基于深度学习的超低计数全身PET图像去噪方法

摘要：目的" 使用深度学习算法改善全身低计数正电子发射计算机断层成像（PET）的重建图像质量，探讨提出方法对不同噪声水平PET图像的去噪泛化性。方法" 使用MICCAI 2022 UDPET挑战赛数据集，提出分层向量量化变分自编码器（HVQ-VAE）算法对不同剂量衰减因子的低计数PET图像去噪。将高斯滤波作为基准模型，结合标准均方根误差、结构相似性、峰值信噪比3个定量指标与视觉图像结合评估算法的去噪性能。结果" 当低计数PET图像的剂量衰减因子为20时，经高斯滤波后图像质量整体提升13%，经HVQ-VAE模型去噪后图像质量总体提升20%；当低计数PET图像的剂量衰减因子为50时，高斯滤波后图像质量整体提升11%，HVQ-VAE模型去噪后图像质量总体提升24%；当低计数PET图像的剂量衰减因子为100时，高斯滤波后图像质量整体提升12%，HVQ-VAE模型去噪后图像质量总体提升36%。结论" 所提方法HVQ-VAE模型对不同噪声水平的全身低计数PET图像均有较好去噪效果，为降低患者辐射暴露风险同时保证图像质量提供了新的可能。

关键词：正电子发射断层成像；图像去噪；低计数PET图像；全身PET图像；HVQ-VAE

Ultra-low count total-body PET image denoising based on the deep learning method

HE Yuru1， WANG Fanghu4， HUANG Yanchao2， LU Lijun3

1Big Data and Artificial Intelligence Center， 2Nanfang PET Center， Nanfang Hospital， Southern Medical University， Guangzhou 510515， China; 3School of Biomedical Engineering， Southern Medical University， Guangzhou 510515， China; 4Department of Nuclear Medicine， Guangdong Provincial People's Hospital， Guangdong Academy of Medical Sciences， Guangzhou 510080， China

Abstract： Objective To improve the reconstructed image quality of low-count positron emission tomography （PET） imaging based on deep learning method and explore the generalization performance of the proposed method on different noise levels. Methods Using the dataset from the MICCAI 2022 UDPET Challenge， the hierarchical vector quantized variational autoencoder （HVQ-VAE） method was proposed to denoise low-count PET images with different dose reduction factors （DRFs）. The denoising efficacy was quantitatively evaluated via metrics such as normalized root mean square error， structural similarity， and peak signal-to-noise ratio， as well as through visual assessments， against the Gaussian filter as baseline mothod. Results When the DRF of low-count PET images was 20， the overall image quality was improved by 13% after Gaussian filtering， and 20% after denoising by HVQ-VAE. At a DRF of 50， the proposed approach outperformed the Gaussian filter， delivering a 24% quality improvement compared to its 11%. At the DRF of 100， the HVQ-VAE method marked 36% improvement in overall image quality， as opposed to the 12% achieved with the Gaussian filter. Conclusion The HVQ-VAE method， as part of our proposed technique， has demonstrated a marked denoising effect on total-body ultra-low-count PET images across diverse noise levels. This research opens up novel avenues for reducing radiation exposure risks while ensuring maintenance of image fidelity.

Keywords： positron emission tomography; image denoising; low-count PET image; total-body PET image; HVQ-VAE

正电子发射计算机断层成像（PET）是一种分子成像技术，通过向生物体注射带有放射性核素标记的示踪剂来反应其体内的代谢活动［1］。PET具有敏感度高、特异性强的特点，已被广泛应用于肿瘤学、神经学和心脏病学等领域［2-5］。然而PET成像过程探测环的探测效率低、真假符合事件未明显区分、死时间限制等因素均会导致探测器接收到的光子计数低，影响重建后的PET图像质量［6， 7］。在临床中通常对患者注射高剂量示踪剂来提高PET图像质量，这无疑会对患者和相关医护人员造成更多辐射伤害，如何在注射较低剂量示踪剂的情况下，提升低计数PET图像质量是当前的研究热点。

目前提升低计数图像质量的方法包括改进图像重建算法和重建后滤波两种，PET图像重建算法通常为统计迭代法，如最大似然期望最大化方法（MLEM）和有序子集最大似然法（OSEM）［8］。在低计数PET图像重建中，随着重建算法的迭代次数增加，图像噪声相应增大［9， 10］，有学者提出使用贝叶斯方法引入先验构造正则化重建模型［11］，然而改进图像重建算法需要PET成像过程的原始数据，这受设备供应商的影响，通常较难获得。PET图像重建后滤波方法由于操作简单且不涉及PET原始数据，被广泛应用于低计数PET图像增强研究及临床使用［12， 13］。

