2025.12.12
这篇文章 2026 年发表于《Medical Image Analysis》期刊，由上海科技大学等机构团队完成，核心是提出一种名为 HALO 的低剂量 PET 图像重建框架，解决临床中剂量 variability 和高频细节丢失两大关键问题。
Title题目
01
HALO: High-frequency enhanced dose-aware diffusion model for arbitrary low-dose PET reconstruction
HALO：一种用于任意低剂量PET图像重建的高频增强剂量感知扩散模型
文献速递介绍
02
正电子发射断层扫描（PET）是诊断阿尔茨海默病和各种癌症的常用非侵入性代谢成像技术。尽管其具有实用性，但PET成像需要注射放射性核素，这给患者带来了固有的辐射风险。减少注射剂量可以降低这些风险，但同时也会削弱扫描信号，导致重建PET图像质量下降并可能影响诊断准确性。一种有前景的方法是从低剂量PET（LPET）图像重建标准剂量PET（SPET）图像，以实现具有诊断质量的图像并降低辐射暴露。设计一种临床可行的算法来重建SPET图像面临至少两个挑战：首先是PET图像中反映的有效剂量的可变性，这受到个体特征、扫描持续时间、扫描仪灵敏度和示踪剂注射方案等多种因素的影响。即使使用相同的单位剂量，放射性核素摄取和组织组成的变化也会导致PET图像中有效剂量的差异。其次，从LPET图像中恢复SPET图像的高频细节也面临挑战。作为一种基于发射的成像模态，PET图像本身易受噪声和伪影影响，剂量减少会加剧这些问题，导致结构清晰度更低。最近，扩散模型在条件生成任务中取得了显著成功，但在应用于3D医学图像时面临高计算成本挑战，且可能忽视对诊断至关重要的高频细节。为了解决这些挑战，本文提出了HALO，一种高频增强剂量感知扩散模型，用于任意低剂量PET重建。HALO设计了剂量适应（DA）模块来捕捉LPET图像中的有效剂量，并采用高频残差生成策略，通过预训练CNN恢复低频分量，扩散模型专注于预测高频残差，同时引入频率信息分离器（FIS）和高频调制器（HFM）以增强高频细节生成。这项工作扩展了之前在MICCAI 2024上接受的研究，主要有四个关键改进：更深入地研究了LPET重建中的多剂量问题，澄清了注射剂量和图像中有效剂量的区别；增强了剂量条件化方法，结合了注射剂量信息和估计噪声水平；扩展了包含多中心数据的实验数据集；以及对框架中关键超参数进行了全面分析。
Aastract摘要
02
从低剂量PET扫描中重建标准剂量PET图像是降低PET成像相关辐射风险的有效方法。然而，在临床实践中，注射剂量水平受多种因素影响，且即使注射剂量相同，由于个体差异，图像中体现的“有效剂量”也存在差异。此外，由于PET图像本身缺乏详细结构信息，在高频细节的保存方面也面临挑战。为了解决这些问题，我们提出了一种名为HALO的高频增强剂量感知低剂量PET重建框架。首先，我们引入了一个剂量适应模块，通过整合注射剂量信息和估计噪声水平来捕捉图像中呈现的有效剂量，并以此控制重建过程。为了进一步增强高频细节，我们采用了一种高频残差生成策略，其中预训练的CNN用于恢复低频分量，而扩散模型专注于预测高频残差。相应地，我们引入了频率信息分离器（FIS）和高频调制器（HFM）来丰富高频生成。在公开的多剂量PET数据集上进行的大量实验表明，HALO在定量和定性方面均优于现有最先进的方法，尤其是在超低剂量（例如2%）条件下，突出了其在实际临床应用中的潜力。
Method方法
03
