基于三维多区域卷积神经滤波器的专用乳腺PET图像降噪方案优化研究

　　来自日本的研究人员针对专用乳腺PET（dbPET）因灵敏度降低导致噪声相对增加、传统二维CNN处理在MIP观察时出现图像模糊的问题，开展了三维多区域卷积神经网络降噪研究。通过将1分钟和7分钟采集数据分别作为输入和教师图像进行训练，实现了三维体积数据的噪声抑制输出。定量评估证实该方法在降噪性能、MIP图像可视化和SUVMAX reproducibility保持方面均优于二维滤波器，为dbPET图像质量提升提供了有效解决方案。

　　

专用乳腺正电子发射断层成像（dedicated breast positron emission tomography, dbPET）相较于全身PET具有更高的空间分辨率，能够检测更小的病灶，因此在早期乳腺癌筛查和治疗效果评估中展现出重要潜力。然而，dbPET图像因灵敏度降低导致噪声相对增加。先前研究通过应用多个卷积神经网络（convolutional neural networks, CNNs）实现了区域自适应降噪，但基于二维切片平面的处理方式在使用最大强度投影（maximum intensity projection, MIP）多角度观察时会导致图像模糊。

本研究将多维CNN扩展至三维处理领域，通过区域特异性优化进一步降低噪声并提升可视化效果。训练过程中采用1分钟和7分钟采集数据分别作为输入图像与教师图像，系统以三维体积数据作为输入并输出降噪后的体积数据。定量评估表明，所提出的多重三维定向降噪滤波器性能优于二维滤波器，MIP图像可视化效果显著改善。通过体模实验对最大标准化摄取值（standardized uptake value_MAX, SUV_MAX）进行的定量分析证实，该降噪方法在保持SUV_MAX重现性方面具有可靠性。这些结果表明该方法对dbPET图像降噪具有显著应用价值。