2026, Vol. 46
2. 北京联影医疗技术发展有限公司，北京 100094
2. Beijing United Imaging Healthcare Technology Development Co., Ltd., Beijing 100094, China
正电子发射断层显像(positron emission tomography，PET)成像能够定量反映体内代谢活动，在肝脏和胰腺等代谢活跃器官肿瘤的检出、分期及疗效监测中具有重要价值。然而，这些部位的病变虽常伴有显著代谢变化，但同时存在背景摄取较高、病灶对比度较低及易受图像噪声影响等特点，从而增加了小病灶检测和边界判读的难度[1-2]。PET图像质量高度依赖重建算法[3]。有序子集期望最大化(ordered subsets expectation maximization，OSEM)是目前临床常用的标准重建算法，但仍存在非完全收敛及低计数条件下图像质量受限等问题[4-5]。贝叶斯惩罚似然估计和全变差正则化最大化期望等改进算法虽可在一定程度上抑制噪声，但也可能造成图像边缘过度平滑[6-7]。
近年来，基于人工智能的PET重建方法受到广泛关注[8-9]。深度渐进学习重建(deep progressive reconstruction，DPR)结合飞行时间、点扩散函数及多维卷积神经网络，通过逐步迭代优化，实现信号增强与噪声抑制同步改善，并已在图像信噪比(signal-to-noise ratio，SNR)和对比度等方面显示出优于传统重建方法的潜力[10-12]。一体化正电子发射断层显像/磁共振(positron emission tomography/magnetic resonance，PET/MR)成像兼具PET代谢信息与磁共振成像(magnetic resonance imaging，MRI)软组织分辨率优势，但腹部PET/MR成像易受呼吸运动及衰减校正等因素影响，对重建算法的稳定性和噪声控制能力要求更高[13-14]。
本研究旨在系统比较OSEM和DPR两种重建方法在一体化PET/MR系统中对肝脏和胰腺18F-FDG PET图像质量的影响，并评估DPR在图像质量提升、噪声抑制及等效低剂量图像重建中的潜在价值，为腹部PET/MR图像质量优化及临床标准化重建参数选择提供参考。
资料与方法1. 研究对象：本研究为回顾性分析，纳入2022年11月至2025年6月期间在北京协和医院进行腹部18F-FDG PET/MR检查的23例患者，其中男性13例，女性10例，年龄30~88岁，平均年龄为(65.2±13.4)岁。本研究已通过北京协和医院医学伦理委员会审批(批准号：JS-3586)，所有受试者均已签署检查相关知情同意书。纳入标准包括：①完成完整PET/MR检查，可进行不同重建算法及等效低剂量模拟。②图像质量满足定量分析要求，肝脏与胰腺完整位于扫描视野内，能够稳定勾画感兴趣体积(volume of interest，VOI)。③临床基本资料完整。排除标准包括：①明显运动伪影或其他伪影影响图像分析。②原始数据缺失、重建失败或临床信息不全。纳入患者按临床诊断分为3类：胰腺囊性病变14例，包括胰腺导管内乳头状黏液性肿瘤、胰腺囊肿及部分胰腺占位性病变，其中4例为恶性病变；肝脏病变3例，包括肝囊肿1例和肝转移灶1例；其余7例未见明确器质性病变。需要说明的是，本研究数据来源于临床既往检查人群，疾病谱具有一定异质性，旨在基于真实临床场景评估DPR算法在腹部18F-FDG PET/MR图像重建中的应用表现。
2. PET/MR扫描方案：所有患者均使用一体化PET/MR扫描仪(uPMR 790，联影医疗，上海)进行腹部扫描。显像剂18F-FDG，放化纯> 98%。受试者检查前禁食至少6 h，检测空腹血糖 < 11.1 mmol/L。按体质量静脉注射18F-FDG(5.55 MBq/kg)后，受试者于安静环境中休息40 ~ 60 min，随后行PET/MR扫描。PET成像采用三维列表模式，单床位采集时间为20 min。扫描过程中使用体部相控阵线圈覆盖肝脏及胰腺区域，并根据患者配合情况尽可能采用呼吸门控技术，以减少运动伪影。
MR扫描与PET采集同步进行，序列包括水脂分离成像(water-fat imaging，WFI)、T1加权成像(T1-weighted imaging，T1WI)、脂肪抑制T2加权成像(T2-weighted imaging，T2WI)及弥散加权成像(diffusion-weighted imaging，DWI)。其中，WFI序列用于PET图像衰减校正，其余序列主要用于图像配准及解剖结构定位，不纳入本研究的定量分析。主要扫描参数如下：WFI序列采用呼吸触发采集，重复时间(repetition time，TR)/回波时间(echo time，TE)为4.9/2.2 ms，空间分辨率为0.9 mm× 0.9 mm，层厚2 mm；T1WI采用双回波序列并结合屏气采集，TR/TE为3.9/1.1 ms，空间分辨率为0.9 mm × 0.9 mm，层厚3 mm；T2WI采用快速自旋回波序列结合脂肪抑制及呼吸触发，TR/TE为7 500/109.6 ms，空间分辨率为0.9 mm × 0.9 mm，层厚3 mm；DWI采用b值为50和800 s/mm2，TR/TE为3 611/75.3 ms，空间分辨率为0.9 mm × 0.9 mm，层厚3 mm。
