1. 项目概述：PET/CT图像融合到底在做什么
先把我这几年的一个感受放在前面：PET/CT图像融合这件事，听起来像是“把两张图叠在一起”，但真正做过一轮的人都会明白，这个“叠”字背后是整整一套医学影像工程体系。你拿到的不是两张自然对齐的照片，而是两个完全不同的成像设备、两套物理原理、两套重建算法分别产出的断层体数据，要让它们在空间上一一对应，再在显示上合成一张有诊断价值的信息图谱，每一步都有坑。
说个最直白的例子。医院里一台PET/CT设备采集完成后，PET图像和CT图像本身在设备端就已经是配准好的，因为扫描时就是同一次摆位、同一张检查床推进去。但一旦你碰上这样的场景：患者分别在两台设备上做了PET和CT检查，想把两次检查的图像融合到一块看疗效；或者从PACS里把PET和CT两个序列导出来，想拿第三方软件做二次分析和建模；再或者你是负责核医学信息化系统的工程师，想打通不同厂家的数据格式——这时候你就会发现，手动做一次跨设备、跨时间、跨体位的图像配准和融合，远比想象中麻烦得多。
这也是我写这篇笔记的初衷。它把PET/CT图像融合从原理、数据处理、配准算法到工具实操和常见问题，完整梳理了一遍，适合这几类人：
- 核医学科和放射科的医生、技术员，想理解融合图像的判读依据，也想自己动手复核设备融合结果；
- 影像组学、肿瘤疗效评估方向的科研人员，需要把PET和CT数据规整到同一空间坐标下做定量分析；
- 医工交叉、医学图像处理方向的学生和工程师，正在做多模态匹配功能，需要一个完整的工程思路参考。
文章里不会有炫技的高深公式，我用的是从业者之间聊天的口吻，把“为什么这么做”和“这里我踩过什么坑”都讲清楚。核心只围绕一件事：让PET的功能代谢信息和CT的解剖结构信息，在空间上精确对齐、在显示上合二为一、在定量上保持一致。
2. 为什么要融合：PET和CT各自解决什么问题
2.1 PET看“功能代谢”，CT看“解剖结构”
PET成像的本质是追踪正电子核素标记的示踪剂在体内的分布，最常用的是氟代脱氧葡萄糖FDG。肿瘤细胞糖代谢旺盛，会大量摄取FDG，所以PET图像上高亮区域就是代谢活跃的可疑病灶。但它有个天然短板：空间分辨率低，通常在4到6毫米这个区间，图像模糊，解剖边界很难界定。病灶到底长在哪个器官的哪个段？和血管、骨骼、周围脏器的关系如何？仅靠PET图像很难说清楚。
CT成像的本质是用X射线穿透人体后重建出密度分布图，空间分辨率能够达到亚毫米级，骨骼、肺纹理、软组织边界一目了然。但纯结构信息无法反映代谢活跃度。炎症、肿瘤术后改变、纤维化和肿瘤复发在CT上可能长得差不多，鉴别起来很费劲。
这两个模态的信息天然互补。融合之后，一张图能同时回答三个问题：哪里有异常代谢？这个异常在解剖上对应什么结构？和上次检查比，它的代谢活性和形态是变大还是变小了。肿瘤分期、放疗靶区勾画、疗效评估、穿刺活检路径规划，全是建立在这个基础上的。
2.2 融合的价值不只是“好看”
我接触过一些人，以为医生看的所谓融合图，就是把PET用伪彩色贴在CT上。这么理解不算错，但太浅了。真正的价值在于空间对应关系。举个例子：PET显示纵隔区域有高代谢淋巴结，如果CT同一切层上能清楚看到这个淋巴结的短径、边界、与主动脉的距离，那么分期就能直接定下来。如果只有PET，你只知道“纵隔有异常”，但不知道它到底是不是淋巴结、能不能安全活检。
反过来也一样。放疗计划系统里，医生通常在CT上勾画靶区，但单纯CT勾画可能漏掉CT上看不到的代谢活跃区域。这时把PET配准到定位CT上，把FDG高摄取区域映射成生物靶区，就能实现剂量雕刻——给活跃区域加量，给周围正常组织减量。这种临床决策层面的价值，是“好看”完全无法覆盖的。
2.3 融合的一个常见理解误区
