近日，beat365在线体育app（以下简称“深圳先进院”）医学成像科学与技术系统全国重点实验室、深圳先进院生物医学与健康工程研究所胡战利研究员团队与上海瑞金医院李彪主任团队、宁波诺丁汉大学何祥健教授团队、武汉同济医院朱小华主任团队、山东省千佛山医院程召平主任团队、珠海市人民医院许杰华主任团队合作，在无需CT的PET衰减与散射校正研究领域取得重要进展。

研究团队提出了一种面向多示踪剂、多设备和多中心场景的少样本域适应框架CrossPET-Adapt，可在仅使用少量目标域数据的条件下，将深度学习模型快速迁移到新的临床成像环境，为减轻PET/CT检查中的CT相关辐射负担和促进人工智能模型的临床部署提供了新思路。相关成果以“Generalizable CT-Free PET Attenuation and Scatter Correction via Few-Shot Cross Domain Adaptation”为题，发表在数字医学领域知名期刊NPJ Digital Medicine（IF=15.1）上。

PET能够反映疾病诊断、分期和疗效评估中至关重要的功能代谢信息，但其定量准确性容易受到光子衰减和散射效应影响。传统PET/CT成像流程通常依赖CT图像获取衰减图并完成散射校正，但会带来额外CT辐射剂量。在低剂量或动态PET等场景中， PET/CT配准错位及患者运动还可能引入额外伪影和定量偏差。近年来，基于深度学习的衰减与散射校正方法显示出应用潜力，但在真实临床环境中，不同示踪剂、不同设备的成像特性、不同中心的采集与重建流程均会导致明显的数据分布差异，使模型面临泛化能力不足的问题。

针对上述问题，研究团队提出CrossPET-Adapt少样本域适应框架（图 1）。该方法的核心思想是：先让模型在最常用的 PET 示踪剂 18F-FDG 数据中预训练来学习衰减与散射校正的一般规律，对未见域则在预训练模型的基础上利用极少量来自新域的数据微调进行域适应，使模型能够更好地应对不同示踪剂、不同扫描设备和不同医疗中心带来的数据异质性。为系统验证该策略的泛化能力，研究团队构建了包含1539名受试者、覆盖11个队列的大规模多域PET/CT数据集。数据涵盖4种示踪剂（18F-FDG、18F-PSMA、68Ga-DOTA-TATE和68Ga-FAPI）、3种短轴向PET/CT扫描仪、3家外部医疗中心，以及用于临床验证的淋巴瘤患者队列。

该研究比较了单示踪剂训练、多示踪剂联合训练和少样本适应三种不同的训练策略，来探索深度学习模型在不同临床场景下的泛化性。研究结果显示，单一数据来源训练得到的模型在面对新示踪剂、新设备或新中心时容易出现性能下降。多示踪剂联合训练能够在已知的示踪剂队列下取得较好表现，但在外部中心和外部扫描仪队列中CrossPET-Adapt 仅需少量目标域数据进行微调就能够明显提升模型在新场景中的性能（图 2）。值得注意的是，即便仅使用1例目标域数据进行微调，CrossPET-Adapt 也能取得出色的表现。这一结果提示，未来的临床推广中，医院可以基于预训练模型进行快速本地化适配，从而无需重新收集大量本地数据从头训练模型，以显著降低数据采集成本和模型部署门槛。

在临床相关性验证中，研究团队进一步将该方法应用于淋巴瘤患者18F-FDG PET数据。结果显示，深度学习校正后的 PET 图像在整体视觉质量和病灶定量结果上均与传统 CT 校正结果高度一致。对于临床关注的指标，如标准摄取值（SUV）、代谢肿瘤体积（MTV）和总病灶糖酵解（TLG）等，模型校正后均能有效降低误差，保持病灶评估的可靠性。这表明 CrossPET-Adapt 不仅能够获得高保真的全身 PET 图像，也有望为肿瘤诊断、疗效评估和随访监测提供高度的定量一致性。

该研究的另一个重要优势在于模型部署效率。与需要580例受试者、两块NVIDIA A5000 GPU训练约31小时的多示踪剂联合训练模型相比，CrossPET-Adapt仅需1至5例数据，在单张GPU上微调10分钟以内即可完成域适应。该策略显著降低了新临床场景下的数据收集和计算资源需求，为该方法在多中心、多厂商和低资源临床环境中的快速推广提供了可行路径。未来，该少样本域适应范式还可与扩散模型、流匹配模型等更先进的网络架构结合，并进一步拓展至PET/MR、专用脑PET等无集成CT的PET系统。

深圳先进院胡战利研究员、李彪主任和何祥健教授为论文共同通讯作者。深圳先进院与宁波诺丁汉大学联培博士生文美媛、上海瑞金医院王瀚中为论文共同第一作者。该研究工作得到了医学成像科学与技术系统全国重点实验室、国家自然科学基金（数学天元重点专项）、国家重点研发计划（重大科学仪器设备研发重点专项）等项目的资助。

图1：数据集与深度学习方法概览。该方法先在源域18F-FDG数据上预训练无CT的PET衰减与散射校正模型，再利用少量目标域样本完成跨示踪剂、跨中心和跨设备的快速适应。

图2：跨示踪剂、跨中心和跨设备场景下的定量评估。图中比较了不同训练策略在SSIM、PSNR和RMSE指标上的表现，显示少样本域适应策略在外部中心和外部扫描仪中均具有稳健的泛化能力。