近日，中国科学院深圳先进技术研究院胡战利教授团队联合中山大学肿瘤防治中心樊卫主任团队，在国际权威期刊IEEE Transactions on Medical Imaging（IF=10.6）发表题为“OIF-Net: An Optical Flow Registration-Based PET/MR Cross-Modal Interactive Fusion Network for Low-Count Brain PET Image Denoising”的研究成果。该研究基于联影医疗uPMR 790时空一体超清TOF PET/MR影像平台，提出一种新型跨模态交互融合网络OIF-Net，有效解决低计数PET图像降噪中的关键难题。

相关成果发表于IEEE Transactions on Medical Imaging（IF = 10.6）

研究背景：突破传统降噪瓶颈，融合MR信息提升PET图像质量

传统低计数PET降噪方法依赖迭代重建中引入统计先验，虽可抑制噪声，但易损失图像细节。近年来，深度学习技术因其强大的非线性建模能力，成为PET图像降噪的重要方向。结合MR图像提供的高分辨率解剖结构信息，有望进一步提升低剂量PET图像质量。然而，现有方法普遍忽视PET与MR模态间的配准误差及特征融合效率问题。

针对上述挑战，研究团队提出OIF-Net网络，创新性地引入光流配准模块（OIF），实现PET与MR图像的精准对齐；并通过空间-通道特征增强模块（SC-FEM）和跨模态特征融合模块（CM-FFM），强化多模态信息交互，显著提升降噪性能。

图1. 基于光流配准的低计数PET降噪网络架构。（a）OIF-Net整体结构；（b）SC-FEM模块；（c）光流配准模块；（d）CM-FFM模块

研究方法：多病种数据验证，量化指标全面评估

研究共纳入67例头颈部¹⁸F-FDG PET/MR和40例前列腺⁶⁸Ga-PSMA PET/MR临床数据，通过缩短采集时间生成2.5%、5%、10%、25%四种低计数PET数据。采用PSNR（峰值信噪比）、SSIM（结构相似性）和RMSE（根均方误差）作为评价指标，对比KSVD、Red-CNN、U-Net、TransUNet、LA-GANs等主流算法，系统评估OIF-Net的降噪效果。

研究成果：降噪性能优越，泛化能力突出

实验结果显示，OIF-Net在多种低计数条件下均显著优于对比算法，有效保留PET图像边缘与纹理信息，大幅降低图像噪声。图2与表1表明，无论在视觉质量还是定量指标上，OIF-Net在不同计数水平下均取得最优或次优表现。

图2. 不同算法在各计数水平下的图像重建效果对比（第1、3、5、7行为降噪结果，第2、4、6、8行为误差分布）

表1. 各算法在不同计数水平下的量化性能对比（红色为最佳，蓝色为次佳）

进一步使用独立前列腺数据集进行泛化性测试，结果如图3所示，OIF-Net仍能较好恢复图像细节。尽管因解剖结构与示踪剂差异导致量化指标受限（见表2），其视觉表现仍具优势，展现出良好的模型鲁棒性。

图3. 独立数据集上的降噪效果对比（第2、4行为误差分布）

表2. 不同算法在独立数据集上的量化对比

研究展望：推动多模态融合技术创新，助力精准诊疗发展

OIF-Net通过光流配准、空间-通道增强与跨模态融合三大核心技术，实现了低计数PET图像的高质量重建，为PET/MR多模态图像融合提供了新范式。该方法不仅适用于脑部PET成像，也为其他部位及核素的应用拓展奠定基础，具有重要的临床转化价值和发展前景。