与疗效评估[3-5]。
为获得患者体内 18F⁃FDG 的稳定分布情况，传统 PET 扫描往往开始于患者注射 18F⁃FDG 后的 40~60 min，考虑到人体对 18F⁃FDG 的代谢以及 18F 核素的自发衰变，为获得足够的探测信号，确保较高的图像分辨率和信噪比，临床上通常会向患者体内注射较高活度的 18F⁃FDG[6-7]。由于患者的年龄、体重、病情及扫描条件各不相同，导致不同患者所需的18F⁃FDG 活度均不相同。国际原子能机构（Inter⁃ national Atomic Energy Agency，IAEA）建议，为保证 PET影像的精度与患者受到的辐照剂量，对成年患者而言，其被注射的18F⁃FDG活度应在5~14 mCi[8]。根据中华人民共和国国家卫生健康委员会发布的 《核医学放射防护要求》中提供的成人单位施用量下接受的有效剂量评估方法，在 IAEA 建议的注射活度下，患者接受到的由 18F⁃FDG 引起的全身等效剂量约 3.52~9.84 mSv，而《电离辐射防护与辐射源安全基本标准》规定公众接受的年有效剂量应低于 1 mSv（不含医疗照射）。因此，高活度18F⁃FDG的使用将不可避免地增加患者接受的辐射剂量，尤其对于需要多次随访检查的患者群体，或特殊群体如儿童、孕妇等，累积辐射剂量的增加可能带来长期的生物效应风险。
近年来，随着人工智能技术的迅速发展，尤其是深度学习方法的不断成熟，其在医疗健康领域的应用日益广泛[9-10]。在医学影像分析方面，深度学习网络凭借其强大的特征学习能力，在图像分割、配准、重建及疾病预测等任务中取得了突破性进展，推动了计算机辅助诊断系统的实用化进程。在 PET领域，为降低辐射暴露、减少患者剂量而进行的低 18F⁃FDG 活度 PET 成像成为当前的研究热点之一[11-12]。然而，过低18F⁃FDG 活度的 PET 成像往往伴随着图像质量下降，包括信噪比降低、伪影增强及边界模糊等问题，严重影响诊断准确性。传统的图像后处理方法（如滤波、插值等）又难以有效恢复丢失的细节信息，而深度学习技术则为低18F⁃FDG 活度 PET 影像的质量恢复提供了新的解决方案。多种基于卷积神经网络的深度学习模型被应用于低 18F⁃FDG活度PET影像质量增强[13-14]。例如，Kaplan 等[15] 基于UNET 架构进行低18F⁃FDG 活度PET 的重建增强。Jiang 等[16] 引入生成对抗网络（generative adversarial network，GAN）进行端到端的图像质量提升，取得了较好的主观视觉效果与定量指标改善。然而，这些网络大多依赖局部卷积操作，难以捕捉全局特征，尤其在病灶区细节恢复方面存在一定局限。为解决全局特征识别难题，Hatamizadeh 等[17] 提出了 SwinUNetR 网络结构，该方法将 Swin Trans⁃ former编码器与UNET解码器融合，利用窗口自注意力机制实现高效的局部建模与跨区域信息交互，在三维核磁图像分割任务中达到了当前最优性能。
为减少18F⁃FDG PET/CT检查患者受照剂量，本研究提出并构建了基于 SwinUNetR 的生成对抗网络架构（SwinUNetR⁃GAN），以实现低 18F⁃FDG 活度 PET影像的伪影去除与质量恢复。本研究将系统探究不同 18F⁃FDG 活度下患者 PET 影像质量的变化规律，并基于搭建的 SwinUNetR⁃GAN网络，探究低18F⁃FDG活度下PET影像的临床诊断性能，以期建立临床可用的低18F⁃FDG活度PET/CT成像方法。
1 对象和方法
1.1 对象
本研究随机选择了南京医科大学第一附属医院2024年行18F⁃FDG PET/CT 检查的 124 例肺癌患者，所有患者均采用 0.15 mCi/kg 的 18F⁃FDG 给药活度计算方法，且所有患者采用相同的PET扫描参数及重建参数设置，即每个床位采集1 min，重建算法为有序子集最大似然法[18]，子集数为7，迭代次数为2。本研究获得南京医科大学第一附属医院伦理委员会的批准（2024⁃SR⁃933），符合《赫尔辛基宣言》 的原则。患者的基本信息如下：男 67 例，年龄 （66.65±9.25）岁，身高（1.69±0.05）m，体重（68.74± 11.82）kg，18F⁃FDG活度（8.48±1.44）mCi；女性57例，年龄（63.58 ± 11.25）岁，身高（1.59 ± 0.06）m，体重 （60.54±10.39）kg，18F⁃FDG活度（7.53±1.27）mCi。
