2025年1月8日，中國科學院深圳先進技術研究院（以下簡稱“深圳先進院”）醫工所、醫學成像科學與技術系統全國重點實驗室胡戰利研究員團隊開發了一種基于大模型的低劑量PET圖像重建技術，在重建過程中高效提取和整合了基礎模型的先驗信息，使低劑量PET重建技術在精度和安全上實現了提升。

研究成果以“Prompt-Agent-Driven Integration of Foundation Model Priors for Low-Count PET Reconstruction”為題發表在醫學成像領域TOP期刊IEEE Transactions on Medical Imaging上。提出方法創新性的利用大模型技術來輔助低劑量PET圖像重建，為低劑量PET成像技術提供了全新思路。

正電子發射斷層成像（PET）作為當今核醫學尖端技術的代表，主要用于腫瘤、心腦血管等重大疾病的早期診斷和治療。低劑量成像是PET技術的發展趨勢，旨在降低輻射劑量的同時保持圖像質量。目前，低劑量PET圖像重建通常利用配對的CT或MR圖像作為解剖先驗信息。先驗信息的引入有效提升了傳統低劑量PET成像方法的性能，但也導致了輻射增加或掃描時間延長、以及數據處理復雜度提高等問題。

近年來，隨著人工智能技術的快速發展，大模型逐漸成為人工智能領域中最為重要的發展方向之一。大模型相較于傳統人工智能模型更具優勢，其通過大規模的預訓練獲取了豐富的跨模態和高層次先驗知識，具有更強的泛化能力，能夠動態適配不同的下游任務。其中，醫學大模型因其在預訓練階段接觸了大量的CT/MR數據，能夠提取這些數據的核心特征并具有卓越的泛化能力。因此，利用大模型作為先驗信息的替代來源，有望擺脫當前低劑量PET圖像重建對配對CT/MR數據的依賴，可以有效減少輻射暴露、縮短掃描時間并優化成像流程。此外，相較于傳統的深度學習技術，大模型可以提供更加魯棒和豐富的先驗特征，有望提高PET圖像重建效果和網絡模型的泛化性。

研究團隊通過融合醫學圖像基礎模型的深層先驗知識，優化了低劑量PET圖像重建流程。醫學視覺大模型經過大量CT/MR數據的預訓練，掌握了CT/MR的本質特征，團隊利用這些特征替代了傳統的CT/MR先驗數據，通過代理機器人框架動態提取醫學圖像大模型的先驗信息，從而降低了輻射風險、縮短了掃描時間并簡化了重建流程。實驗結果表明，該技術無需依賴配對的標準CT/MR掃描數據，即可實現高質量的PET圖像重建，并超越了現有CT/MR配對數據重建算法的效果。提出方法不僅有效保留了圖像細節、顯著抑制了噪聲，同時在精度和一致性上與“金標準”高度契合。此外，得益于基礎模型的優異泛化性，提出方法在Zero-short等場景上也具有良好的表現。

胡戰利研究員為論文通訊作者，博士后謝行雨和客座研究生趙文杰為論文共同第一作者。該研究得到了國自然數學天元重點專項、國家重點研發計劃重大科學儀器設備研發重點專項、國家重點研發計劃戰略性科技創新合作重點專項等項目的資助。

圖1：提出方法的總體技術路線圖

圖2：提出方法與現有配對CT/MR解剖先驗方法的對比