传统的重建后滤波方法包括高斯滤波、非局部均值滤波、双边滤波等，这些方法操作简单且较易部署于临床，但存在图像过平滑或边缘梯度翻转伪影的不足，这会影响医生的诊断准确性。近年来，深度学习技术快速发展，其在图像增强、图像分割、图像分类等领域均展现了较优的性能［14-21］。越来越多基于深度学习的PET图像重建后滤波方法被提出［22-26］，如3D Unet、ResNet、CycleGAN、OIF-Net等。有学者对比了ResNet、Unet、SwinIR、CycleGAN等去噪模型对whole-body PET图像的去噪能力，结果表明CycleGAN生成式模型对去噪图像最大标准化摄取值的估计效果最好［27］，这展现了生成式模型在PET图像去噪领域的优势。深度生成式模型是近年来深度学习领域的研究热点，如VAE、基于流的模型和自回归模型等。有学者提出使用新变分编码器（NVAE）、去噪扩散概率模型（DDPM）用于低计数PET图像去噪［28］，在峰值信噪比（PSNR）和结构相似性（SSIM）等定量指标上均有较大提升［29］。然而目前PET领域的生成式算法研究仅用于患者头部或半身，较少对全身PET图像进行研究。本研究提出使用分层向量量化变分自编码器（HVQ-VAE）对全身低计数PET图像去噪，是首次基于生成式模型对全身PET图像的去噪研究，这为降低患者辐射暴露风险同时保证图像质量提供了新的可能。现报道如下。

1" 资料与方法

1.1" 一般资料

本研究使用2022年MICCAI超低剂量PET成像挑战赛的公开数据集［30， 31］，包含2021年12月～2022年6月上海市瑞金医院影像资料，共320例患者数据，其中男性162例（50.6%），女性158例（49.4%）。患者年龄17～80岁，平均55岁。数据集的PET图像分辨率均为360×360×673，体素大小为1.667 m×1.667 m×2.886 m。由于本研究为合法获得公开数据集，依规免除本院伦理审查。

1.2" 数据处理

根据公开数据集中描述信息，所有患者均接受了18F-FDG示踪剂注射和联影uEXPLORER的全身PET扫描。标准计数下所有患者的平均注射剂量为180.89 MBq，最低注射剂量为37 MBq，最高注射剂量为359.27 MBq，采集时间均为600 s，经OSEM重建后得到高计数PET图像。对标准采集后的listmode数据重采样重建，达到缩短采集时间的效果，OSEM重建后得到低计数PET数据。MICCAI挑战赛公开数据集中包含不同剂量衰减因子（DRF）即不同噪声水平的低计数PET图像。本研究使用DRF为20、50、100的低计数数据和全计数PET数据组成高低计数PET图像对，来验证提出方法的去噪可行性。为提升训练速度减少内存占用，本研究通过尺度变换将其图像大小缩放到192×192×673。

1.3" 模型构建

受VQ-VAE-2模型的启发，本研究提出HVQ-VAE模型对PET图像去噪。模型结构（图1），使用多尺度层次化编码器将图像有效压缩，上下两层编码器分别对输入图像的全局信息和局部信息建模，生成多尺度潜在变量图，将上下两层潜在变量图分别编码到离散的潜在表示空间实现量化，再将上层量化后的潜在代码上采样至与下层潜在代码大小一致，二者合并后输入解码器得到去噪后PET图像。

本研究共使用320例18F-FDG PET数据，其中210例数据用于训练，30例数据用于验证，80例数据用于测试。每例数据均有高低计数的PET图像对，取低计数图像切片及前后各一张切片输入网络，高计数PET图像作为标签图像以此训练2.5D模型。模型损失函数包括重构损失和量化损失两部分，重构损失使用平均绝对误差来衡量真实高计数PET图像与解码器生成的重构PET图像之间的像素级差异，量化损失用于约束编码器输出的离散码本与离散码本词典之间的差异，有助于编码器生成有效的潜在表示。

