近日，浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI）副教授赵波团队在医学影像重建与前沿计算机技术交叉领域取得重要进展，相关成果Bayesian PET Reconstruction with Learned Flow Matching Priors via Langevin Sampling发表于IEEE 15th Image, Video, and Multidimensional Signal Processing Workshop（IVMSP 2026），并获评大会最佳学生论文奖（Best Student Paper Award）。论文作者包括第一作者浙江大学2025级信息与通信工程专业博士研究生冉珩伽，唯一通讯作者副教授赵波，第二作者浙江大学生物医学工程与仪器科学学院教授刘华锋。

正电子发射断层成像（PET）是一类重要的医学断层成像技术，可通过探测放射性示踪剂在人体内产生的成对湮灭光子事件，重建组织与器官的代谢活动分布，广泛应用于肿瘤诊断、神经系统疾病评估和心血管疾病研究。从信号处理与逆问题角度看，PET重建需要在泊松噪声主导的低计数观测条件下恢复高维图像，本质上是关于低信噪比且高度病态的统计估计问题。临床方面，降低显像剂注射剂量或缩短扫描时间有助于减少患者辐射暴露、提升检查效率，但也会显著降低光子计数，导致噪声升高、伪影增强和细节信息丢失。因此，如何在低剂量条件下实现高质量PET图像重建，是医学成像、信号处理与人工智能交叉领域的重要挑战。

针对上述挑战，研究团队提出了一种基于Flow Matching（流匹配）生成式先验的贝叶斯PET重建方法。该方法利用已有PET影像数据集训练生成模型，学习真实医学图像的先验分布，并将该先验与PET成像物理模型及泊松噪声统计特性相结合，构建面向低剂量PET重建的贝叶斯后验模型。

▲ Flow Matching生成器从先验分布到PET图像空间的映射过程

在算法层面，团队设计了潜空间Langevin后验采样方法，将高维PET图像重建问题转化为生成模型潜变量空间中的贝叶斯推断问题，从而在保持重建结果与PET投影观测数据物理一致性的同时，有效抑制低计数观测带来的噪声与伪影。

相比传统重建方法，该方法不仅能够更好地保留组织结构、边缘和细节信息，还可以通过多组后验样本提供体素级不确定性估计，从而直观反映不同组织区域及潜在病灶区域重建结果的可信程度。这一能力使PET重建从传统的单一图像估计进一步拓展到后验分布刻画，有助于评估图像细节的可靠性，并为后续病灶分析、定量测量和临床辅助决策提供参考。

▲潜空间Langevin后验采样机制

基于Flow Matching的生成模型、PET成像物理模型与贝叶斯后验推断相结合，提出了面向低剂量PET成像的高质量、高可信重建新框架，为低剂量、精准化和可量化可信度的PET图像重建提供了新的技术路径。相关成果获评IVMSP 2026最佳学生论文奖，充分体现了国际同行对该研究创新性与学术价值的高度认可。未来，研究团队将继续面向临床场景，优化算法效率与系统鲁棒性，推动相关技术从方法验证走向应用成果转化。

IVMSP是IEEE Signal Processing Society旗下图像、视频与多维信号处理领域两年一度的重要国际研讨会之一，旨在推动该领域前沿理论与应用技术的持续发展。本届IVMSP是该会议首次在中国举办。