3. PET图像重建：PET图像分别采用标准OSEM算法与DPR算法进行重建。OSEM算法采用3次迭代，20个子集，192 × 192矩阵，600 mm× 600 mm视野，2.8 mm层厚，并应用半高宽为3 mm的高斯滤波器进行后处理。基于WFI序列生成五组织分割衰减校正图用于衰减校正。
DPR算法采用与OSEM算法相同的矩阵大小、视野、厚度及衰减校正方法下进行重建，以保证不同重建方法之间的可比性。DPR图像分别采用强度1~3进行重建。为了模拟不同给药剂量水平下的计数条件，将原始列表模式数据按采集时间截断并重建为4组：20 min(等效全剂量)、10 min(等效1/2低剂量)、6.7 min(等效1/3低剂量)和5 min(等效1/4低剂量)，以评估等效低剂量条件下的图像质量。各时间段数据均采用与20 min图像一致的重建参数进行处理，以评估不同等效低剂量水平下的图像质量变化。
4. PET图像质量评估：定性评估由两位具有10年以上经验的副高级核医学医师在双盲条件下，独立对OSEM和各DPR组重建图像进行评分。评估采用5分Likert量表，评分维度包括整体图像质量、图像清晰度、伪影水平、噪声水平和肝脏均匀性各维度评分均以分值越高表示图像质量越好、伪影或噪声越少、肝脏均匀性越佳。具体评分标准如下：1分(差)：噪声和伪影严重，整体图像质量差；对比度低，肝脏边界模糊，结构难以分辨；肝脏亮度或纹理明显不均匀，无法用于临床诊断；2分(较差)：噪声明显，伪影较重，整体图像质量较差；对比度欠佳，肝脏边界可辨但不清晰，细节显示不足；肝脏存在一定不均匀亮度，诊断价值有限；3分(一般)：噪声和伪影在可接受范围内，对比度适中，整体图像质量尚可；肝脏边界清晰，结构基本可辨；肝脏均匀性较好，细节可见，满足基本诊断需求；4分(良好)：噪声和伪影轻微，对比度良好，整体图像质量较高；肝脏边界清晰，结构显示锐利，细节较突出；肝脏亮度分布均匀，适合临床诊断；5分(优秀)：无明显噪声和伪影，对比度优异，整体图像质量最佳；肝脏边界清晰锐利，细节显示清晰；肝脏亮度和纹理分布均匀，可满足高质量临床判读需求。
在定量分析中，在每例患者不同PET重建图像的相同解剖位置勾画VOI。肝脏VOI选取右肝叶均质实质区，放置直径为3 cm的球形VOI，避开大血管及可见病灶，并确保VOI与肝缘距离>1 cm[15]。胰腺VOI选取胰腺体部正常实质区域进行手动勾画，要求该区域解剖结构清晰、无明显伪影、无局部异常摄取；对于存在胰腺病灶的患者，VOI放置于病灶以外的正常胰腺组织，以避免病灶代谢对背景定量的影响。所有患者均采用相同的VOI勾画原则，并在不同重建图像中保持VOI位置一致，以保证不同重建方法之间的可比性。在上述VOI内计算18F-FDG的平均标准摄取值和标准摄取值标准差。肝脏VOI用于评估背景信号均匀性和噪声水平，胰腺VOI用于评估较小解剖结构的显影效果和信号稳定性。噪声水平和SNR按下式计算：噪声水平=标准摄取值标准差，SNR =标准摄取值平均/标准摄取值标准差。
整体的数据处理流程如图 1所示。
|
注：PET/MR. 正电子发射断层显像/磁共振；OSEM. 有序子集期望最大化；DPR. 深度渐进学习重建；VOI. 感兴趣体积 图 1 数据处理流程图 Figure 1 Flow chart of data processing |
5. 统计学处理：采用GraphPad Prism 8.0进行统计学分析。采用Shapiro-Wilk检验评估正态性。符合正态分布的定量资料以x ± s表示。主观定性评分(Likert量表)采用非参数检验进行分析，多组间比较采用Friedman检验，事后两两比较采用Wilcoxon符号秩检验。观察者一致性通过组内相关系数(intra-class correlation coefficient，ICC)及其95%置信区间进行评估。由于每位患者对应多个VOI，存在VOI嵌套于个体的层级结构，因此不同重建方法下的定量参数比较采用混合效应模型进行分析，将重建方法作为固定效应、患者作为随机效应纳入模型中，以校正VOI之间非独立性可能带来的偏倚。在等效低剂量模拟分析中，同样采用混合效应模型比较不同采集时间条件下的参数变化，并与全时间OSEM结果进行对比。所有检验均为双侧检验，P < 0.05为差异具有统计学意义。
