2025年1月8日，中國科學院深圳先進技術研究院（以下簡稱“深圳先進院”）醫(yī)工所、醫(yī)學成像科學與技術系統(tǒng)全國重點實驗室胡戰(zhàn)利研究員團隊開發(fā)了一種基于大模型的低劑量PET圖像重建技術，在重建過程中高效提取和整合了基礎模型的先驗信息，使低劑量PET重建技術在精度和安全上實現(xiàn)了提升。
研究成果以“Prompt-Agent-Driven Integration of Foundation Model Priors for Low-Count PET Reconstruction”為題發(fā)表在醫(yī)學成像領域TOP期刊IEEE Transactions on Medical Imaging上。提出方法創(chuàng)新性的利用大模型技術來輔助低劑量PET圖像重建，為低劑量PET成像技術提供了全新思路。
正電子發(fā)射斷層成像（PET）作為當今核醫(yī)學尖端技術的代表，主要用于腫瘤、心腦血管等重大疾病的早期診斷和治療。低劑量成像是PET技術的發(fā)展趨勢，旨在降低輻射劑量的同時保持圖像質量。目前，低劑量PET圖像重建通常利用配對的CT或MR圖像作為解剖先驗信息。先驗信息的引入有效提升了傳統(tǒng)低劑量PET成像方法的性能，但也導致了輻射增加或掃描時間延長、以及數(shù)據(jù)處理復雜度提高等問題。
近年來，隨著人工智能技術的快速發(fā)展，大模型逐漸成為人工智能領域中最為重要的發(fā)展方向之一。大模型相較于傳統(tǒng)人工智能模型更具優(yōu)勢，其通過大規(guī)模的預訓練獲取了豐富的跨模態(tài)和高層次先驗知識，具有更強的泛化能力，能夠動態(tài)適配不同的下游任務。其中，醫(yī)學大模型因其在預訓練階段接觸了大量的CT/MR數(shù)據(jù)，能夠提取這些數(shù)據(jù)的核心特征并具有卓越的泛化能力。因此，利用大模型作為先驗信息的替代來源，有望擺脫當前低劑量PET圖像重建對配對CT/MR數(shù)據(jù)的依賴，可以有效減少輻射暴露、縮短掃描時間并優(yōu)化成像流程。此外，相較于傳統(tǒng)的深度學習技術，大模型可以提供更加魯棒和豐富的先驗特征，有望提高PET圖像重建效果和網(wǎng)絡模型的泛化性。
研究團隊通過融合醫(yī)學圖像基礎模型的深層先驗知識，優(yōu)化了低劑量PET圖像重建流程。醫(yī)學視覺大模型經(jīng)過大量CT/MR數(shù)據(jù)的預訓練，掌握了CT/MR的本質特征，團隊利用這些特征替代了傳統(tǒng)的CT/MR先驗數(shù)據(jù)，通過代理機器人框架動態(tài)提取醫(yī)學圖像大模型的先驗信息，從而降低了輻射風險、縮短了掃描時間并簡化了重建流程。實驗結果表明，該技術無需依賴配對的標準CT/MR掃描數(shù)據(jù)，即可實現(xiàn)高質量的PET圖像重建，并超越了現(xiàn)有CT/MR配對數(shù)據(jù)重建算法的效果。提出方法不僅有效保留了圖像細節(jié)、顯著抑制了噪聲，同時在精度和一致性上與“金標準”高度契合。此外，得益于基礎模型的優(yōu)異泛化性，提出方法在Zero-short等場景上也具有良好的表現(xiàn)。
胡戰(zhàn)利研究員為論文通訊作者，博士后謝行雨和客座研究生趙文杰為論文共同第一作者。該研究得到了國自然數(shù)學天元重點專項、國家重點研發(fā)計劃重大科學儀器設備研發(fā)重點專項、國家重點研發(fā)計劃戰(zhàn)略性科技創(chuàng)新合作重點專項等項目的資助。
圖1：提出方法的總體技術路線圖
圖2：提出方法與現(xiàn)有配對CT/MR解剖先驗方法的對比
附件下載：