实验基于Python的Pytorch框架进行模型构建，使用Adam为优化器，其中β1为0.5，β2为0.999。使用StepLR学习率衰减策略，初始学习率为1e-6，步长为10，衰减因子为0.5，共训练200个epoch。训练集的batchsize为16，验证集的batchsize为32，模型训练时，输入图像的切片选取范围为第200～600层切片，采取图像随机旋转、随机翻转和随机平移的数据扩增策略。模型测试时，使用全身所有切片图像输入网络。

1.4" 评估方法

为了验证提出方法的去噪性能，使用标准均方根误差（NRMSE）、SSIM、PSNR评估去噪后图像和真值图像之间像素值的差异，RMSE定义为

[RMSE=1R1Nr=1Rj=1N（xrj-xtruej）2]" " " " " " " " " " " " " " "（1）

其中N为图像中的像素个数，[xrj]代表去噪后图像在第r次噪声实现中像素点j处的活度值，[xtruej]代表真值图像在像素点j处的活度值。NRMSE是将 RMSE 除以图像的像素值范围来实现标准化。SSIM是结合图像亮度、对比度、结构三方面与真值图像做比较，定义为

[SSIM=（2μxμy+C1）（2σxy+C2）（μ2xμ2y+C1）（σ2x+σ2y+C2）]" " " " " " " " " " " " （2）

其中[μx]和[μy]分别代表去噪后图像和真值图像的均值，[σ2x]和[σ2y]分别代表去噪后图像和真值图像的方差，[σxy]代表两图像的协方差，C1、C2是为了避免分母为零而设置的常数。PSNR的公式如下，其中MAX为图像的峰值强度。

[PSNR = 20 * log10 （MAXRMSE）]" " " " " " " " " " " " " " " （3）

2" 结果

当低剂量PET图像的剂量衰减因子为20时，使用NRMSE、SSIM、PSNR量化模型对低剂量PET图像的去噪效果。量化结果显示，高斯滤波和所提出方法对低计数PET图像均有去噪效果，其中所提出方法对低计数PET图像的质量提升有明显效果。衰减因子为20的低计数PET图像经过高斯滤波，平均NRMSE从0.0328降低到0.0240，下降了27%，平均SSIM从0.9570提升至0.9675，提升1%，平均PSNR从31.3594提升至34.3719，提升10%，3个量化指标总体提升13%。经过提出方法去噪模型，平均NRMSE从0.0328下降至0.0187，指标下降了43%，平均SSIM从0.9570提升至0.9773，提升了2%，平均PSNR从31.3594提升至35.5766，提升了13%，3个定量指标总体提升20%（表1）。

DRF为20时，提出方法的去噪后PET图像更接近全计数图像，特别是脑部区域。相比于高斯滤波，提出方法对图像边缘的保持效果也更佳（图2）。

当低剂量PET图像的剂量衰减因子为50时，使用NRMSE、SSIM、PSNR量化模型对低剂量PET图像的去噪效果。量化结果显示，所提出方法对低计数PET图像的质量提升有明显效果，低计数PET图像经过高斯滤波，平均NRMSE从0.0507降低到0.0384，下降了24%，平均SSIM从0.9324提升至0.9439，提升1%，平均PSNR从27.4048提升至29.8909，提升9%，3个量化指标总体提升11%。经过所提出方法去噪模型，平均NRMSE从0.0507下降至0.0252，指标下降了50%，平均SSIM从0.9324提升至0.9605，提升了3%，平均PSNR从27.4048提升至32.9356，提升了20%，3个定量指标总体提升24%（表2）。

DRF为50时，所提出方法的去噪后PET图像更接近全计数图像，在膀胱区域，所提出方法去噪后PET图像与全计数图像更接近，高斯滤波结果图像存在高摄取区域范围蔓延的情况。图3G相比于图3F的脑部区域更接近全计数PET图像（图3）。

当低剂量PET图像的剂量衰减因子为100时，使用NRMSE、SSIM、PSNR量化模型对低剂量PET图像的去噪效果。量化结果显示，与临床常用方法高斯滤波相比，所提出方法对低计数PET图像的质量提升有明显效果，低计数PET图像经过高斯滤波，平均NRMSE从0.0813降低到0.0622，下降了23%，平均SSIM从0.9063提升至0.9172，提升1%，平均PSNR从23.1499提升至25.4430，提升10%，3个量化指标总体提升12%。经过所提出方法去噪模型，平均NRMSE从0.0813下降至0.270，指标下降了67%，平均SSIM从0.9063提升至0.9506，提升了5%，平均PSNR从23.1499提升至31.8888，提升了38%，3个定量指标总体提升36%（表3）。