有些人觉得，融合结果越炫越好，伪彩色调得越华丽越像那么回事。但在实际工程里，过度渲染反而是禁忌。诊断用的融合图像，必须在同一个窗宽窗位、同一个灰度/伪彩映射规则下呈现，才能在前后两次检查之间做可比的视觉评估。你换一套色标，结节的视觉边界就会变，这就是“视觉偏倚”的来源之一。所以做任何融合软件或者分析流程，第一原则永远是：显示方式标准化，输出参数可复现。
顺带提一句，热搜词里有“工业CT”图像融合，这个方向和医学PET/CT融合在理念上有一脉相承的地方——都是把不同探源的数据对齐后综合判断。但工业CT融合更关注缺陷密度对比和尺寸测量，对亚毫米精度要求极高；医学融合则更看重生理运动的消除和代谢定量的稳定性，两者的核心参数差异很大。这篇文章以医学PET/CT为主线，但配准算法和数据处理流程里的思路，工业检测场景同样可以参考。
3. 图像配准：融合成败的第一关
3.1 刚性配准、仿射配准还是弹性配准
PET/CT融合的第一步，也是决定成败的一步，是配准。所谓配准，就是找一个空间变换，让两张图像中的同一解剖点在空间坐标上重合。按照变换的自由度，我把它分成三种：
- 刚性配准：只允许平移和旋转，六个自由度。适合同一设备、同一体位下采集的PET和CT，因为人体本身没有发生形变，只是可能因为检查床位置或患者轻微活动产生了几毫米偏差。
- 仿射配准：在刚性基础上加入缩放和剪切，十二个自由度。能处理图像尺度不一致的情况，但依然假设整体是线性变换，对局部形变无能为力。
- 非刚性配准（也叫可变形配准）：每个像素或控制点都有独立的位移矢量，自由度从几万到上百万，能够处理呼吸运动、组织变形、体位变化等局部差异。
我在实际项目里见过最多的误操作是：跨设备、跨时间的数据，拿了刚性配准之后发现局部对不齐，就硬凑融合看结果。这不对。如果是同一次PET/CT检查但导出文件有点小偏差，刚性足够；如果是想把几个月前的PET配到最近的CT上评估疗效，人体内部器官位置早就变了，直接上刚性很大概率出错，至少要用带约束的弹性配准。
3.2 相似性测度怎么选：互信息是跨模态标配
配准算法要想知道“对齐到什么程度才算好”，需要一个评分函数，这就是相似性测度。同一模态之间比灰度相关性（比如均方误差、归一化互相关系数）很直接，因为同种组织灰度基本一致。但PET和CT是两种完全不同的物理量——CT值是亨氏单位HU，PET是计数率或标准摄取值SUV——灰度之间没有线性关系，比灰度差异就是刻舟求剑。
这里就要引入互信息Mutual Information。通俗理解，互信息衡量的是“知道一张图像某个位置的像素值后，对另一张图像同一位置像素值的预测能确定多少”。如果两幅图对齐得好，解剖结构重合度高，那么A图中高密度区域对应的B图区域往往也有稳定的代谢分布，这种统计依赖关系就会很强。当两幅图错开时，统计依赖被破坏，互信息值下降。所以，用互信息做配准的评价标准，天然适配跨模态场景。
在实际操作里，我常用的是归一化互信息NMI，它对图像重叠区域的变化更鲁棒。如果两幅图只有局部重叠，直接用MI可能会被重叠区域大小扰动，NMI则把这一因素做了归一，稳定性更好。
3.3 配准后的质量评价不能走形式
这是一个经常被忽略的环节。做融合的人五花八门，有些把变换矩阵输出来就完事，从来不看验证结果。但配准是一种数值优化，陷入局部最优是家常便饭。不管算法吹得多准，最终必须人眼验证。推荐的做法是：配准完成后，同时打开两张图的棋盘格显示——即把同一区域的图像按照马赛克方式交替拼接，左一块右一块，可以直观看出骨性标志、血管截面、脏器等是否在边界处自然衔接。如果棋盘格边界处有明显错位或撕裂，说明配准不过关，需要重做或换参数。
注意：棋盘格验证是配准质量的“第一道防线”，但还不够。对于临床定量分析，还需要在配准后的图像上取若干解剖标志点，比如主动脉分叉、椎体前缘、锁骨，测量两图坐标偏差，一般不高于同一层图像像素尺寸的1.5倍才算合格。
4. 实操过程：从DICOM到一张可用的融合图