结果1. 图像质量定性评估：通过视觉评估，比较OSEM与不同DPR强度(DPR 1~3)重建图像在整体图像质量、图像清晰度、伪影水平、噪声水平及肝脏均匀性方面的差异。与OSEM重建图像相比，DPR重建图像整体视觉质量更优(图 2)。不同重建方法在5个评分指标上的差异均具有统计学意义，包括整体图像质量(χ2 = 13.11，P < 0.05)、图像清晰度(χ2 = 13.75，P < 0.05)、伪影水平(χ2 = 17.51，P < 0.05)、噪声水平(χ2 = 13.22，P < 0.05)；肝脏均匀性(χ2 = 13.72，P < 0.05)。两位评估者对各组图像的定性评分结果列于表 1，可见OSEM组在各项指标中的评分均最低。
|
注：OSEM.有序子集期望最大化；DPR.深度激进学习重建。所有图像均采用相同显示窗位 图 2 OSEM与不同DPR强度(强度1~3)在肝脏与胰腺区域的18F-FDG PET重建图像的对比展示 Figure 2 Comparison of the 18F-FDG PET images of the liver and pancreas reconstructed using the OSEM algorithm and the DPR algorithms of levels 1-3 |
|
表 1 OSEM与不同DPR强度重建的定性评分结果(x±s) Table 1 Qualitative scores of PET images reconstructed using the OSEM algorithm and the DPR algorithms of levels 1-3 (x±s) |
事后两两比较显示，DPR1组在全部5个评分指标上均显著高于OSEM组(Z = 2.65~2.85，P < 0.05)，DPR2组同样在全部5个评分指标上均显著高于OSEM组(Z = 2.49~2.76，P < 0.05)。DPR3组在整体图像质量、图像清晰度和伪影水平方面的评分显著高于OSEM组(Z = 2.08~2.19，P < 0.05)，在噪声水平和肝脏均匀性方面的评分虽有所提高，但差异无统计学意义(P > 0.05)。
两位评估者之间的ICC结果列于表 2。OSEM和各DPR重建组在整体图像质量、图像清晰度、伪影水平、噪声水平和肝脏均匀性评分方面均具有较好的一致性，ICC范围为0.73~0.98，提示定性评分结果具有良好的稳定性与可重复性。
|
|
表 2 OSEM与不同DPR强度重建的定性评分的观察者间一致性 Table 2 Inter-observer consistency in qualitative scores of images reconstructed using the OSEM algorithm and the DPR algorithms of levels 1-3 |
2. 图像质量定量评估：图 3展示了肝脏与胰腺VOI区域内，不同重建算法(OSEM与DPR强度1~3)所得SNR与噪声水平的定量对比结果。与OSEM重建图像相比，DPR各强度重建组在肝脏和胰腺区域均表现出显著更高的SNR和更低的噪声水平，差异具有统计学意义(t = -3.45~5.77，P < 0.05)。不同DPR强度之间的定量结果显示出一致趋势：随着DPR强度由1增加至3，肝脏噪声逐渐升高，而肝脏及胰腺SNR逐步下降。其中，DPR强度1在各DPR强度中表现出最低的噪声水平，并维持最高的SNR。结合定性评分结果(表 1)，DPR强度1在整体图像质量、图像清晰度、伪影控制及噪声抑制等方面均获得最高评分，优于DPR强度2和3。综合定量与定性结果，DPR强度1在有效抑制图像噪声的同时，仍能维持较高SNR，并较好地保留组织结构细节，表现出较优的图像质量与噪声控制平衡。因此，本研究选择DPR强度1用于后续等效低剂量模拟分析。
|
注：OSEM. 有序子集期望最大化；DPR. 深度渐进学习重建；VOI. 感兴趣体积；SNR.信噪比。箱线图显示中位数及四分位范围 a与OSEM相比，t = 5.77、-3.18、-2.51，P < 0.001；b与OSEM相比，t = 4.83、-3.28、-2.62，P < 0.001；c与OSEM相比，t = 4.40、-3.45、-2.88，P < 0.001 图 3 OSEM与不同DPR重建强度(1~3)在肝脏与胰腺VOI中的信噪比与噪声水平的定量比较 A. 肝脏VOI的噪声；B.肝脏VOI的信噪比；C.胰腺VOI的信噪比 Figure 3 Quantitative comparison of SNR and noise levels in the liver and pancreas VOIs between images reconstructed using the OSEM algorithm and the DPR algorithms of levels 1-3 A. Noise in liver VOIs; B. SNR of liver VOIs; C. SNR of pancreas VOIs |