本文提出的HALO方法流程如下：给定输入低剂量PET图像x和剂量水平d，图像首先通过预训练的CNN，生成一个以低频信息为主的初始预测xcnn。高频残差（HF Residual）通过残差分割模块提取为xres=xgt−xcnn，作为训练扩散模型的监督信号，以恢复精细结构细节。随后，预测的HF Residual通过残差合并模块与初始低频估计xcnn融合，生成最终重建的SPET图像xfinal=xcnn+x^res。为了实现任意剂量PET重建，本文设计了剂量适应（DA）模块，它通过整合注射剂量信息和估计噪声水平来捕捉PET图像中的有效剂量。粗略剂量控制基于注射剂量信息，采用正弦位置编码将注射剂量d编码为剂量嵌入D，作为重建过程中的条件因子。精细调整基于图像噪声信息，利用离散小波变换（DWT）从xcnn中分离出HHH系数，并结合Canny边缘滤波器生成的边缘图，估计出噪声图Nmap。剂量嵌入D和估计噪声图Nmap（以及时间步嵌入T）被整合到去噪网络的每个卷积块中：D与T相加后注入到去噪网络的中间块，Nmap则与噪声图像xt沿通道维度连接，作为扩散模型第一卷积层的辅助输入。为实现高频细节重建，HALO采用高频残差生成策略：一个轻量级预训练CNN首先生成xcnn（低频内容），然后扩散模型专注于重建高频残差。为了进一步增强扩散模型的高频生成能力，引入了频率信息分离器（FIS）模块将xcnn分离为高频xHF和低频xLF分量，通过快速傅里叶变换（FFT）和自适应高通/低通滤波器实现。这些分量与xcnn和xt沿通道维度连接并输入去噪网络。此外，基于DWT的高频调制器（HFM）嵌入在跳跃连接中，以将多尺度高频指导整合到去噪过程中，通过计算Mhf=Softmax(QKTdk)V将高频信息与上采样特征图融合。
Discussion讨论
04
本文进一步评估了HALO在不同成像中心（西门子Biograph Vision Quadra扫描仪）采集数据上的鲁棒性。该数据集包含197个全身18F-FDG PET样本，裁剪后的腹部扫描分辨率为256x256x210，使用64x64x64的图像块进行模型开发。结果表明，HALO在该额外数据集上的所有指标上均持续优于比较方法，突出了模型适应不同成像协议的鲁棒性。HALO在所有剂量水平上均实现最高整体性能，且性能随着剂量水平的变化保持稳定，降级最小，表明其能够很好地适应剂量变化而不显著损失重建质量。这些发现验证了HALO在多样成像条件下的鲁棒性和可靠性。本文还进行了超参数选择实验，以确定扩散模型的最佳超参数，重点关注时间步数和去噪网络中的卷积块数。在United Imaging uExplorer数据集上的实验显示，将正向扩散过程的时间步数增加到2000步时，整体性能稳步提高，但超过2000步后性能增益微乎其微，计算负荷显著增加。因此，选择2000个时间步作为最佳配置。去噪网络中的卷积块数影响模型的学习和特征恢复能力。实验表明，2个卷积块的配置实现了最高性能，在捕获基本图像细节和避免过拟合之间取得了平衡。增加到3个卷积块性能提升很小，但显著增加了训练时间和模型参数。因此，选择2个卷积块作为最佳配置。此外，对复合损失函数LCNN的敏感性分析表明，空间域损失（LGT）、FFT基频域损失（LFFT）和DWT基频域损失（LDWT）之间需要平衡的权重贡献。LFFT和LDWT的权重在(0.1, 1)范围内，且LFFT的权重是LDWT的两倍（即a=2b）。实验结果显示，a=0.2和b=0.1的配置在SSIM和PSNR方面始终
Conclusion结论
05
本研究解决了当前低剂量PET重建算法在临床应用中的两大主要限制——剂量变异性和高频细节保留问题。我们设计了一种新颖的高频增强剂量感知扩散模型HALO，适用于重建任意低剂量输入。首先，我们引入了剂量适应模块，结合注射剂量信息和噪声水平，准确捕捉PET图像中存在的有效剂量，从而实现受控的多剂量重建。其次，我们采用了高频残差生成策略，并进一步将频率信息分离器（FIS）和高频调制器（HFM）组件整合到扩散模型中，以有效地重建PET图像中的高频细节。在公共数据集上进行的广泛实验表明，HALO在定量指标和定性评估方面均优于现有最先进的技术。
