Group equivariant pyramid network for respiratory motion correction on PET image.

透過 SE(3) 群等變卷積與雙金字塔網路，PET 肺部影像的呼吸運動校正在臨床資料上達到 81.01% 的 Dice 係數。相較於傳統基準模型，這套演算法不僅將幾何假體的準確度推升至 97.81%，更讓整體評估指標穩健提升了 5.17%，顯著改善病灶模糊問題。

PET 呼吸假影的挑戰與 GEPN 雙金字塔架構

正子斷層造影（PET）在偵測腫瘤代謝活性上具備極高的敏感度，但在針對胸腔與上腹部的掃描過程中，往往需要每個床位耗費數分鐘的擷取時間。在這段漫長的掃描期間內，患者的自由呼吸無可避免地會造成肺部、肝臟等器官產生週期性或非週期性的位移，進而產生嚴重的呼吸誘導假影（respiratory-induced artefacts）。這類假影不僅會導致影像中病灶的邊界變得模糊不清，破壞了影像的空間解析度，更致命的是，它會因為計數被分散到周圍的體素中，引發標準化攝取值（SUV）的嚴重低估與病灶體積的高估。傳統的硬體或資料驅動呼吸閘控技術雖然能部分減緩這個問題，但將資料分箱常伴隨各相位計數率大幅下降與影像雜訊急遽增加的代價。現有的深度學習校正方法雖然被廣泛探討，但在面對複雜的三維非剛性形變時，其特徵學習能力上仍顯不足，難以有效且全面地消除這些複雜的運動假影。為了解決這項影響 PET 定量準確性的挑戰，作者團隊針對 3D PET 醫療影像，開發了一套名為 GEPN（Group Equivariant Dual-Pyramid Network，群等變雙金字塔網路）的全新卷積架構。這套網路模型的核心目標，在於透過更強大的三維空間幾何特徵提取能力，精準捕捉並修正患者呼吸過程中產生的非剛性形變與三維位移。

SE(3) 群等變卷積與李群運動分解策略

若要探究 GEPN 能夠精準校正 3D PET 運動假影的技術核心，必須深入檢視其編碼器與解碼器的特殊數學設計。在負責提取影像特徵的金字塔編碼器內部，模型巧妙且緊密地整合了通道-空間注意力增強卷積神經網路與 SE(3) 群等變卷積神經網路。其中，SE(3) 代表的是三維空間中的特殊歐幾里得群（Special Euclidean group in 3D，在數學上專門用於描述平移與旋轉變換的群），這項設計使得網路在萃取器官與病灶特徵時，能夠不受器官旋轉角度或平移位置的干擾，在整個運算過程中維持高度的空間幾何等變性。將目光轉向負責重建影像的解碼器部分，研究團隊提出了一種極具創新性、基於李群（Lie group）的運動分解策略。這套演算法策略運用了多頭鄰域注意力機制，專門負責掃描並捕捉器官與器官之間相對複雜的局部空間位移關係。同時，配合 SE(3) 等變運算頭的介入，將整體的複雜運動場精細分解為純粹的旋轉與平移兩個獨立分量進行處理。透過注意力機制與群論數學的聯集，模型得以在 3D 空間中精確重建出呼吸運動軌跡，進而共同減輕呼吸運動帶來的假影干擾。

Table 1 中 Dice 係數高達 97.81% 的假體驗證

為了驗證 GEPN 模型的實際校正效能與穩健性，實驗設計涵蓋了多種不同層級的 PET 肺部資料集，並採用 Dice 係數（Dice coefficients，一種用於評估兩組影像空間重疊度的客觀統計指標）作為核心的量化評估標準。在結構相對單純、運動模式完全可控的幾何假體數據測試中，GEPN 展現了極高的對齊精準度，其 Dice 係數達到了驚人的 97.81%，顯示其在理想條件下幾乎能完美還原原始影像空間。當測試對象轉換為具備更複雜仿生結構、模擬真實人體解剖特徵的肺部假體資料時，該模型依然維持著優異的演算法穩定性，繳出了 92.07% 的高水準 Dice 係數成績。這些來自假體驗證的客觀數據，充分證明了群等變卷積在處理 3D 空間位移時，遠勝過傳統卷積網路的強大優勢。對比於現有的多種基準模型，GEPN 架構在整體的交叉實驗數據中，成功將 Dice 係數的平均表現往上推進了 5.17% 的幅度。不僅在這些硬性的量化指標上取得顯著突破，在視覺感知的定性評估中，該方法在病灶清晰度與運動模式對齊這兩個決定影像品質的關鍵維度上，也展現出明顯超越現有其他演算法的優越性能。

臨床資料 81.01% 表現與病灶邊界描繪優勢

離開了條件受到嚴格控制且缺乏隨機變數的假體環境，模型在真實病患資料上的表現，才是決定其能否真正落地到臨床實務的關鍵指標。在針對真實臨床資料的測試項目中，GEPN 面臨了患者呼吸模式不規律、不同個體間解剖結構差異巨大，以及 PET 本身固有的龐大背景雜訊干擾等多重嚴峻挑戰。儘管環境如此嚴苛，該模型在這批難度最高的臨床數據中，依然成功達到了 81.01% 的優異 Dice 係數。這項關鍵的數據指標顯示，即便是面對實際掃描中難以預測的非剛性器官形變，SE(3) 群等變架構結合注意力機制的組合，仍能極為有效地還原被呼吸運動模糊的影像細節，將錯位的體素重新映射回正確的解剖位置。從最終輸出的 PET 影像品質來看，經過 GEPN 框架處理後的影像，能大幅度降低因為呼吸所導致的運動模糊現象。對於負責最終判讀的核子醫學科醫師而言，這意味著可以獲得對比度更高、邊界更為銳利的腫瘤代謝影像。這項技術成功地利用群等變架構與注意力機制的創新融合，克服了傳統影像後處理方法在面對複雜呼吸假影時，容易遺漏微小位移特徵的技術瓶頸。

對放射治療計畫與治療反應評估的影響

醫學影像品質的提升，最終必須能夠實質地回饋到臨床診斷與後續的患者治療流程中，才能展現其最大價值。GEPN 模型在 PET 呼吸運動校正上的優異表現，提供了臨床醫師更為清晰銳利的醫療影像，這直接且深遠地影響了病灶形態的評估準確性。在現代放射治療計畫的精密擬定過程中，腫瘤邊界與代謝活躍範圍的精確描繪，是決定照射劑量分佈與保護周圍健康組織的核心要素。當 PET 影像上的動態模糊被有效消除後，醫療團隊能夠更精準地定義出腫瘤的生物靶區，顯著減少因假影導致的過度照射風險或劑量不足造成的治療失敗。此外，在影像導引的手術定位方面，更準確無誤的三維空間代謝資訊有助於外科醫師在術前規劃出更精準、更安全的手術路徑。而在治療反應評估的長期追蹤上，沒有運動假影干擾的 PET 影像，能確保歷次檢查中 SUV 值的計算具備高度的再現性與客觀可信度。這項研究結果證實，透過引進先進的群等變深度學習架構，能夠在完全不增加患者輻射劑量或額外掃描時間的理想前提下，提供一種強大且穩健的解決方案，進一步提升臨床診斷的整體可靠性。

透過 SE(3) 群等變卷積與李群運動分解策略，GEPN 模型能顯著消除 PET 呼吸假影，將臨床資料 Dice 係數提升至 81.01%，大幅強化放療計畫精準度。