3. 等效低剂量模拟实验的定量评估：图 4展示了在不同采集时间条件下，基于DPR强度1重建图像的肝脏与胰腺SNR及噪声变化，并与全时间OSEM重建图像进行比较。通过缩短采集时间模拟等效低剂量条件：10 min对应等效1/2低剂量，6.7 min对应等效1/3低剂量，5 min对应等效1/4低剂量。随着采集时间由20 min逐步缩短至10、6.7和5 min，DPR重建图像的SNR整体呈下降趋势，噪声水平则相应升高。
|
注：OSEM. 有序子集期望最大化；DPR. 深度渐进学习重建；VOI.感兴趣体积；SNR.信噪比。箱线图显示中位数及四分位范围 a与OSEM比较，t = 2.73、-3.04、-3.02，P < 0.05。不同等效低剂量条件通过缩短采集时间获得，包括10 min(等效1/2低剂量)、6.7 min(等效1/3低剂量)和5 min(等效1/4低剂量) 图 4 基于DPR强度1的不同等效低剂量条件下肝脏与胰腺VOI中SNR与噪声水平的定量比较 A. 肝脏VOI的噪声；B.肝脏VOI的信噪比；C. 胰腺VOI的信噪比 Figure 4 Quantitative comparison of SNR and noise levels in liver and pancreas VOIs between images reconstructed under varying equivalent low-dose conditions using the DPR level-1 algorithm A. Noise in liver VOIs; B. SNR of liver VOIs; C. SNR of pancreas VOIs |
在10 min采集时间，即等效1/2低剂量条件下，DPR重建图像在肝脏与胰腺VOI中的SNR仍显著高于全时间OSEM重建图像，噪声水平显著更低、SNR显著更高(t = -3.04~2.73，P < 0.05)。该结果表明，在中等程度的等剂量降低条件下，DPR仍能够维持较高的图像质量与结构可辨性。当采集时间进一步缩短至6.7 min(等效1/3低剂量)和5 min(等效1/4低剂量)时，DPR重建图像的SNR明显下降，噪声水平升高，与10 min组相比差异增大，且与全时间OSEM重建图像之间无显著差异。
上述结果表明，采集时间缩短至1/2所得的DPR重建图像，即等效1/2低剂量条件下的DPR图像，其图像质量仍显著优于全时间OSEM重建图像；而当采集时间进一步缩短、等效低剂量进一步降低时，DPR重建图像的定量稳定性与图像质量可能受到影响。
讨论本研究系统评估了OSEM算法与DPR算法在一体化PET/MR系统中对肝脏与胰腺18F-FDG PET成像质量的影响。结果显示，DPR在整体图像质量、图像清晰度、伪影水平、噪声水平及肝脏均匀性5个维度的评分均高于OSEM。两位评估者在Likert评分体系下表现出较高一致性，提示主观图像质量评价具有良好的稳定性和可重复性。该结果与既往相关研究总体一致：既往在颅脑18F-FDG PET/MR、全身18F-FDG低剂量或快速采集以及肿瘤PET/CT研究中，均报道该类算法可改善主观图像质量或降低背景噪声[16-20]。从定量分析角度来看，本研究发现，不同强度的DPR重建图像在肝脏与胰腺VOI内均表现出高于OSEM的SNR，同时噪声水平降低，表明DPR在体部PET成像中同样具有较好的降噪能力与信号保持特性。颅脑18F-FDG PET/MR研究提示DPR可改善图像质量[16]；全身低剂量18F-FDG PET研究显示，DPR可在约等效1/3给药活度条件下维持图像质量，并在小病灶中提高标准化摄取值(SUV)和肿瘤/肝脏比值[17]；淋巴瘤低剂量或快速采集研究也显示DPR可在保持图像质量的同时维持Deauville评分一致性[18]。本研究在肝脏及胰腺成像中观察到的SNR提升和噪声降低，与上述研究结果方向一致。需要指出的是，腹部成像，尤其是胰腺区域，由于解剖结构复杂、体积较小且易受呼吸运动影响，对空间分辨率及图像对比度要求更高。因此，DPR在噪声抑制与细节保留之间的平衡在该区域尤为重要。
不同DPR强度用于表示算法内部迭代优化程度的差异，数值越高，对应的迭代更新次数也越多。该参数主要调控网络迭代次数与图像增强程度，而不涉及算法整体框架的改变。进一步比较不同DPR强度(1~3)对图像质量的影响发现，DPR强度1在噪声抑制与结构细节保留之间取得了较优平衡。随着DPR强度进一步增加，背景噪声虽持续下降，但图像细节呈现平滑化趋势，部分边缘与细节信息减弱。因此，本研究在后续分析中选用DPR强度1作为重建策略，以兼顾图像质量、细节保留与临床可用性。总体而言，DPR强度的选择本质上是在图像清晰度和噪声控制之间进行权衡，具体参数需结合实际临床应用场景加以确定。
