作者：邢天衣，樊荣荣，姜沁伶，萧 毅，海军军医大学第二附属医院放射诊断科

正电子发射体层显像（positron emission tomography，PET）与CT的结合即PET-CT。作为一种先进的医学影像技术，其在肿瘤诊断、分期及治疗评估中广泛应用。PET-CT技术的独特性是将功能性PET成像与形态学CT成像在图像上融合，并提供病灶的多平面（如横断面、冠状位及矢状位）形态学结构和分子代谢信息，这种融合成像技术显著提升了病灶检测的敏感性和准确性，在肿瘤的早期诊断和转移评估中发挥重要作用。

PETCT在临床应用中仍面临诸多挑战，如辐射剂量较大、图像解读的主观性、大量数据的处理效率和复杂病变的精准识别等。近年来，医学影像人工智能（artificial intelligence，AI）通过深度学习等技术，高效处理海量医学影像数据，显著提升了诊断效率和准确性，在病变识别、辅助诊断和治疗评估等方面发挥了重要作用。

目前，AI在肺结节、乳腺疾病、心血管疾病等领域的相关产品已获得国家药品监督管理局（NMPA）的三类医疗器械注册证，标志着AI在影像中的应用已逐步成熟。随着数据可用性的增加和算法算力的进步，AI逐步围绕PET-CT在肿瘤诊断领域开展研究，通过提取和分析PET-CT影像特征，构建预测模型用于肿瘤的良恶性判断、分期及预后评估，在图像质量优化、多模态图像配准与融合等方面也展现出了巨大潜力。两者结合不仅提升了诊断的效率和准确性，还推动了精准医疗的发展，缓解了医疗资源压力。

本文拟从以下4个方面来梳理其研究进展：（1）AI在PET-CT图像质量优化方面的技术进展及临床应用；（2）AI在PET-CT中的图像配准与融合的应用；（3）AI在PET-CT中的定量分析应用；（4）AI在PET-CT 中的肿瘤检出与预后评价的应用。旨在帮助放射科医师和医学图像分析领域的研究者进一步了解AI在PET-CT影像分析的临床应用价值，进而使得他们更好地开展临床和科研工作。

1. AI在PET-CT图像质量优化方面的技术进展及临床应用

PET-CT图像的质量常受到高噪声和低分辨率等因素的干扰，从而影响诊断的准确性，而AI的深度学习技术通过在低剂量环境下降低噪声、提高分辨率和优化图像重组，为大幅提高图像质量提供了可能。

1.1 图像质量优化

近年来，AI技术在PET-CT图像增强与低剂量PET/CT成像方面都取得了显著进展，但PET-CT成像的质量仍遭受多种因素的影响，如设备性能、放射性示踪剂的剂量、图像重组算法、患者因素和操作者技术等。研究人员为了提高成像质量探索了多种方法，包括迭代重组算法、后处理滤波和深度学习方法。传统的迭代重组算法和后处理滤波虽能提升低剂量PET-CT成像质量，但存在计算量大、信息损失等局限性。相比之下基于深度学习的AI技术，尤其是卷积神经网络（convolutional neural networks，CNN）和生成对抗网络（generativeadversarial network，GAN），在去噪、图像重组及超分辨率增强方面显示出显著优势。

例如，Balaji 等用CNN 和GAN等深度学习模型，实现了PET和SPECT图像的去噪和去模糊，提升了成像质量。Liu等提出了一个基于AI的多任务学习模型，通过结合深度卷积网络和图像重组技术，提高了低剂量PET图像的清晰度。Ouyang等使用GAN对低剂量PET图像进行超分辨率增强，有效减少了伪影和噪声，进一步提升了图像质量。

1.2 技术进展

低剂量成像在减少患者辐射暴露的同时通常会导致图像质量下降，为了解决这一问题研究者开发了多种基于深度学习的模型。例如，Zhao等通过结合对抗损失、循环一致性损失、恒等损失和监督学习损失提出的S-CycleGAN网络，显著提升了低剂量PET图像的质量。Cui等提出了一种无监督深度学习方法，基于条件深度图像先验方法，利用PET和解剖图像对进行训练，无需高质量PET图像即可进行图像去噪，并有效地恢复了肿瘤结构，该方法在模拟和临床数据上都取得了优异的去噪效果，优于高斯滤波、NLM、BM4D和Deep Decoder等传统方法的去噪效果。

Azimi等提出了一种基于注意力机制的卷积神经网络（ ATB-Net），该网络能够同时进行图像去噪和部分体积校正（PVC），性能优于传统方法。Dong等利用CycleGAN 网络，仅基于非衰减校正PET图像生成合成CT 图像，结果与真实CT 图像高度相似。

Li等提出的新型3D卷积神经网络模型，是用自注意力卷积神经网络引入了3D自注意力模块和自监督学习方案，可以更好地捕捉图像中的长距离依赖关系和CT图像特征，从而提高去噪性能。这些技术进展提高了PET-CT成像质量、低剂量成像性能，优化计算效率和数据利用，推动了PET-CT成像技术的整体性能和临床应用潜力。现有的方法需要大量高质量的训练数据、高性能计算资源和长时间模型训练，这在一定程度上限制了AI在PET-CT中的广泛应用。

