基于双任务深度学习的低剂量PET成像质量提升研究取得新进展

中国科学院深圳先进技术研究院、中山大学肿瘤防治中心与联影医疗中央研究院联合发布AI赋能PET/MRI精准成像最新成果

中国科学院深圳先进技术研究院、中山大学肿瘤防治中心与联影医疗中央研究院在人工智能赋能医学影像领域持续深化合作，近日在《Quantitative Imaging in Medicine and Surgery》（IF=4.63）发表最新研究成果：提出一种基于一体化PET/MRI的双任务深度学习网络（Bi-task），用于提升超低剂量PET图像质量。传统PET图像重建方法多依赖正弦图数据或基于patch的学习策略，存在数据需求高、耗时长、效果有限等问题。随着深度学习技术的发展，尤其是编码器-解码器结构在图像转换中的优异表现，为PET图像质量优化提供了新路径。一体化PET/MRI系统可同步获取功能与解剖信息，无需额外辐射，为多模态数据融合和AI建模提供了理想平台。本研究创新性地引入多任务深度学习框架，首次将MRI作为辅助信息源，协同优化低剂量PET图像重建。相比单一任务模型，多任务学习通过共享特征表示、利用任务间相关性，增强了模型泛化能力。研究构建了双编解码器结构：主任务以低剂量PET为输入，目标还原全剂量PET图像；次任务以T1加权MRI为输入，输出同样对齐全剂量PET图像，实现跨模态信息引导。模型采用对抗训练机制，结合结构损失与偏差损失，最小化合成图像与真实全剂量图像之间的差异。实验采用18例患者数据进行训练与交叉验证，另2例用于独立测试。结果表明，所提出的Bi-cGAN方法在视觉质量和定量指标上均优于传统方法，生成图像更接近真实全剂量PET图像。该研究基于联影一体化PET/MR平台，体现了“产研医”深度融合的创新模式。此前三方已在PET/MR衰减校正、双核素成像、低计数重建等领域取得系列成果。本次突破进一步验证了AI在医学影像质量提升中的潜力，为临床低剂量成像提供可行方案。关键词：PET/MRI、深度学习、低剂量成像、图像重建、人工智能、医学影像、联影医疗、中科院深圳先进院、中山大学肿瘤防治中心