日前，南方医科大学国家大学科技园发布科技成果转化公示，学校拟将“正电子发射断层扫描成像校正技术”相关专利成果以作价投资方式，与维塔(西安)医疗科技合伙企业(普通合伙)共同新设合资公司，推动该技术产业化。本次成果转化经广州知融资产评估有限公司评估，作价152万元。
专利技术一
专利技术二
本次技术的受让方维塔(西安)医疗科技合伙企业，是一家专注于医疗科技研发与产业化的创新型企业。公司致力于医学影像、人工智能与医疗器械领域的深度融合，推动前沿技术从实验室走向市场，具备较强的技术整合与市场化运营能力。
该技术包包含的这两项核心专利，旨在通过人工智能与多模态影像融合技术，显著提升正电子发射断层扫描（PET）图像的质量，两者共同构成了一个先进的PET图像智能校正解决方案。
正电子发射断层扫描成像（PET）是一种重要的功能影像技术，尤其在肿瘤的早期发现、精准分期与疗效评估中发挥着关键作用。
其成像原理是基于放射性示踪剂在体内代谢活跃区域（如肿瘤）的聚集，通过探测其释放的正电子湮灭所产生的光子来生成图像。为了对病灶进行精确的定量分析，临床常依赖于标准摄取值（SUV）等半定量参数，这些参数的准确性直接决定了诊断的可靠性。
然而，PET图像的定量精度深受物理因素干扰，其中光子衰减效应尤为突出。当光子穿出人体组织时，会被吸收或散射，导致到达探测器的信号减弱，这会造成图像对比度下降并产生伪影，严重扭曲真实的放射性分布。
目前临床主流的校正方法是基于同机CT扫描的衰减校正。CT图像能快速提供人体各组织的密度分布图，从而推算出衰减系数。但该方法存在明显局限：患者体内的金属植入物会在CT图像上产生严重的条状伪影，这些伪影会直接传递到生成的衰减图中，进而污染PET图像；此外，患者在先后进行CT与PET扫描时的轻微移动，会导致两种图像数据在空间上不匹配，从而引入校正误差。
另一种基于磁共振成像的校正方法则面临根本性挑战：MRI图像本身反映的是氢质子密度与弛豫时间，并不能直接提供组织对511keV光子的衰减信息，因此需要复杂的图像分割与组织分类算法来间接估算衰减图，过程繁琐且准确性难以保证。
除了衰减问题，PET图像还受限于探测器的固有空间分辨率，导致明显的部分容积效应。该效应是指由于成像单元（体素）尺寸有限，一个体素内可能同时包含高摄取的病灶组织与低摄取的正常组织，其信号是这些不同组织信号的平均值。
这会导致小病灶或病灶边缘的信号被“稀释”，图像变得模糊，病灶尺寸、形状及摄取值均出现失真，严重影响对小病灶的检测和精确的代谢活性评估。
当前的一种校正思路是在图像重建后，基于与之配准的高分辨率CT或MRI图像，手工勾画或自动分割出感兴趣的病灶区域，并假设该区域内放射性分布均匀来进行校正。
这种方法高度依赖PET图像与解剖图像之间精确的配准，也依赖于对解剖图像准确无误的分割。任何配准偏差或分割错误都会直接转化为校正误差。
更重要的是，生物组织中放射性的分布往往是非均匀的，简单的“区域均一”假设与实际情况不符，从而限制了校正效果的提升。
综上所述，现有临床PET图像校正方案分别在衰减校正与部分容积校正上面临着伪影干扰、数据不匹配、原理性缺陷以及对配准分割精度过度依赖等核心挑战。
这些缺陷共同制约了PET图像在定量分析与细微病灶诊断中的精准度与可靠性。
正因上述关键瓶颈长期制约着PET定量成像的精准性与临床实用性，如何突破传统方法的局限，实现高效且精准的图像校正，便成为推动分子影像发展的迫切需求。
该专利技术包的核心优势在于，其采用了前沿的深度学习架构，从根本上颠覆了传统PET图像校正方法依赖单一模态或人工干预的范式，实现了更智能、更精准的校正效果。
针对衰减校正难题，第一项专利的创新性在于构建了一个基于三维条件生成对抗网络（3D cGAN）的智能校正模型。
该模型并不直接依赖于某一种特定的解剖图像（如CT或MRI）来推算衰减图，而是通过学习大量成对的、来源多样的PET图像与其高质量衰减校正图之间的复杂映射关系来工作。其先进性体现在“预训练-迁移学习”的两阶段训练策略上。
模型首先在一种设备或扫描条件下（第一类型图像）进行初步训练，获得对图像结构与衰减校正关系的通用理解。随后，通过迁移学习，利用另一种条件（第二类型图像）下的数据进行精调，使模型能够快速适应不同的PET扫描设备、示踪剂或协议。
这种方法巧妙地克服了传统CTAC方法的金属伪影传递和PET/MR中衰减信息缺失的根本性障碍。
模型最终能够从待校正的PET图像本身，直接生成高精度的衰减校正图，显著减少了对外部解剖图像的依赖及其带来的配准误差与伪影干扰，从而大幅提升了SUV等定量参数的准确性。
针对部分容积效应校正，第二项专利的优势则在于其设计了一种独特的双通道网络架构，该架构包含并行的PET重构子网络与MRI重构子网络。其先进性在于，它完全摒弃了传统方法中必需的、对高分辨率MRI图像进行精确分割这一繁琐且易错的步骤。
