UniPET：面向不同剂量降低因子的高质量PET图像去噪通用网络 UniPET: a universal network for high-quality PET image denoising across varied dose reduction factors

UniPET的完整工作流程包含三个主要步骤。步骤1：基础去噪网络（BDN）进行粗粒度去噪。给定特定DRF d的低剂量PET图像 ILd，BDN首先通过 K×K×K 卷积层提取浅层特征 ISd^F。这些浅层特征经过 N 个残差块的细化和深度特征提取，得到深度特征 IDFd^F。最终通过另一个 K×K×K 卷积层生成估计的残差特征 IRd。合成图像通过逐元素相加产生：ÎFd = ILd + IRd。BDN在多DRF数据集上预训练，具有基本的去噪能力。步骤2：风格对齐网络（SAN）进行细粒度风格对齐和恢复。SAN通过三个子步骤工作：(2.1) 域知识嵌入：使用 T 个块的简单CNN对域知识（浅层特征 ISd^F）进行编码，在四个不同层次生成层次化域知识嵌入。(2.2) 风格调制：从域知识嵌入 E 推导风格代码 S = A(GAP(E))，其中GAP是全局平均池化，A是仿射变换层。然后将风格代码集成到BDN的残差块中，将标准卷积转变为动态卷积：W′ = (W⊙S)/√(∑_{i,j}(W⊙S)^2 + ε)。N个残块被分为 T 组，每组使用不同的层次化域知识嵌入进行风格调制。(2.3) 风格对齐损失：通过最小化低剂量风格 Φd 与参考全剂量风格 Φ1 之间的差异来对齐风格，其中风格 Φd 是所有残块输出特征的通道均值和标准差的连接：Lalign = ||Φd - Φ1||_1。步骤3：区域感知学习策略（RALS）进行精细化训练。RALS通过两个子步骤工作：(3.1) 识别风格化区域：计算全剂量PET图像 IF 的方差图 V(i,j,k) = VAR({IF(i+l,j+m,k+n)|l,m,n∈{-1,0,1}})，然后应用阈值 δ 生成风格化区域的二进制掩码 Mδ：Mδ(i,j,k) = 1 if V(i,j,k) ≥ δ，否则为 0。(3.2) 区域感知对抗学习：将去噪结果 ÎFd 和对应的全剂量数据 IF 与掩码 Mδ 相乘，获得风格化区域内容 ÎFd,Mδ 和 IF,Mδ。然后将它们输入判别器 D 进行对抗学习，使用 WGAN-GP 训练方案。整个目标函数为 L = Lrec + βLalign + γLadv，其中 Lrec 是重建损失，Lalign 是风格对齐损失，Ladv 是对抗损失，β=0.001 和 γ=0.001 是平衡参数。

UniPET的技术新颖性体现在三个方面。首先，这是首次将域泛化技术系统性地引入PET图像去噪任务。以往工作虽然训练通用模型，但没有显式处理不同DRF之间的域差异，而UniPET认识到这是一个域泛化问题，并引入风格对齐技术来对齐不同DRF的风格。其次，SAN的创新在于使用浅层特征作为域知识，并提出层次化域知识嵌入。与使用输入图像本身或手工设计的高频分量相比，浅层特征既能自适应地从输入图像中提取，又对域变化高度敏感，同时作为深度特征提取的初始阶段，与后续层对齐紧密，能够提供有效的特征级指导。层次化嵌入为不同层次的特征提供不同粒度的风格指导，比StyleGAN的单嵌入方法更灵活。最后，RALS的创新在于基于PET图像的特性（风格化区域错误率高、对DRF变化敏感，平坦区域错误率低、变化小）来区分区域，并将GAN训练限制在风格化区域。这种设计避免了GAN在数据不平衡时对平坦区域的过拟合，使网络更专注于风格恢复。与在临床ROI上训练相比，使用风格化区域作为指导接近使用临床注释作为指导的性能，且不需要额外的标注成本。