1.2 方法
1.2.1 SwinUNetR⁃GAN网络结构及参数设置
SwinUNetR⁃GAN网络由1个生成器和1个判别器组成。其中，生成器以SwinUNetR为主体结构，结合残差连接机制，用于实现输入图像（低18F⁃FDG活度 PET影像）的特征建模与目标图像（标准18F⁃FDG活度 PET影像）的高质量生成；判别器采用PatchGAN 架构，用于增强图像的真实感与细节保真度。在训练过程中，损失函数综合考虑L1损失、结构相似性指标损失、感知损失及对抗损失，以实现像素级精度与感知质量的协同优化。
1.2.2 数据样本组成
为保障患者所接受的18F⁃FDG PET/CT检查结果的准确性，本研究采用等效替换法，即分别选择患者在常规检查中每个床位总数据的前6、18、30 s内的探测数据进行PET影像重建，以等效患者仅被注射了现行给药活度的10%、30%和50%的18F⁃FDG后采集到的 PET 影像[19]。在 SwinUNetR⁃GAN 网络的训练、测试中，网络的输入数据主要由患者的等效低活度PET影像和CT影像组成，输出数据则是患者在正常给药活度下所得的PET影像。此外，考虑到网络训练收敛和训练速度等，本研究采用的每一组输入输出数据均是将特定层的 PET 影像进行归一化后再进行网络训练。
1.2.3 评估指标
由于 18F⁃FDG 注射到患者体内后会发生代谢，因此患者在进行 PET 扫描时，体内残留的 18F⁃FDG 绝对活度无法获知，临床中常采用标准摄取值 （standard uptake value，SUV）这一半定量参数进行疾病诊断，其中病灶的最大标准摄取值（SUVmax） 和平均标准摄取值（SUVmean）是进行疾病诊断的主要依据[20]。因此本研究将主要探究不同18F⁃FDG给药活度下所有患者 PET 影像特定区域 SUVmax、 SUVmean以及SUVmax比值（）和SUVmean比值（）的变化规律。 和 的计算公式分别如公式 1 和公式 2 所示，其中 表示 18F⁃FDG 活度为 i 时患者全身 PET 影像的 SUVmax， 表示标准18F⁃FDG活度患者全身PET影像的 SUVmax， 表示18F⁃FDG活度为i时PET影像中特定区域的SUVmean， 表示标准18F⁃FDG 活度PET影像中特定区域的SUVmean。
(1)
(2)
进一步，本研究采用箱线图对所有患者PET影像中SUV值受18F⁃FDG活度的影响规律进行统计分析。箱线图是一种基于数据四分位数的统计图形工具，可直观展示数据的集中趋势、离散程度及异常值情况[21]。箱体的上下边缘分别对应所有数据的 25%分位数与 75%分位数，箱体所覆盖的范围代表数据中间 50%的分布范围即四分位间距 （interquartile range，IQR）；箱体中间的横线表示中位数；图中上下“须”分别延伸至不超过1.5×IQR范围内的最小值与最大值，用以表示大多数非异常数据的取值范围，而超过该范围的数值被视为异常值，并在图中以单独的点标出。
此外，在进行 SwinUNetR⁃GAN 网络性能分析时，本研究将采用视觉分析法与定量参数分析法相结合的评估手段，其中定量参数主要包含预测结果与目标图像特定区域像素 SUV 值的绝对偏差（mean absolute error，MAE）和相对偏差（relative deviation，Rdev），计算公式分别如公式 3 和公式 4 所示，其中 x 为 10%活度的 PET 影像或由各网络预测得到的PET 影像，y为标准活度的PET 影像，n为总像素数。
(3)
(4)
2 结果
2.1 18F⁃FDG活度对患者PET影像SUV值的影响