4.1 DICOM数据预处理，绕不开的第一道坎
做融合前拿到的原始数据是DICOM格式，里面除了像素数据，还有大量头文件信息。不夸张地说，图片数据本身的错误，有一半都是因为没吃透DICOM标签。我最看重的几个标签说一下：
- SeriesInstanceUID和SOPInstanceUID：用于区分序列和实例，否则容易出现把两个不同序列混在一起读的白痴错误；
- PixelSpacing和SliceThickness：像素间距和层厚，空间参考的核心，丢失了它，坐标映射根本无从谈起；
- ImageOrientationPatient和ImagePositionPatient：分别是图像的方位余弦和左上角像素在病人坐标系中的位置，这两组参数共同决定了每张切片在三维空间的实际朝向和位置；
- RescaleSlope和RescaleIntercept：CT图像存储值转HU值时使用，PET图像转SUV时需要读取放射性活度浓度、患者体重、注射剂量等标签。
预处理阶段，我会把每个系列的DICOM文件先做一次“体检”：检查层数是否完整、层间距是否均匀、方向标签是否一致、有没有遗漏切片。这一步虽然枯燥，但能省掉后面调试时几天的痛苦。
一个小经验：从PACS导出的数据有时会附带“Second Capture”或“Reformatted”系列，看着像图像，实际上是屏拍，不具备空间坐标信息，不能用于融合。导入后先看一下ImageType标签，第三位若是SECONDARY或者DERIVED，就要留个心眼。
4.2 SUV值计算：融合图的定量基础
PET图像融合到CT上之后，大家的注意力往往全放在病灶对不对齐，容易忽略一个基本问题：你在融合图上看到的PET信号强度，是不是真实反映代谢活性的SUV？如果PET数据没有正确计算SUV，那么融合图再漂亮也是空中楼阁——没法做定量比较，更没法判断疗效。
SUV的标准公式是这样的：
SUV = 图像像素活度浓度 /（注射剂量 / 体重）
如果注射剂量是18F-FDG，单位MBq，患者体重kg，图像像素活度浓度通常是Bq/mL，那么就需要做单位换算。很多做工程的同学在融合流程里直接把PET值线性归一化到0到1之间，然后叠加显示，这相当于模糊了任何定量意义。这种做法在肉眼预浏览时可以接受，但如果用于疗效评估或科研分析，必须先完成SUV的标定。
提示：如果项目对可视化精度要求高，用伪彩色表示SUV分布时，应该把SUV范围映射成透明度的下限和上限，例如SUV下限设为2.5，上限设为8，这样既能避开本底噪声干扰，又能让真正的高代谢区域肉眼可见。
4.3 融合显示算法：不只是简单透明叠加
拿到配准后的图像，最后一步是融合显示。最朴素的方法是alpha blending，把CT作为灰度底图，把PET伪彩图以一定透明度覆盖在上面。这个透明度设多少，其实挺讲究。透明度太低，病灶信息被解剖结构盖住；太高，CT的骨性标志又看不清。我的默认做法是PET层透明度设40%到50%，同时CT层使用相对窄的肺窗或纵隔窗适配。
更进阶一点的显示方式是“梯度场融合”或者称为“Laplacian金字塔融合”，核心思想是保留CT高频纹理信息（骨骼、气管壁）和PET低频信息（代谢热点整体轮廓），两者在不同频率层上叠加。这种方式的视觉效果远好于直接透明混合，因为解剖细节得到保留，代谢区域的边界又不会糊成一片。很多商业工作站的融合效果之所以显得高级，用的就是这种多尺度策略。
开源的3D Slicer软件里，就把这两种模式都暴露给了用户。CT/PET这样的多模态配准场景，直接在模块里叠加两个Volume，调整色标和透明度即可；如果需要金字塔融合效果，可以转到“Volume Rendering”模块配合自定义颜色传输函数实现。不过，3D Slicer自带的融合显示更多是为可视化服务的，批量处理能力一般。如果想在项目里做批量融合出图，我建议用Python配SimpleITK做配准，再用VTK或ITK自带的ImageBlender做融合通道输出，流程可控性会强很多。