DRF为100时，高斯滤波和提出方法对低计数PET图像均有良好去噪效果，其中提出方法相比与高斯率结果更平滑，与全计数PET图像的相似度更高（图4）。

3" 讨论

本文提出HVQ-VAE去噪模型用于全身低计数PET图像，是VQVAE-2的第一阶段的训练过程，使用编码器、解码器和离散量化器组成的分层多尺度图像重建模型。编码器用于将输入数据编码成潜在表示，量化器接受编码器的输出，将其映射呈离散状态，解码器接受量化器的离散表示，生成与原始数据相匹配的去噪后PET图像。

与目前大多数研究使用Unet［12］、ResNet［13］等卷积神经网络对低计数PET图像去噪不同［14， 22， 24， 32］，本研究使用基于VAE生成式网络架构［33］，通过编码器学习低计数PET图像的潜在分布，通过解码器和损失函数生成更接近真实数据分布的重建图像。生成式网络结构通过隐变量空间对图像有效压缩表示，减少噪声对图像质量的影响，可以更有效地处理PET图像的复杂噪声分布。

与既往研究提出的NVAE用于PET图像去噪［10］不同，本研究使用分层多尺度结构，在不同分辨率上对图像编码和解码，提高图像的一致性和保真度。与VAE的部分生成模型不同，本研究使用离散表示学习框架，通过查找最近邻的码本向量来量化潜在空间的连续变量，该离散化过程一方面降低了模型的复杂度，训练更加稳定，另一方面离散结构化表示更容易捕获图像的全局和局部特征。该方法首次用于PET图像去噪。

相比于其他低计数PET图像研究的去噪模型多应用于半身或脑部图像［22， 27， 32］，在全身超低计数PET图像上取得较好去噪结果。有研究共使用35例患者数据使用NVAE实现脑部PET图像去噪，该研究将300×300的图像大小预处理为256×256，增加前后各一张切片输入网络实现2.5D训练［10］。本研究参考上述研究且考虑到内存容量限制，将360×360的图像大小预处理为192×192，模型输入3个切片数据实现2.5D研究。本研究共使用320例数据，是上述研究数据量的10倍。

本文使用不同剂量衰减因子的低计数PET图像验证HVQ-VAE去噪模型对不同噪声水平图像的处理能力，结果表明提出模型对DRF为20、50、100不同程度的低计数PET图像均有较好去噪效果。随着低计数图像噪声的增加，去噪效果越来越明显，其中DRF为100的超低计数图像去噪效果最明显，去噪后图像相比于噪声图像整体质量提升38%，DRF为20的低计数PET图像整体提升13%。高斯滤波对不同噪声水平PET图像的质量提升效果较为均衡，对DRF为100的低计数图像质量提升10%，低于所提方法在任一噪声水平下的量化提升值。从视觉图像可以看出，随着噪声水平的增加，高斯滤波的图像去噪能力逐渐减弱，而提出方法仍保持较好去噪能力，且提出方法对图像边缘保持和高摄取区域图像恢复展现了较大优势。这是由于高斯滤波使用待估计像素点邻域像素值的加权平均来估计该点像素值，邻域大小取决于高斯滤波窗口大小，估计过程仅提取了滤波窗内的局部特征。本研究提出的去噪算法使用上下两层编码器分别提取了全局和局部的多尺度图像特征，这大大提升了提出方法的去噪性能，且对不同噪声水平的低计数PET图像均有较好去噪效果。

本研究显示，随着DRF的降低，网络输出图像的PSNR越来越大，NRMSE越来越小。这是由于DRF代表相对于全剂量示踪剂的剂量衰减因子，DRF越小，其低计数PET图像越接近全剂量图像，低计数PET图像本身信噪比越高。随着DRF的增大，网络输出图像相比于低计数图像的PSNR、SSIM提升幅度更大，这得益于本研究使用网络输出图像与标签图像的L1范数作为损失函数，通过增加网络迭代次数优化模型，使网络输出图像更加接近全剂量PET图像。