针对已获得的不同扫描时间下所有患者的全身PET影像，本研究首先分析18F⁃FDG活度对PET影像中SUV值的影响。考虑到患者各器官对18F⁃FDG 的摄取能力差异以及重建图像的伪影噪声，本部分首先基于常规临床给药活度获取的PET影像，分别获得了不同患者全身 SUV 值>0.1 和 1.0 的区域，并探究这些区域的 SUVmean 在不同给药活度下的变化情况（图1）。可以看出，在使用相同的重建算法时，降低18F⁃FDG活度，PET影像呈现 和相应区域 均增大的趋势，表明当降低18F⁃FDG活度时，患者PET影像的SUVmax和特定区域的SUVmean会被高估。
2.2 18F⁃FDG活度对患者肿瘤SUV值的影响
基于收集到的患者影像数据，本研究随机选择了 20 例患者的 PET/CT 影像，由经验丰富的核医学医师完成肿瘤病灶的手动勾画，并据此探究了 18F⁃FDG 活度对各病灶 SUV 值的影响情况（图2）。可以看出，采用相同的 PET 影像重建算法，当所用 18F⁃FDG 的活度降低时，患者肿瘤病灶内的 SUVmean和SUVmax均呈现增大趋势，其中SUVmax 的变化更显著。当18F⁃FDG的注射活度降低到临床现行活度的10%时，肿瘤病灶的SUVmean增大了约 1.1倍，而SUVmax增大了约2倍。
图118F⁃FDG活度对PET影像SUV值的影响
Figure1Effect of 18F⁃FDG activity on SUV values in PET images
2.3 基于深度学习的低18F⁃FDG给药活度下的PET 影像质量恢复
基于收集到的不同18F⁃FDG给药活度下的患者 PET/CT 影像数据，本研究搭建了 SwinUNetR⁃GAN 网络以提高低18F⁃FDG给药活度下患者PET影像质量，首先采用视觉分析法对SwinUNetR⁃GAN网络的性能进行分析，如图3所示本部分随机选取了 3 例患者特定断层的影像。从图中可以直观地看出，当患者使用的18F⁃FDG活度只有临床常用活度的10% 时，重建所得的 PET 影像中存在大量的伪影噪声，影像整体呈现零散的热点分布，难以识别靶区及其范围。而由于 PET 影像全局特征的复杂性，传统 UNET网络在进行相关任务时，输出的影像中存在大量噪声，无法有效实现由低18F⁃FDG活度PET影像映射得到标准18F⁃FDG活度PET影像。与之相比，本研究建立的SwinUNetR⁃GAN网络具有更优异的全局特征识别能力，采用该网络对低18F⁃FDG活度PET影像进行处理时，可以提高 PET 影像的图像质量，具体表现为输出的PET影像热点区域更加集中，与标准 18F⁃FDG活度下的PET影像更相似。
图218F⁃FDG活度对肿瘤SUV值的影响
Figure2Effect of 18F⁃FDGactivity on tumor SUV value
此外，本研究还采用定量分析法对SwinUNetR⁃GAN 网络的预测结果进行分析（图4）。可以看出，采用深度学习法可以有效提高低18F⁃FDG活度PET影像的图像质量，输出影像各像素SUV值与标准活度各像素SUV值接近，且UNET与SwinUNetR⁃GAN网络结果相似，进一步表明本研究提出的SwinUNetR⁃GAN 网络可实现低18F⁃FDG活度PET影像的质量恢复。
3 讨论
肿瘤早期诊断是提高患者早期生存率的关键， 18F⁃FDG PET/CT扫描可以提供患者全身葡萄糖代谢情况，为患者肿瘤靶区的精准识别提供了有效的技术支持。然而，18F⁃FDG为正电子标记放射性药物，其在注入患者体内后会进行自发衰变，衰变产生的射线在人体内穿行时会沉积能量。相关研究表明，患者在进行18F⁃FDG PET/CT扫描时，其接受到的由 18F⁃FDG衰变产生的辐照剂量可接近10 mSv。因此，为避免随机性效应的发生，实现对行 18F⁃FDG PET/ CT扫描患者的辐射防护，需要降低注射入患者体内的18F⁃FDG活度。但是，18F⁃FDG活度降低可能会导致重建所得的PET影像质量下降，从而影响疾病诊断。因此，本研究随机选择了 124 例开展常规 18F⁃ FDG PET/CT扫描检查的患者，通过按比例从采集数据中选择相应的探测数据进行PET图像重建，从而等效获得了在不同18F⁃FDG给药活度下患者的PET 影像，据此分析 18F⁃FDG 活度对 PET 影像 SUV 值的影响规律，并基于深度学习方法实现低8 F⁃FDG活度 PET影像质量的恢复。