4.4 用SimpleITK实现一套最小可行的融合流程
下面给一套我能跑通的最小代码骨架，适合做工程验证。它做的事情是：读入CT和PET两个系列的DICOM，执行刚性配准，评估结果，输出的融合图便于可视化。
import SimpleITK as sitk # 读取DICOM系列 ct_series_reader = sitk.ImageSeriesReader() ct_dicom_names = ct_series_reader.GetGDCMSeriesFileNames("/path/to/ct_series") ct_series_reader.SetFileNames(ct_dicom_names) ct_image = ct_series_reader.Execute() pet_series_reader = sitk.ImageSeriesReader() pet_dicom_names = pet_series_reader.GetGDCMSeriesFileNames("/path/to/pet_series") pet_series_reader.SetFileNames(pet_dicom_names) pet_image = pet_series_reader.Execute() # 初始对齐：以CT为参考，PET为浮动图像 initial_transform = sitk.CenteredTransformInitializer( ct_image, pet_image, sitk.Euler3DTransform(), sitk.CenteredTransformInitializerFilterFilter.MOMENTS ) # 配准参数：互信息作为相似性测度，三次线性插值 registration_method = sitk.ImageRegistrationMethod() registration_method.SetMetricAsMattesMutualInformation(numberOfHistogramBins=64) registration_method.SetInterpolator(sitk.sitkLinear) registration_method.SetOptimizerAsGradientDescent( learningRate=1.0, numberOfIterations=200, convergenceMinimumValue=1e-6, convergenceWindowSize=10 ) registration_method.SetInitialTransform(initial_transform) final_transform = registration_method.Execute( sitk.Cast(ct_image, sitk.sitkFloat32), sitk.Cast(pet_image, sitk.sitkFloat32) ) # 将PET重采样到CT空间 resampler = sitk.ResampleImageFilter() resampler.SetReferenceImage(ct_image) resampler.SetInterpolator(sitk.sitkLinear) resampler.SetTransform(final_transform) pet_resampled = resampler.Execute(pet_image) # 用融合显示效果保存一张预览图 ct_array = sitk.GetArrayFromImage(ct_image)[50] # 取中间层 pet_array = sitk.GetArrayFromImage(pet_resampled)[50] # 这里可以自行实现叠加显示或保存矩阵这段骨架虽然短，但注意几个关键点。