在等效低剂量模拟实验中，基于DPR强度1的图像在10 min采集条件下，即等效1/2低剂量条件下，仍可获得显著优于全时间OSEM的成像质量，表现为SNR更高、噪声水平更低，提示DPR在中等剂量降低范围内具有较好的成像稳定性。当采集时间进一步缩短至6.7 min(等效1/3低剂量)及5 min(等效1/4低剂量)时，DPR重建图像的SNR下降、噪声水平升高，与全时间OSEM之间未观察到显著差异，提示在更低剂量条件下，其定量稳定性和整体图像质量可能受到一定影响。该结果既强调了DPR在低计数条件下的优势，也提示其低剂量应用存在一定阈值。在保证图像质量的前提下，DPR算法在中等剂量降低范围内，如等效1/2低剂量条件下，仍能维持较稳定的成像性能，提示在部分临床场景中，如随访检查或对辐射剂量敏感人群，可在合理控制范围内适当降低放射性药物用量或缩短采集时间。上述结果为在图像质量、检查效率及辐射暴露之间寻求平衡提供了一定依据。该结果与既往DPR低剂量或快速采集研究方向一致，但具体阈值存在差异。既往全身低剂量研究及淋巴瘤快速采集研究报道，DPR在约等效1/3低剂量或短采集条件下仍可维持诊断相关图像质量[17-18]；而本研究显示，腹部PET/MR采集时间缩短至等效1/2低剂量条件时优势最为明确，进一步缩短至等效1/3和1/4低剂量条件时优势减弱。可能原因包括本研究VOI聚焦于肝脏和胰腺区域，而腹部PET/MR更易受到呼吸运动、局部背景摄取及MR衰减校正等因素影响。
从临床应用角度来看，DPR算法在多个方面显示出潜在优势。既往不同体质量数分层的18F-FDG PET/CT研究纳入了包括腹部和盆腔在内的多部位肿瘤病灶，并显示DPR较OSEM可维持肝脏SNR、提高病灶对比度和诊断表现[19]；肺癌PET/CT研究也报道DPR较OSEM可显著提高SNR和对比噪声比[20]。这些结果支持DPR在高噪声或低对比场景中的潜在价值。与上述以全身或胸部肿瘤病灶为主的研究不同，本研究直接将VOI分析聚焦于肝脏背景和胰腺区域，有助于补充DPR在腹部PET/MR图像质量优化中的证据。需要指出的是，目前针对胰腺PET/MR重建的DPR专门研究仍有限，因此本研究结果仍应作为探索性图像质量研究进行解读。尽管本研究未以诊断准确性或病灶检出率作为主要终点，但图像质量的提升可能在一定程度上改善病灶显示能力及阅片信心，从而对临床诊断产生潜在积极影响。然而，该推断仍需在以诊断效能为终点的前瞻性研究中进一步验证。
本研究仍存在一定局限性。首先，本研究为单中心回顾性分析，且基于单一设备和固定扫描参数，未在多中心或不同扫描条件下进一步验证DPR算法的稳定性和泛化能力。其次，样本量相对有限，且研究纳入患者以胰腺囊性及占位性病变为主，疾病谱相对集中，缺乏更广泛的肝胰系统恶性肿瘤样本，如胰腺癌、肝细胞癌等，因此DPR算法在不同肿瘤类型中的适用性仍需进一步验证。此外，本研究主要从图像质量、SNR及噪声水平等角度评估DPR算法性能，尚未系统验证其对代谢定量参数的影响。因此，本研究仅作为图像重建质量优化研究。未来研究应进一步结合标准重建方法，对SUV等关键代谢参数进行系统性对比分析，以评估DPR对临床诊断的实际影响。总的来说，未来研究应在多中心、大样本及多病种背景下进一步验证其稳定性与推广价值，并结合病灶检出率、代谢参数准确性及诊断效能等临床任务，系统评估DPR对临床决策的实际增益。
总而言之，本研究表明，DPR算法可显著改善肝脏与胰腺18F-FDG PET/MR图像质量，尤其在图像清晰度、噪声抑制与肝脏均匀性等方面较传统OSEM算法具有明显优势。在不同重建强度中，DPR强度1在有效保留组织结构细节的同时获得了较优的SNR表现，综合性能较为突出，具备作为腹部PET/MR标准化重建参数应用的潜力应用价值。在等效低剂量模拟中，采集时间缩短至1/2所得的DPR重建图像，即等效1/2低剂量条件下的DPR图像，其图像质量仍显著优于全时间OSEM重建图像，提示DPR在缩短采集时间条件下具有较好的成像稳定性和临床可行性；而在进一步降低等效剂量条件下，其图像质量优势有所减弱。总体而言，DPR算法有望在保证图像质量的前提下，改善腹部代谢性器官PET/MR成像质量，并在一定范围内缩短采集时间或降低放射性药物用量提供技术支持。
利益冲突 无
作者贡献声明 王源、杨雪倩、郝志鑫负责数据采集、数据分析、论文撰写；李恩慧、苏小帆、杨阳参与研究设计、数据分析、论文撰写；霍力、邢海群负责研究指导和论文审阅
| [1] |
Duclos V, Iep A, Gomez L, et al. PET molecular imaging: A holistic review of current practice and emerging perspectives for diagnosis, therapeutic evaluation and prognosis in clinical oncology[J]. Int J Mol Sci, 2021, 22(8): 4159. DOI:10.3390/ijms22084159 |
| [2] |