独立分析的弱点包括：(1)小病灶恢复不充分。如图7、8、9所示，合成图像中的小病灶与全剂量图像相比存在形状扭曲和对比度不足的问题。改进方向是引入辅助任务（如分割）来专门增强小病灶的恢复，或者采用病灶感知的损失函数给予小病灶区域更高的权重。(2)OOD数据上泛化能力有限。在UPID-OOD-Center数据集上，模型仍表现出过度平滑，病灶对比度恢复不充分。改进方向是引入更先进的保护技术（如FGSM）来增强模型鲁棒性，或者采用元学习、测试时适应等技术来提升OOD泛化能力。(3)风格化区域识别依赖人工阈值。RALS中阈值 δ=0.001 是经验选择的，可能不适用于所有数据集。改进方向是开发自适应阈值选择机制，或者采用可学习的区域分割网络来替代基于方差的手工阈值。(4)计算开销。SAN需要额外的编码网络和风格调制操作，RALS需要计算方差图和掩码，增加了计算复杂度。改进方向是优化网络架构，或者采用知识蒸馏将SAN和RALS的知识转移到更轻量的模型中。(5)对全剂量数据的依赖。方法需要成对的低剂量-全剂量数据作为监督，限制了在只有低剂量数据场景下的应用。改进方向是探索自监督或半监督学习方法，减少对全剂量数据的依赖。

未来研究方向包括：(1)作者提出的小病灶恢复增强。按照Zhou等人（2022）的方法，引入分割等辅助任务来专门增强小病灶的恢复。这可能通过多任务学习实现，将分割损失与去噪损失结合，或者先进行分割然后在分割结果的指导下进行去噪。(2)增强模型泛化性。引入更先进的保护技术（如FGSM、AT）来增强模型鲁棒性和泛化性。FGSM通过生成对抗样本帮助识别模型在训练过程中的脆弱性，然后最小化这个损失，提高模型处理对抗攻击的能力，进而提升泛化到潜在未见数据和未知域的能力。还可以探索测试时适应、元学习等技术。(3)大规模临床基准评估。未来工作可以专注于通过基于真实临床患者数据的大规模基准来评估模型性能。这将提供对模型实际实用性的更直接见解，确保其性能符合临床期望，验证其临床部署的准备状态。(4)自适应风格化区域识别。开发自适应的、可学习的风格化区域识别方法，替代基于固定阈值的方差计算。这可能使用注意力机制、图神经网络或可学习的分割网络来自动识别需要重点关注的区域。(5)跨模态和多中心泛化。探索将方法扩展到其他成像模态（如CT、MRI），以及更广泛的多中心、多扫描仪场景。这可能需要引入更强大的域泛化技术，如域不变表示学习、解耦表示学习等。(6)实时临床部署。优化模型架构和推理效率，使其能够在临床环境中实时运行。这可能涉及模型压缩、知识蒸馏、硬件加速等技术。

论文提供了较高的复现可行性。代码已在GitHub上公开（https://github.com/Yaziwel/UniPET），这是复现的重要前提。论文详细描述了数据集信息（表1），包括三个私有数据集（UPID-Base、UPID-OOD-DRF、UPID-OOD-Center）和一个公开数据集（Bern）。私有数据集的具体获取方式未明确说明，但公开数据集（Bern）可供其他研究者使用。论文详细描述了实验设置，包括网络架构、数据准备、训练配置、超参数选择和消融研究设计。网络架构参数明确（K=3, T=4, C=64, N=8等），训练配置详细（学习率0.0001、batch size 4、平衡参数β=0.001和γ=0.001、阈值δ=0.001等）。超参数选择采用了分组顺序优化策略，并在论文中给出了候选值范围和最终选择值，这对复现很有帮助。论文还进行了全面的消融研究，验证了各个组件的有效性，这增加了结果的可信度。评估指标选择合理，包括定量指标（PSNR、SSIM）、感知指标（LPIPS、读者评分）和临床指标（SUV误差、病灶检测F1-score、ROC曲线），多角度评估增强了结果的说服力。论文还进行了统计显著性检验（配对t检验和Bonferroni校正），这是良好实践。硬件需求明确（NVIDIA A100 GPU），训练时间未明确给出但可通过参数估算。总体而言，论文提供了充分的实现细节，代码开源，公开数据集可用，复现难度中等。主要挑战在于私有数据集的获取，但研究者可以使用公开的Bern数据集进行部分复现和验证。