CenteredTransformInitializer里我常用MOMENTS模式，用图像质心作为初始对齐参考，对PET和CT这类大致同轴的数据很稳定。MattesMutualInformation是简单有效的跨模态测度选项，bin数量取64在绝大多数情况下足够，bin太少会损失细节，太多则统计噪声变大。优化器我用的是梯度下降，迭代200次，对刚性问题一般够收敛；如果数据差得厉害，可以把迭代数涨到500到1000，或者换成更平滑的L-BFGS优化器。
这版骨架里的重采样，是PET往CT空间靠，这样做的好处是后续一切分析都统一到了CT的解剖坐标系下，放射科医生更习惯这种视图。如果你想做放疗计划，通常也是PET配到定位CT上，逻辑一致。
5. 工具选型解析：商业工作站与开源方案对比
5.1 现成的商用方案最省心
医院里最常用的融合工具，是PET/CT设备自带的厂商工作站，比如西门子的Syngo.via、GE的AW VolumeShare、飞利浦的IntelliSpace Portal。它们最大的优势是集成度高，扫描完成后设备端已自动完成同机融合，人机交互流畅，临床医生只需要拉窗、调对比度、点几下鼠标就能出图和报告。
但这类商业工具的短板也很明显：封闭。你想把融合参数导出来，或者把某一套流程批量应用到100个病人数据上，基本做不到。DICOM导出通常只有“已融合的栅格图像”，而非原始配准变换参数，这意味着你没法在离线环境中重现甚至验证它的融合结果。所以搞科研的人，一般会在拿到原始DICOM之后，用自己的处理流程重新算一遍。
商用软件还有一种细分的工具值得留意，国内比较少见但确实存在的EMMA图像融合分析平台，它在神经影像、多模态MRI和PET融合场景里提供了更灵活的ROI配准和量化功能。如果你要做的融合流程带有较多科研定制需求，可以把它视为介于纯手动开源流程和封闭商业工作站之间的折中方案。
5.2 开源方案的组合拳：3D Slicer + SimpleITK
开源生态里，3D Slicer是最接近“临床软件操作手感”的选择。它自带丰富的配准模块，跨模态配准可以使用General Registration模块，底层调用的是SimpleITK或Elastix，界面友好，不需要写代码就能完成PET/CT融合的整个流程。
如果需要批处理，或者要把融合嵌入到自己的管线里，SimpleITK是更顺手的起点。它轻量、跨平台，支持DICOM读取和多种配准算法，写起来不费力。更专业的场景可以引入Elastix，它实现了多种可变形配准方法，尤其是BSpline弹性配准，在器官形变、呼吸运动补偿方面效果突出，而且封装了非常细致的参数化配置。
我在实际项目中的分工是：3D Slicer用于初步评估和一例一例地精细微调，SimpleITK用于批量跑协议流程，Elastix只在柔性配准要求高时才启用。三者之间通过NIfTI或MetaImage格式互通，基本能覆盖90%以上的日常需求。
5.3 成本与精度怎么权衡
这里我给一个从实际项目里总结出来的判断标准：
- 如果是临床日常看片和出报告，直接使用商用设备工作站，成本最低、效率最高；
- 如果是影像科研，需要完全可控的融合参数和可重现的结果，开源方案是唯一的选择；
- 如果是做大规模数据批处理，商业软件基本出局，自己写代码是必须的。
精度方面，开源工具配准精度不一定比商业软件差，关键在参数调节。商业软件的优势是默认参数经过大规模临床数据调优，开箱即用；而开源方案需要自己理解参数意义，逐步微调。两者的差别不在于算法本身，而在于“工厂预校准”和“自己动手校准”的区别。