Sun Y, Cheng Z, Qiu J, et al. Performance and application of the total-body PET/CT scanner: A literature review[J]. EJNMMI Res, 2024, 14(1): 38. DOI:10.1186/s13550-023-01059-1 |
| [3] |
Shang K, Hu J, Wang ZM, et al. Impact of different reconstruction algorithms on PET image quality and diagnostic efficiency in patients with temporal lobe epilepsy[J]. Chin J Nucl Med Mol Imaging, 2024, 44(11): 678-683. DOI:10.3760/cma.j.cn321828-20240108-00010 |
| [4] |
Zhang TT, Liang ZW, Hang ZB, et al. Optimization of 90Y PET/CT imaging based on the block-sequential regularized expectation maximization reconstruction algorithm[J]. Chin J Nucl Med Mol Imaging, 2025, 45(6): 335-340. DOI:10.3760/cma.j.cn321828-20250307-00063 |
| [5] |
Springer S, Basset-Sagarminaga J, van de Weijer T, et al. Improving image reconstruction to quantify dynamic whole-body PET/CT: Q.Clear versus OSEM[J]. EJNMMI Phys, 2025, 12(1): 27. DOI:10.1186/s40658-025-00736-5 |
| [6] |
Ruan WW, Liu F, Shu H, et al. Optimizing bayesian penalized likelihood algorithm for PET reconstruction to simulate low dose PET imaging[J]. Chin J Nucl Med Mol Imaging, 2023, 43(12): 718-723. DOI:10.3760/cma.j.cn321828-20231016-00073 |
| [7] |
Li L, Chen R, Wen J, et al. Improved[68Ga]Ga-PSMA-11 image qualities reconstructed by total variation regularized expectation maximization on total-body PET/CT[J]. Quant Imaging Med Surg, 2023, 13(8): 5230-5241. DOI:10.21037/qims-22-1341 |
| [8] |
Hashimoto F, Onishi Y, Ote K, et al. Deep learning-based PET image denoising and reconstruction: A review[J]. Radiol Phys Technol, 2024, 17(1): 24-46. DOI:10.1007/s12194-024-00780-3 |
| [9] |
Gong K, Guan J, Kim K, et al. Iterative PET image reconstruction using convolutional neural network representation[J]. IEEE Trans Med Imaging, 2018, 38(3): 675-685. DOI:10.1109/TMI.2018.2869871 |
| [10] |
Lv Y, Xi C. PET image reconstruction with deep progressive learning[J]. Phys Med Biol, 2021, 66(10): 105016. DOI:10.1088/1361-6560/abfb17 |
| [11] |
Badawi RD, Shi H, Hu P, et al. First human imaging studies with the EXPLORER total-body PET scanner[J]. J Nucl Med, 2019, 60(3): 299-303. DOI:10.2967/jnumed.119.226498 |