Results结果
06
数据集来自Ultra Low Dose PET Imaging Challenge Dataset，包含189个全身18F-FDG PET成像样本，裁剪为腹部区域（256x256x128分辨率）。70%用于训练，10%用于验证，20%用于测试。为解决GPU内存限制，采用集中采样策略提取重叠的64x64x64块。强度归一化至[0,1]。评估指标为PSNR和SSIM。扩散模型采用标准DDPM训练范式，T=2000个时间步。HALO与五种最先进的方法（3D U-Net、3D-cGAN、DISGAN、PET-Diff、Con-Diff）进行了比较。量化结果显示，HALO在所有剂量水平（1%至50%计数）上均表现出最佳的整体性能，特别是在超低剂量（例如2%计数）下，保持了卓越的图像清晰度。HALO在剂量降低时表现出显著的稳定性。与竞争方法相比，HALO在超低剂量水平（1%-5%）上在PSNR和SSIM两项指标上均实现了统计学显著改进（p<0.05）。在较高剂量水平（10%-50%）下，HALO仍优于大多数基线方法，但与最近的基于扩散模型的方法（PET-Diff、Con-Diff）相比，统计优势不那么明显，这符合PET重建中性能饱和效应。定性比较（图4）显示，HALO在生成局部高频细节方面表现出优势，其误差图中的浅色区域表示与SPET参考误差最小。消融研究证实了各模块的有效性：CNN-Diff优于标准扩散模型（Diff），通过CNN处理低频分量，扩散模型专注于高频细节，提高了结构清晰度。高频指导（CNN-Diff-HF，引入FIS和HFM）进一步提高了性能，增强了精细纹理的保留。结合剂量适应模块的HALO模型实现了最高性能，能够更好地适应剂量波动和噪声变化。对3D U-Net基线模型的剂量信息影响研究（表4）表明，结合注射剂量和估计有效剂量（剂量适应变体）的模型在PSNR和SSIM方面始终优于仅使用注射剂量或不使用剂量信息的模型，并具有更低的变化性，证明了有效剂量建模的价值。
Figure图
07
图1. 三个受试者（对应三列）的矢状面、冠状面和轴向面1%计数LPET图像对比。尽管所有三个受试者的注射剂量相同，但噪声水平显著不同，突出了LPET图像质量的内在变异性。
图2. 所提出方法的概述，其管道图在(a)中展示。最初，一个预训练的CNN生成一个粗略的预测，xcnn，它主要捕获低频信息。为了增强这个输出，一个扩散模型被用于在频率信息分离器（FIS）
图2. 所提出方法的概述，其管道图在(a)中展示。最初，一个预训练的CNN生成一个粗略的预测，xcnn，它主要捕获低频信息。为了增强这个输出，一个扩散模型被用于在频率信息分离器（FIS）模块和剂量适应（DA）模块的指导下重建高频残差（HF残差）。最终图像通过将重建的HF残差添加回粗略预测xcnn获得。DA模块的机制在(b)中描绘，去噪网络的结构在(c)中展示。
图3. CNN中使用的损失函数组件图示。复合损失函数是基于转换图像与其对应的真实图像之间的均方误差（MSE）计算的。
图4. 在联影uEXPLORER采集的数据上，六种不同方法生成的PET图像的视觉比较。从左到右依次是SPET、LPET、五种比较方法（第3-7列）的结果以及我们的HALO（第8列）。生成结果与SPET之间的相应误差图分别显示在第2、4和6行。
图5. 消融研究的视觉比较。关键感兴趣区域用圆圈和箭头突出显示，表明了评估组件的影响。
图6. 在六个剂量水平下，不同时间步数（顶部蓝色条）和卷积块数（底部绿色条）的实验结果，以SSIM评估。
图7. 在LFFT和LDWT不同权重设置下的性能比较。蓝线表示SSIM值（对应左y轴），橙线表示PSNR值（对应右y轴）。