6. 常见问题与排查技巧实录
6.1 融合后病灶错位，大概率是方向或体位问题
最常见的融合结果异常，是明明扫描没问题，但输出图像里病灶和CT解剖位置差了一截。我排查这种问题的经验按优先级排队：
第一，查看DICOM的ImageOrientationPatient方向余弦，有些设备导出的数据集为LPS方位，另一些转换工具读了RAS方位，如果不做方向换算，图像就会左右或前后翻转。这个坑我已经碰过不止一次。
第二，看初始摆位。如果是用两个独立扫描的序列做配准，检查床升降、手臂位置变化都会导致位置偏差。双臂上举和双臂放下的两次扫描，胸廓形态差异大到刚性配准根本无能为力，必须采用弹性配准。
第三，看层厚和层间距是否一致。PET层厚通常在3到5毫米，CT可能是1毫米层厚重建，重采样网络不一致也会导致配准偏移。这时候我建议把CT先重采样到和PET相同层厚，再做配准，收敛速度会快很多。
6.2 SUV值不稳定的根源未必在配准
有一种情况很迷惑：融合图像看着挺齐，但同一个病灶前后两次扫描SUV变化超过正常范围。后来排查发现，问题根本不在配准，而是两次扫描之间PET设备的校正没有做。PET图像的SUV稳定性高度依赖设备质控，包括每天的归一化校正、每周的空扫、每月的均匀性测试。如果这些数据不达标，融合图再准也救不了定量结果。
另外，如果两个不同时间点PET数据要对比，必须注意两次扫描的“摄取时间”是不是一致。FDG的分布会随着注射后时间变化，第50分钟采集和第80分钟采集的SUV本身就不同。融合观察时这种系统性差异会因为CT解剖结构重合而具有很强的欺骗性，肉眼根本看不出来，必须靠记录扫描参数来规避。
6.3 分辨率不匹配导致病灶视觉丢失
PET空间分辨率远低于CT，当把PET重采样到CT的高分辨率网格后，病灶边缘会比原始PET图像更锐利，但也可能出现视觉上的“病灶缩小”或者“本底噪声锐化”。这种伪象在显示时很容易误导人。
我的建议是：用于诊断阅读的融合图，PET层不要强行插值到CT的超高分辨率，保持在PET原生分辨率或略高即可，比如重采样到3到4毫米体素。这样保留了PET的真实空间分布特征，也避免了过度插值产生的视觉假象。如果是放疗靶区勾画，需要精确的解剖边界，那才考虑插值到CT分辨率，并额外叠加PET原始分辨率下的等高线轮廓来辅助勾画。
6.4 定位准确性验证：用肿瘤边界和骨性标志联合校验
除了目测棋盘格，我会在工程流程里加入一组“特征点对”刚性验证步骤。工具上随便用哪个标注软件都行，关键是要有固定的验证点位：主动脉弓顶点、隆嵴、肝脏上缘、肾门等解剖标志。在CT上标记一次，把坐标用配准变换映射到PET空间，再在PET图像上找对应位置，对比手动识别的位置偏差。
当偏差大于设定阈值时，我需要调整配准参数，而不是强行接受。临床上我见过一些团队盲目相信软件输出的Transformation Matrix，不做验证就出定量报告。说实话，这个习惯挺危险的。软件再厉害，任何数值优化都无法保证每例数据的成功概率是100%，所以操作流程里必须留一个人工审核环节。
6.5 批量融合时的“序列级错误”防不胜防
批量处理多个病人时，错误更容易出在“序列对应关系”上，而不是算法本身。比如某患者有两次PET检查，最近一次CT又是在另一台设备上做的，读数据的脚本如果只按日期排序或者文件大小匹配，极容易张冠李戴。
我的做法是，建立一个元数据索引表，记录每个系列的病人ID、检查日期、模态、身体部位、序列UID，再基于UID做融合组配。任何想省掉UID直接按文件名处理的脚本，我都会强烈劝阻。因为DICOM文件名是各设备自定义的，有些设备甚至会用时间戳+序列号的方式，不同厂家的命名规则差异很大，完全不可靠。
7. 给新手的操作建议与要点速查
7.1 先从简单场景入手
