动态PET的动力学模型选择改用一致性模型：模拟中准确率97.97%，每层推断不到4秒
核心概要
动态PET要在每个体素上为示踪剂曲线挑选动力学模型，传统做法是逐模型非线性最小二乘拟合再按AIC或BIC比较，计算慢且在噪声下偏向简单模型。一致性模型把连续动力学参数与离散模型编号合成一个目标向量，以实测时间-活度曲线和输入函数为条件，一次前向采样即给出联合后验。在7000条模拟FDG全身PET曲线上，它跨七个房室模型的选择准确率为97.97%，对照的NLS+AIC为58.67%；脑内多巴胺释放检测的模拟准确率为91.4%，对照NLS+BIC为73.5%。
深度剖析
动态PET的体素级动力学模型选择现在可以一次给出后验概率，而不必为每个候选模型单独拟合再比较信息准则。 此前的常规路线是用非线性最小二乘分别拟合每个候选模型，再用AIC或BIC挑出胜者；这类准则依赖高斯噪声假设和固定参数惩罚，在体素级高噪声下会过度惩罚复杂模型。 在7000条模拟测试曲线（七个模型各1000条）上，一致性模型的总体分类准确率为97.97%，NLS+AIC为58.67%；NLS+AIC对3TC和3TC-D的准确率分别降到17.4%和8.0%。
做法是把连续动力学参数和离散模型编号拼成一个目标向量，让网络直接学习以实测曲线为条件的联合后验。 一致性模型原本用于把高斯噪声在极少步内映射到后验分布，此前已用于两组织房室模型的体素级参数后验估计。 条件向量由35帧体素时间-活度曲线与动脉输入函数拼接而成；推断时用3步多步一致性采样，在4块NVIDIA A100的GPU工作站上处理一层约含十万条曲线的冠状层面耗时不到4秒。
同一套联合后验采样也用于脑PET中区分基线受体动力学与吸烟诱发的瞬时多巴胺释放。 该场景此前以NLS+BIC在MRTM与lp-ntPET之间做选择，BIC的复杂度惩罚在体素噪声下会压低对激活曲线的灵敏度。 在2000条模拟测试曲线上，一致性模型准确率为91.4%，NLS+BIC为73.5%；一致性模型识别出94.4%的激活lp-ntPET曲线和88.4%的基线MRTM曲线，NLS+BIC只识别出48.1%的lp-ntPET曲线。
启示与展望
演示范围是七个FDG房室模型的全身PET体素级选择，以及[11C]raclopride脑PET中MRTM与lp-ntPET之间的选择；临床部分以一名54岁男性胰腺神经内分泌肿瘤伴肝转移患者和一名吸烟者的扫描为例。模型在按本队列帧时序与动脉输入函数生成的模拟曲线上训练，换扫描仪协议或示踪剂需要重新训练或微调。
参数估计目前只取后验概率最高的单一模型，而肝脏和骨骼肌等区域的体素会同时给多个模型非零概率，作者提出用贝叶斯模型平均处理这种混合动力学，但尚未在临床研究中实施。临床验证限于一名肿瘤患者和一名吸烟者的扫描，模拟结果依赖按本队列输入函数与帧时序生成的训练数据。