图3不同病例的CT、10%活度PET影像、UNET、SwinUNetR⁃GAN和标准活度PET影像结果
Figure3Results of CT，10% activity PET images，UNET，SwinUNetR⁃GAN，and standard activity PET images for different cases
图4定量参数的均值与95%CI
Figure4The mean value and 95% CI of quantitative parameters
研究结果表明，随着18F⁃FDG活度降低，重建所得的患者全身 PET 影像的 SUV 值与肿瘤病灶区域内的 SUV 值均增大，这可能是因为 18F⁃FDG 活度降低导致重建过程中噪声信号被放大，从而导致重建图像整体像素数值变大。此外，通过可视化分析也可知，与采用标准 18F⁃FDG 活度重建得到的 PET 影像相比，当采用低18F⁃FDG活度时，重建得到的PET 影像存在散乱的热区分布，难以根据该影像精准识别病灶及靶区。因此，通过简单降低给患者注射的 18F⁃FDG活度难以保证疾病的诊断精度。
为确保患者疾病的精准诊断，并降低患者所受辐射剂量，本研究将 Swin Transformer 编码器与 UNET 解码器融合，搭建了一款专用于低18F⁃FDG活度PET 影像质量恢复的深度学习网络，即SwinUNetR⁃GAN。采用临床给药活度 10%的 18F⁃FDG 给药方法时，使用 SwinUNetR⁃GAN 网络对该活度下的 PET 影像进行特征分析与优化，可输出高质量的PET影像。可视化分析可知，采用 SwinUNetR⁃GAN 网络得到的 PET 影像中，患者的热区分布与标准 18F⁃FDG 活度 PET影像相似，热区集中，且噪声水平明显低于UNET 网络结果。此外，在定量分析方面，本研究选择每例患者每层 PET 影像中 SUV 大于该层 SUV 最大值 50%的像素区域进行 SUV 值比较，结果表明，本研究搭建的 SwinUNetR⁃GAN 网络可降低低 18F⁃FDG 活度PET影像的噪声，MAE可由优化前的0.21降低至0.15，Rdev可由优化前的0.33降低至约0.25，虽然该数据结果要稍大于UNET结果，但结合视觉分析法可知，本研究搭建的SwinUNetR⁃GAN网络是全局噪声抑制，可确保处理后的PET影像具备临床应用潜力。
本研究通过探究18F⁃FDG活度与PET影像SUV 值变化关系的分析，明确了 18F⁃FDG 活度对 SUV 值的影响规律，并搭建了可提高PET影像质量的深度学习网络。初步研究结果表明，该方法可为降低患者所受的辐照剂量，确保患者的辐射安全提供技术支持与保障。但本研究仍存在不足之处，其中，目前本研究是对二维PET/CT影像进行处理，得到的为每层 PET 影像的归一化结果。因此后续需开展三维PET/CT影像读取网络结构的优化设计，以实现定量PET影像处理，进一步提高低活度PET影像的临床诊断价值。
利益冲突声明：
作者声明无需要说明的利益冲突。
Conflict of Interests：
The authors declare that they have no known conflict of in⁃ terests.
作者贡献声明：
丁威负责数据分析，初稿撰写；唐立钧负责影像处理，文章修改；田锋负责方法提出，初稿撰写，文章修改，基金资助。
Author’s Contributions：
DING Wei was responsible for data analysis and writing the manuscript. TANG Lijun was responsible for image process⁃ ing and article revision. TIAN Feng was responsible for metho ⁃ dology，writing and revising the manuscript，and funding support.