为了克服这些挑战，未来的研究可聚焦开发更高效的无监督或半监督学习模型。例如，MICCAI提出的CM-MoCo新型自监督方法利用PET-CT的双模态特性，通过设计预训练任务从海量未标注数据中自动学习特征表示，减少人工配准误差的影响。物理约束生成对抗网络（Physics-GAN）、元生成式网络（Meta-GAN）仅需少量标注数据，即可实现与传统全监督模型相当的图像增强效果。此外，异构半监督联邦（HSSF）学习也是一个有前景的方向，这种方法可以解决多中心数据隐私保护与标注稀缺的双重挑战，减少对高质量数据的依赖。

2. AI在PET-CT中的图像配准与融合的应用

PET和CT采集不是同时进行的，受试者在多模态图像采集过程中经常出现错位，导致重组的PET 图像中出现伪影，以及不同模态之间的差异、图像噪声、运动伪影等因素都增加了PET-CT图像配准的复杂性。近年来，AI技术的快速发展为解决这些问题提供了新的途径。

2.1 图像配准

图像配准旨在将不同模态的图像对齐，从而使得同一物体或区域在不同图像中对应起来。配准是实现高质量图像融合的关键步骤，传统方法主要依赖于相似度度量（如均方误差、互信息）和优化算法（如梯度下降）的迭代过程，存在计算量大、耗时长的缺点。基于深度学习的配准方法，如Voxel-Morph和CoRX-NET通过学习图像特征和变形规律，实现了快速、准确的配准。VoxelMorph利用CNN网络将配准问题转化为函数学习，通过优化CNN参数实现图像配准；CoRXNET是基于Swin-Transformer网络结合交叉拼接层，有效地融合了SPECT和CT图像特征，进而提高了配准精度。其在脑部MRI、SPECT/CT等图像配准任务中均取得了显著成果。

Safari等提出的基于无监督深度生成对抗网络（Med-FusionGAN）的方法，通过对比学习提取共享信息进一步提高了图像配准的精度，为放射治疗计划的制定提供了有效支持。

2.2 图像融合

早期的多模态融合方法主要是依赖于多尺度分解和小波变换技术，存在冗余分解、高频信息损失、计算量大、对噪声敏感及参数选择复杂等缺点。Alzahrani等提出了一种改进的离散小波变换（MDWT）和算术优化算法（AOA）的融合模型，通过双边滤波、MDWT分解和融合规则优化，实现了多模态图像的有效融合。

Xiao等则提出了一种基于孪生金字塔融合网络（SPFN）的PET-CT融合方法，利用特征金字塔变换提取多尺度信息，并通过交叉相关层融合图像特征最后重构融合图像。Zhou等提出的基于CNN网络避免了传统方法中人工设计融合规则的缺点，端到端的图像融合框架（IFCNN），能够有效地进行特征提取、特征融合和图像重组。这类方法的优势在于能够自动优化图像融合过程，减少人工干预，从而提高融合精度。

随着深度学习的兴起，基于GAN网络和深度卷积神经网络的图像融合方法取得了显著进展。例如，Liang等提出了一种基于深度卷积神经网络的医学图像融合方法，直接从原始图像中学习图像特征，该方法能够有效地融合CT、MRI、PET和SPECT图像，并能够提高融合图像的空间对比度、分辨率和细节信息。PET图像的低空间分辨率、噪声和部分容积效应的特性对深度学习模型的泛化能力和鲁棒性有着更高的要求，PETCT图像的多模态特性也增加了配准的复杂性。目前大多数AI方法采用监督学习策略，需要大量高质量的标注数据，这在临床实践中往往难以获得。

3. AI在PET-CT中的定量分析应用

定量分析是PET-CT影像学分析的关键手段。图像中肿瘤、组织代谢活动、血流等生物过程的精准生理信息、解剖结构和病变区域特征，将这些定量指标结合AI技术，能够帮助医师更准确地评估病情、预测疾病进展，并为临床决策提供有力的数据支持。如何引入机器学习和深度学习技术来自动化定量分析，减少人为误差，特别是在自动化图像分割和肿瘤检测等关键步骤中，仍然是当前研究的重要挑战。

Hicks 等探讨了标准摄取值（SUV）和肿瘤代谢体积（MTV）这两种半定量指标与肿瘤负荷、肿瘤代谢异质性和治疗效果的相关性，结果表明虽然这些半定量指标是肿瘤预后评价的重要预测指标，但不足以预测患者的疾病进程或治疗效果，需要更深入地探索怎样更好地利用这些指标，结合其他临床和生物学信息去提高预测的准确性。目前，AI通过深度学习技术可实现自动计算SUV等定量参数，然后进行多时间点、多病灶的对比分析，结合自动分割测量的病变体积，为肿瘤的分期和疗效评估提供全面的定量信息，提高肿瘤的诊断能力和准确性。