在训练过程中，MRI重构子网络并不输出分割好的解剖区域，而是致力于从训练MRI图像中提取多层次的结构特征信息（即MRI信息）。这些特征信息随后被巧妙地“注入”到PET重构子网络的解码过程中，用以引导和约束PET图像的重建。
这种在特征层面进行信息融合的方式，使得模型能够充分利用MRI提供的精细解剖先验知识，来恢复PET图像中因分辨率不足而丢失的细节和真实的放射性分布，同时又避免了因MRI图像分割不准确而直接将误差引入校正结果。
最终，该模型能够在不需要对输入的第一MRI图像进行任何分割操作的情况下，直接输出部分容积效应得到显著抑制的高质量目标PET图像，极大提升了方法的实用性与鲁棒性。
综上所述，两项专利共同构建了一个优势互补的PET图像增强解决方案。第一项专利致力于消除光子衰减带来的定量偏差，为精准定量奠定基础；第二项专利则专注于恢复图像的空间细节与真实活度分布，提升对小病灶的检测和描绘能力。
两者均依托于先进的深度学习技术，通过数据驱动的方式自动学习校正规律，显著减少了对人工操作、严格图像配准及精确解剖分割的依赖。这不仅有望在临床上提供对比更清晰、定量更可靠的PET图像，辅助医生做出更精准的诊断，也极大地推动了PET成像技术向标准化、智能化定量分析的发展。
面对医学影像市场对更安全、更精准、更智能解决方案的持续需求，市场中的相关技术团队依托其在多模态图像配准、特征融合与深度重建方面的深厚积累，正在积极拓展多项在研管线。
在国际市场中，土耳其博阿齐奇大学（Boğaziçi University）生物医学工程研究所、伊斯坦布尔大学医学院核医学科、叶迪特佩大学科苏约卢医院核医学科、阿克巴德马斯拉克医院核医学科等机构的研究团队合作主要聚焦PET/CT成像领域中部分容积效应（PVE）校正技术的研发与验证，旨在通过优化恢复系数（RC）计算方法，提升小病灶标准化摄取值（SUV）定量分析的准确性，为肿瘤等疾病的精准诊断与疗效评估提供技术支撑。
在基于个性化体模的部分容积效应校正系数研究方面，团队取得了多项关键成果。团队采用渐近回归模型（ARM）拟合RC与球体直径的关系，通过双机构异构数据验证了RC在不同解剖区域的稳定性，还证实该拟人化体模能有效获取更贴近临床实际的SUV校正值，解决了传统NEMA体模无法模拟人体组织异质性、难以精准测量亚厘米病灶的局限。
目前，相关研究成果已发表于《BioMedical Engineering OnLine》期刊，处于成果公开阶段，已完成多中心、多设备的临床验证，具备临床转化潜力。
在国内，中国科学院深圳先进技术研究院劳特伯生物医学成像研究中心胡战利研究员团队与中山大学附属肿瘤医院、上海联影医疗公司合作研发出一种无需CT的全身PET智能衰减校正技术，该技术主要针对上海联影医疗推出的2米全景PET/CT（uEXPLORE）设备。
实验结果显示，该技术生成的衰减校正PET图像与真实衰减校正PET图像高度接近，不同解剖部位图像质量更优、对比度更佳，量化分析中平均PSNR和SSIM值分别达36.92±5.49 dB（p<0.01）和 0.980±0.04（p<0.01）。相关成果已发表于放射医学领域权威期刊《European Radiology》（IF=5.9），目前该技术已完成临床数据采集与实验验证，处于成果公开阶段。
华东师范大学物理与电子科学学院、上海市磁共振重点实验室、医学磁共振与分子影像技术研究院龚南杰教授团队，联合遵义医科大学附属医院、重庆市医科大学附属第二医院进行了合作，重点开展PET图像增强相关的技术研发与临床验证工作。
在RaDynPET（低计数 PET 图像增强AI 模型）方面，团队取得了多项关键成果：
临床验证，RaDynPET在峰值信噪比（PSNR）和结构相似性（SSIM）双指标上，全面领先于cGAN、cycleGAN、RCAN等其他深度学习方法，且在不同医疗机构、患者特征与扫描条件下表现稳定；
此外，该模型在病灶检测中展现出高性能，灵敏度达95.45%、特异性达98.41%，同时不改变病灶与正常组织的代谢比值关系，保障了标准化摄取值（SUV）定量分析的可靠性，适用于肿瘤良恶性鉴别、疗效评估等依赖代谢定量的临床场景。
基于上述技术布局与行业动态，PET定量成像技术正沿着无CT、低剂量、高效率和智能化的方向明确演进。从国内研究机构对无CT衰减校正和低计数图像增强的探索，到国际学界对部分容积效应标准化方法的持续攻关，这一领域的技术迭代正在加速。
然而，从算法突破、临床验证到最终成为广泛采用的标准化工具，仍需跨越数据标准化、多中心验证以及监管审批等系列步骤。在未来，核心技术的临床转化效率与商业落地能力，将成为衡量相关参与者价值的关键标尺。
渝公网安备 50011202502165号