本研究证明了提出方法对不同噪声水平PET图像的去噪能力，但仍然存在一定的局限性。研究使用2.5D去噪模型，虽然已有研究表明3D模型的结果更优，有助于减少层间伪影［34］，但其计算量较大，待升级硬件后考虑进一步尝试3D去噪模型。本研究初步探索了多尺度特征提取对低计数PET图像去噪的优势，后续将改进HVQ-VAE网络结构，对多尺度特征融合方式进行深入研究。

综上所述，本研究提出HVQ-VAE模型用于全身低计数PET图像去噪，通过NRMSE、PSNR、SSIM 3个量化指标和视觉评估展现了该模型对不同噪声水平PET图像的去噪能力，为降低患者辐射暴露风险同时保证图像质量提供了新的可能。

参考文献：

［1］" "Townsend DW， Carney JP， Yap JT， et al. PET/CT today and tomorrow［J］. J Nucl Med， 2004， 45（Suppl 1）： 4S-14S.

［2］" "Nordberg A， Rinne JO， Kadir A， et al. The use of PET in Alzheimer disease［J］. Nat Rev Neurol， 2010， 6（2）： 78-87.

［3］" Schindler TH， Schelbert HR， Quercioli A， et al. Cardiac PET imaging for the detection and monitoring of coronary artery disease and microvascular health［J］. JACC Cardiovasc Imaging， 2010， 3（6）： 623-40.

［4］" "Schöder H， Gönen M. Screening for cancer with PET and PET/CT： potential and limitations［J］. J Nucl Med， 2007， 48（Suppl 1）： 4S-18S.

［5］" "Wang FH， Xu WP， Lv WB， et al. Evaluation of the diagnostic value of joint PET myocardial perfusion and metabolic imaging for vascular stenosis in patients with obstructive coronary artery disease［J］. J Nucl Cardiol， 2021， 28（6）： 3070-80.

［6］" "Teymurazyan A， Riauka T， Jans HS， et al. Properties of noise in positron emission tomography images reconstructed with filtered-backprojection and row-action maximum likelihood algorithm［J］. J Digit Imaging， 2013， 26（3）： 447-56.

［7］" "Townsend DW. Physical principles and technology of clinical PET imaging［J］. Ann Acad Med Singap， 2004， 33（2）： 133-45.

［8］" "Dey J， King MA. Theoretical and numerical study of MLEM and OSEM reconstruction algorithms for motion correction in emission tomography［J］. IEEE Trans Nucl Sci， 2009， 56（5）： 2739-49.

［9］ Gaitanis A， Kontaxakis G， Spyrou G， et al. PET image reconstruction： a stopping rule for the MLEM algorithm based on properties of the updating coefficients［J］. Comput Med Imaging Graph， 2010， 34（2）： 131-41.

［10］ Reader AJ， Zaidi H. Advances in PET image reconstruction［J］. PET Clin， 2007， 2（2）： 173-90.

［11］" Vunckx K， Atre A， Baete K， et al. Evaluation of three MRI-based anatomical priors for quantitative PET brain imaging［J］. IEEE Trans Med Imaging， 2012， 31（3）： 599-612.

［12］" Dutta J， Leahy RM， Li QZ. Non-local means denoising of dynamic PET images［J］. PLoS One， 2013， 8（12）： e81390.

［13］ Christian BT， Vandehey NT， Floberg JM， et al. Dynamic PET denoising with HYPR processing［J］. J Nucl Med， 2010， 51（7）： 1147-54.

［14］" Gong YL， Qiu HJ， Liu XY， et al. Research and application of deep learning in medical image reconstruction and enhancement［J］. Front Comput Intell Syst， 2024， 7（3）： 72-6.

［15］" Upadhyay AK， Bhandari AK. Advances in deep learning models for resolving medical image segmentation data scarcity problem： a topical review［J］. Arch Comput Meth Eng， 2024， 31（3）： 1701-19.

［16］" Zi Y， Wang Q， Gao ZJ， et al. Research on the application of deep learning in medical image segmentation and 3D reconstruction［J］. Acad J Sci Technol， 2024， 10（2）： 8-12.

［17］ Ullah F， Ullah I， Khan RU， et al. Conventional to deep ensemble methods for hyperspectral image classification： a comprehensive survey［J］. IEEE J Sel Top Appl Earth Obs Remote Sens， 2024， 17： 3878-916.

［18］" Huang SC， Pareek A， Jensen M， et al. Self-supervised learning for medical image classification： a systematic review and implementation guidelines［J］. NPJ Digit Med， 2023， 6（1）： 74.