肿瘤病灶的自动分割是PET/CT定量分析的关键初始工作，传统的手动分割方法费时费力且易受操作者经验的影响。近年来，基于深度学习的自动分割算法在PET-CT图像处理中取得了显著进展。Azad等对深度学习架构在肿瘤分割中的应用进行了研究，发现U-Net架构在肿瘤分割精度上表现优异，尤其在处理复杂肿瘤结构时展现了显著优势。

Andrearczyk等首次在医学影像分析领域构建了多中心多任务联合学习框架，其中Pengy团队将Squeeze-Excitation（SE）通道注意力模块嵌入nnU-Net框架，通过动态校准特征通道权重提升PET-CT融合信息的利用效率。在HECKTOR挑战赛数据集上，SE增强型3D nnU-Net在头颈肿瘤分割中取得了最优的性能Dice 分数（0.779），表现优于传统PET 阈值法。Dirks等开发的完全自动化系统，能够检测并分割恶性黑色素瘤病变，展示了优异的性能，特别是在新的数据集上，取得了中位F1分数为0.7500的优秀结果。

这些研究表明，AI不仅可以减少人工工作量，还能提高分割精度，减少观察者间的变异性，克服传统半定量指标的局限性，可以得到更准确的肿瘤测量体积和代谢活动信息。尽管如此，部分肿瘤边界模糊、不同组织代谢活动差异较大等因素依然对精确的定量分析构成挑战，尤其是在小肿瘤和低代谢区域的识别上。Sachpekidis等使用深度学习技术对PET-CT 图像中的骨髓代谢活性进行自动分割和量化，发现MTV和总代谢评分（TLG）与骨髓浆细胞浸润程度和患者生存期显著相关，可以作为多发性骨髓瘤患者预后的重要预测指标。

Wang等结合深度学习技术对帕金森病（PD）患者的脑部PET影像进行定量分析，进一步证明了AI在早期神经退行性疾病诊断中的潜力。PET-CT定量分析的研究主要集中在特定疾病类型上，为了获得更加有意义的定量分析结果，未来的研究需遵循图像采集和数据分析的标准化协议。

4. AI在PET-CT肿瘤检出与预后评价的应用

PET-CT 的肿瘤检出与预后评价是利用AI技术在PETCT图像中自动分割肿瘤区域、提取肿瘤特征，通过定量分析这些特征，AI模型可以预测肿瘤的生长趋势、治疗反应和预后，为临床决策提供更精准的依据。为了充分利用多模态医学影像数据和多组学数据，从海量数据中挖掘隐藏的模式和信息，帮助医师更好地理解肿瘤的异质性，并为患者提供个性化的治疗方案。

Dayarathna等通过整合PET、CT、MRI等多模态影像数据，探索了不同网络架构在医学图像合成中的应用，结果表明AI技术能够弥补传统影像技术的不足，提供更全面的病理信息，从而提升诊断能力。Yuan 等开发了一种基于多模态深度学习（MDL）的模型，利用中期18FFDG PET-CT 影像数据对弥漫性大B细胞淋巴瘤（DLBCL）患者的一线治疗失败（PTF）进行预测，通过五种多模态融合策略构建了多个MDL模型，该模型在测试数据集和外部验证集上均表现出色，准确率分别为91.22%和88.64%，受试者工作特征曲线曲线下面积（AUC）分别为0.926和0.925。

Zhong等提出一个基于深度学习的淋巴结转移特征（DLNMS）模型，采用了ResNet18 作为骨干网络，结合PET-CT影像上的代谢和形态学参数，能够精确地进行肿瘤分期和生存预测，帮助临床医师为非小细胞肺癌（NSCLC）患者制定个性化治疗方案。

Weikert提出了一种基于Retina U-Net的AI算法，结合PET和CT信息，通过解剖区域分割对检测到的病灶进行分类，实现了在18F-PET-CT图像中自动检测肺癌的原发肿瘤（T）、淋巴结转移（N）和远处转移（M）。该算法在PET-CT图像中检测肺癌病灶表现出较高的敏感性，特别是在T 病灶的检测中，其敏感性达到86.2%，且通过解剖区域分割，94.3%的检测病灶被正确分类为T、N或M类别。AI还能结合患者治疗前的PET-CT图像去预测疾病的进展，例如Wei等的研究表明将AI结合PET-CT不仅能够量化肿瘤体积的变化，还能分析其代谢特征，实现动态监测和治疗反应预测，帮助临床医生实时调整治疗方案。

Leung等提出了深度半监督迁移学习方法（DeepSSTL），在PETCT影像上实现了全自动肿瘤分割和预后评估，该研究涵盖了六种癌症类型尤其是在前列腺癌的风险分层、头颈癌的生存分析和乳腺癌的治疗反应预测中展现了良好的预后评估能力。相信随着算法的不断优化和多模态数据的进一步融合，AI技术有望在肿瘤精准医疗中发挥更大作用。

来源：邢天衣,樊荣荣,姜沁伶,等.人工智能在PET-CT中的应用现状及未来展望[J].临床放射学杂志,2025,44(07):1340-1344.DOI:10.13437/j.cnki.jcr.2025.07.027.