| [12] |
Yang H, Chen S, Qi M, et al. Investigation of PET image quality with acquisition time/bed and enhancement of lesion quantification accuracy through deep progressive learning[J]. EJNMMI Phys, 2024, 11(1): 7. DOI:10.1186/s40658-023-00607-x |
| [13] |
He LP, Yang PF. Development status of integrated PET/MR products[J]. Chin J Med Instrum, 2024, 48(4): 401-406. DOI:10.12455/j.issn.1671-7104.20230644 |
| [14] |
Vandenberghe S, Marsden PK. PET-MRI: A review of challenges and solutions in the development of integrated multimodality imaging[J]. Phys Med Biol, 2015, 60(4): R115-154. DOI:10.1088/0031-9155/60/4/R115 |
| [15] |
Boellaard R, Delgado-Bolton R, Oyen WJ, et al. FDG PET/CT: EANM procedure guidelines for tumour imaging: Version 2.0[J]. Eur J Nucl Med Mol Imaging, 2015, 42(2): 328-354. DOI:10.1007/s00259-014-2961-x |
| [16] |
Zhang S, Wang X, Jiang YX, et al. Optimization of brain PET-MR imaging in patients with neurodegenerative diseases based on deep progressive reconstruction[J]. Natl Med J China, 2025, 105(42): 3844-3849. DOI:10.3760/cma.j.cn112137-20250411-00894 |
| [17] |
Wang T, Qiao W, Wang Y, et al. Deep progressive learning achieves whole-body low-dose 18F-FDG PET imaging[J]. EJNMMI Phys, 2022, 9(1): 82. DOI:10.1186/s40658-022-00508-5 |
| [18] |
Qiao W, Wang T, Yi H, et al. Impact of a deep progressive reconstruction algorithm on low-dose or fast-scan PET image quality and Deauville score in patients with lymphoma[J]. EJNMMI Phys, 2025, 12(1): 33. DOI:10.1186/s40658-025-00739-2 |
| [19] |
Chen Z, Yang H, Qi M, et al. Enhancing 18F-FDG PET image quality and lesion diagnostic performance across different body mass index using the deep progressive learning reconstruction algorithm[J]. Cancer Imaging, 2025, 25(1): 58. DOI:10.1186/s40644-025-00877-x |
| [20] |
Zhang Z, Han W, Lyu Z, et al. Comparison of 18F-FDG PET image quality and quantitative parameters between DPR and OSEM reconstruction algorithm in patients with lung cancer[J]. EJNMMI Phys, 2025, 12(1): 39. DOI:10.1186/s40658-025-00748-1 |