IPL实验室博士生侯禹存为第一作者的研究论文“Cycle-constrained adversarial denoising convolutional network for PET image denoising: Multi-dimensional validation on large datasets with reader study and real low-dose data”发表于医学图像分析领域顶级期刊《Medical Image Analysis》（影响因子11.8）。

PET（正电子发射计算机断层扫描）作为关键核医学分子影像技术，在肿瘤与神经系统疾病诊断及疗效评估中具有不可替代的作用。然而，其使用的放射性示踪剂带来的辐射风险不容忽视，尤其对儿童、青少年及孕期妇女等敏感人群构成潜在健康威胁。降低注射剂量虽可减少辐射暴露，却会显著增加图像噪声，影响图像质量与诊断准确性。

针对上述临床挑战，该研究提出创新性Cycle-DCN方法。该方法融合噪声预测器、双判别器与一致性网络，通过监督损失、对抗损失、循环一致性损失、身份损失及邻片结构相似性损失等多项损失函数的动态协同优化，在极低剂量条件下实现了PET图像的高保真复原。

研究基于1224例脑部PET数据、50例全身连续床动扫描数据及245例儿科全身PET数据，开展了跨中心、跨设备、跨人群的系统性训练、测试与外部验证。结果显示，Cycle-DCN在三种低剂量水平下，将平均峰值信噪比（PSNR）、结构相似性指数（SSIM）和归一化均方根误差（NRMSE）分别提升高达56%、35%与71%，在有效抑制噪声的同时，显著保留了脑沟回结构、肿瘤形态与对比度等关键诊断信息。

研究还邀请来自安徽省立医院、北京协和医院、中国医学科学院肿瘤医院、首都医科大学附属北京友谊医院、上海市肺科医院的资深核医学医师，对去噪图像开展双盲评价。结果显示，Cycle-DCN重建图像在视觉质量、边缘细节保留及整体临床适用性方面均获最高分，明显优于其他主流去噪模型。

论文链接：https://www.sciencedirect.com/science/article/pii/S136184152500372X