［19］" Chen XC， Hendrik Pretorius P， Zhou B， et al. Cross-vender， cross-tracer， and cross-protocol deep transfer learning for attenuation map generation of cardiac SPECT［J］. J Nucl Cardiol， 2022， 29（6）： 3379-91.

［20］ Subramanyam Rallabandi VP， Seetharaman K. Deep learning-based classification of healthy aging controls， mild cognitive impairment and Alzheimer's disease using fusion of MRI‑PET imaging［J］. Biomed Signal Process Contr， 2023， 80： 104312.

［21］ Park J， Kang SK， Hwang D， et al. Automatic lung cancer segmentation in 18FDG PET/CT using a two‑stage deep learning approach［J］. Nucl Med Mol Imaging， 2023， 57（2）： 86-93.

［22］ de Vries BM， Golla SSV， Zwezerijnen GJC， et al. 3D convolutional neural network‑based denoising of low‑count whole‑body 18F-fluorodeoxyglucose and 89Zr-rituximab PET scans［J］. Diagnostics， 2022， 12（3）： 596.

［23］ Chen KT， Toueg TN， Koran MEI， et al. True ultra‑low‑dose amyloid PET/MRI enhanced with deep learning for clinical interpretation［J］. Eur J Nucl Med Mol Imaging， 2021， 48（8）： 2416-25.

［24］ Cui JN， Gong K， Guo N， et al. PET image denoising using unsupervised deep learning［J］. Eur J Nucl Med Mol Imaging， 2019， 46（13）： 2780-9.

［25］ Cui JN， Xie YT， Gong K， et al. PET denoising and uncertainty estimation based on NVAE model［C］. 2021 IEEE Nuclear Science Symposium and Medical Imaging Conference （NSS/MIC）， Piscataway， NJ， USA. IEEE， 2021： 1-3.

［26］" He YR， Cao SL， Zhang HY， et al. Dynamic PET image denoising with deep learning-based joint filtering［J］. IEEE Access， 1998， 9： 41998-2012.

［27］" Kruzhilov I， Kudin S， Vetoshkin L， et al. Whole-body PET image denoising for reduced acquisition time［EB/OL］. [2024-05-09]. http：//arxiv.org/abs/2303.16085.

［28］" Gong K， Johnson K， El Fakhri G， et al. PET image denoising based on denoising diffusion probabilistic model［J］. Eur J Nucl Med Mol Imag， 2024， 51（2）： 358-68.

［29］" Sanaat A， Mazandarani HR， Mansouri Z， Amini M， Salimi Y， Shiri I， et al. Computational Efficient Brain PET Image Denoising by Diffusion Probabilistic Models［C］. 2023 IEEE Nuclear Science Symposium， Medical Imaging Conference and International Symposium on Room‑Temperature Semiconductor Detectors， 2023. https：//ieeexplore.ieee.org/document/10338186

［30］" Xue S， Guo R， Bohn KP， et al. A cross-scanner and cross-tracer deep learning method for the recovery of standard-dose imaging quality from low-dose PET［J］. Eur J Nucl Med Mol Imaging， 2022， 49（6）： 1843-56.

［31］" Ultra-Low Dose PET Imaging （UDPET） Challenge 2024［EB/OL］.[2024-05-10]. https：//ultra-low-dose-pet.grand-challenge.org/.

［32］" Sanaat A， Shiri I， Arabi H， et al. Deep learning-assisted ultra-fast/low-dose whole-body PET/CT imagingEB/OLEur J Nucl Med Mol Imaging， 2021， 48（8）： 2405-15.

［33］ Diederik P， Max W. Auto‑Encoding Variational Bayes［EB/OL］.arXiv， 2022. https：//doi.org/10.48550/arXiv.1312.6114.

［34］" Chen GY， Liu S， Ding WX， et al. A total-body ultralow-dose PET reconstruction method via image space shuffle U‑net and body sampling［J］. IEEE Trans Radiat Plasma Med Sci， 2024， 8（4）： 357-65.

（编辑：郎" 朗）

收稿日期：2024-05-28

基金项目：南方医科大学南方医院院长基金（2021C012）

作者简介：贺钰茹，硕士，工程师，E-mail： hyrbme@163.com

通信作者：路利军，博士，教授，E-mail： ljlubme@gmail.com