如果你初步涉足PET/CT融合，或者刚被分到一个要做融合的项目里，我建议你不要一上来就追求弹性配准、深度学习这些听起来很厉害的方向。先用一组同机采集的数据，跑通刚性配准，看懂每一个参数的含义，再逐步增加难度——用跨设备数据、跨时间数据，最后再碰呼吸运动的变形补偿。
同机采集的数据通常只需要很小的初始对齐修正，是调试流程最好的素材。等流程稳定了，把数据换成“PET在A医院，CT在B医院”这种真实世界的困难样本，就能明显感受到配准算法选择和价值了。
7.2 融合结果一定要“可解释、可复现”
做了一套融合流程之后，记得把这几项完整记录下来：使用的软件及版本、配准算法类型、相似性测度和参数、插值方式、重采样分辨率、窗宽窗位和色标方案。这串信息看似琐碎，但它直接决定了别人能否复现你的结果。很多科研协作项目最后卡在“你说你做了融合，但你用的到底是哪个参数啊”，就非常可惜了。
有的团队会把色标方案和窗宽窗位做成固定的配置模板，所有数据都用同一套，这样不同病例之间的视觉对比才公平。这个习惯特别值得推广，尤其是做疗效评估的项目，前后两次检查必须保证同一种显示协议，否则因为显示差异带来的“假性变化”可能就直接误导阅片了。
7.3 数据质量永远值得你花时间去检查
在我经手的项目里，最耗时间的部分不是跑算法，而是检查数据。一个序列缺层、一个坐标标签异常、一个患者两次检查的注射剂量记录错误，都可能让整批融合结果报废。宁可前面多花30分钟做数据审核，也不要让算法在脏数据上跑3个小时，然后对着不可靠的输出怀疑人生。
我每次面向新数据集工作时，不管来源多正规，都会自动先跑一个数据质检脚本，输出层数、间距、方向、范围这些基础信息，再开始做融合。这个习惯帮我躲过了不少坑。
8. 几个容易忽略的细节经验
写到最后，再分享几个我在反复实操中形成的小经验。
第一个是关于色彩映射的选择。PET伪彩色不是随便选的，推荐使用连续且感知均匀的色标，比如类似“酷暑”风格的Jet，或者更现代的Viridis。为什么？因为人类视觉对低频色差更敏感，色标的突变会造成病灶边界被高亮显示，从而放大或缩小病灶的视觉范围。诊断报告里如果附的是融合图，尽量保持色彩映射一致，不要每次调出不同颜色。这个细节很细微，但对长期阅片一致性影响很大。
第二个是关于呼吸运动的影响。PET采集通常需要数分钟，期间患者一直在呼吸，CT扫描又是屏气采集，两者的膈肌位置天然不同。所以肝顶、肺底区域的融合总会存在一定偏差。这不是算法能完全消除的，只能通过呼吸门控PET采集来改善。如果你在处理肝肺交界区的病例时融合始终差几个毫米，别怀疑是配准参数抄错了，先确认检查协议里有没有启用呼吸门控。
第三个是关于深度学习配准方案。如果你所在的团队有足够的算力和数据，近年来的学习型配准方法值得尝试，例如VoxelMorph。这类方法的优势是推理速度快，而且一旦训练完成，针对某种固定部位、固定采集协议的配准效果非常稳定。但它对训练数据的代表性要求高，临床上如果采集协议经常变化，模型泛化就是一个新问题。我的态度是：经典方法作为基线始终保留，深度方法作为提升手段逐步引入，两条腿走路最稳。
第四个，也是最容易被忽视的一点：融合完成后，一定要先做“倒退验证”——把融合后的PET空间坐标映射回原始PET图像，检查关键病灶在原始PET图像上的位置是否与融合所见一致。这个步骤无需额外工具，用任何能同时显示DICOM和注册坐标的软件，例如3D Slicer的“Transforms”功能，就能轻松实现。很多配准异常就是在这个过程中原形毕露的，多花这一步，能避免后面基于融合结果的错误决策。
PET/CT图像融合说到底是“信息对齐”的艺术。从图像到参数、从参数到判断、从判断到决策，每个环节都有一层若隐若现的误差在累积。能把误差控制好、把每一步的原因解释清楚的人，才算真正吃透了这个方向。希望这篇笔记里的经验能让你少走一些弯路，把精力留在真正有意义的临床与科研问题本身。
