在小肺结节评价使用半定量测量也是不确定的，没有同意标准摄取值阈值。信号的采集和技术因素，如所使用的图像重建的方法对测量的准确度在小结节相比大结节。
　　 PET重建有两种主要类型：分析和迭代。通常迭代方法进行比较，以分析算法，如滤波反投影更常用的，因为其改进的信号噪声比的。迭代方法也允许可被包括在重建各种系统因素，如点扩散函数。使用的主要迭代算法是有序子集期望最大化旨在通过重复迭代的可能性从原始数据中找到最可能的图像。每次迭代都给出了描述测量数据的可能性更大的图像。的迭代算法的主要缺点是，它不可能将它们运行到全收敛为图像噪声随着每次迭代增加，成为不可接受达到。通常，有序子集期望最大化在预定次数的迭代之后停止，导致欠融合图像。、
　　 最近开发了一种新的迭代PET重建算法，贝叶斯程序学习，并包括点扩散函数建模。虽然惩罚可能性算法最早在被报道，并且它们优于滤波反投影的优势被描述，但它们的临床应用迄今为止非常有限。与其他可能的惩罚相比，它的主要优点在于它是相邻体素之间差异的函数以及它们之和的函数。此惩罚函数用作噪声抑制项，允许增加迭代次数，而不会出现有序子集期望最大化中常见的噪声。罚函数的强度由惩罚因子控制，惩罚因子是算法的唯一用户输入变量。修改块的顺序的正则期望最大化被用作用于本贝叶斯程序学习算法的优化器，其中，作为所述惩罚函数的结果，允许在图像来实现有效衔接，潜在地提供更精确。
　　 本研究的目的是研究使用贝叶斯程序学习的迭代重建技术对计算机断层扫描扫描结节的分析的影响，并确定其对小的10毫米以下结节的影响。
　　 这个整体观察被认为是由于贝叶斯程序学习运行为“有效收敛”，相比有序子集期望最大化的有限收敛。结节中的差异也可能是由于贝叶斯程序学习包括重建过程中的点扩散函数建模，与不包括点扩散函数建模的重建相比，小病变值更高。有趣的是，在小的恶性结节中观察到最大的增加。虽然有序子集期望最大化与点扩散函数建模和贝叶斯程序学习之间的比较可能看起来更合适，但前者的重建尚未被机构采用作为标准治疗。这是由于点扩散函数建模中的体素间协方差增加，这导致图像看起来非常不均匀，例如在肝脏中。
　　 使用半定量和视觉标准评估贝叶斯程序学习对结节评估和诊断性能的影响。当应用半定量标准时，使用贝叶斯程序学习观察到灵敏度和准确度的改善。这是伴随着该预期的特异性减少。值得注意的是，与半定量标准相比，使用视觉标准时灵敏度和准确度始终更高，以及有序子集期望最大化和贝叶斯程序学习之间这些参数的差异使用视觉标准变化较少。贝叶斯程序学习的特异性通常较低，尽管这可以通过使用摄取作为恶性肿瘤的单一决定因素来解释。预计结合其他因素，例如临床病史，风险，先前成像和计算机断层扫描外观将改善特异性以及其他诊断性能参数。
　　 用于分析数据以区分良性和恶性肺结节的两种最常用的方法是通过主观评估与背景相比的FDG亲合力或使用半定量分析，具有可变阈值用作切断将良性与恶性疾病分开。研究表明，与主观视觉分析相比，半定量分析并未提高在肺结节诊断中的准确性，的观察结果与此发现基本一致。其他基团也已经证明视觉分析是有用的。潜在地，当使用半定量方法或主观视觉分析来区分良性和恶性疾病时，将结节报告为良性的较高阈值可能是合适的。
　　 影响的因素，进而影响半定量分析，包括血糖水平，放射性示踪剂摄取时间和呼吸运动。最后一个与肺结节特别相关。研究表明，与传统的有序子集期望最大化分析相比，贝叶斯程序学习不能改善良性与恶性结节的分化。然而，这可能是因为没有包括足够的良性结节以使得具有临界亲合力的结节分离以显示贝叶斯程序学习增加来自恶性的那些的可检测信号，而不是那些。这似乎不太可能出现这种情况，因为非恶性狂热结节与恶性结节一样可见性和SUV增加。因此，使用贝叶斯程序学习代替有序子集期望最大化提高了计算机断层扫描在结节表征中的灵敏度，但似乎没有改善其特异性。
　　 贝叶斯程序学习的价值最有可能是它提供更好的可见性和更准确的定量数据的能力。这已被证明在幻影的研究和研究结果在小结节明确说明这一点的进步。这可以使计算机断层扫描用于评估目前认为不适合成像的结节，当已知低或能见度是对其真实代谢活动的不准确评估时。与没有已知恶性病史的患者的孤立性肺结节的临床情况相反，贝叶斯程序学习在评估已知恶性肿瘤背景下的小结节方面可能具有特别的附加价值。最高%在队列中观察到转移性结节。
　　除了分析的少数良性结节外，本研究发现与较大的组数据相比，AUC值相对较低，因为单独使用作为恶性受累的单一决定因素。尽管如此，这支持了已发表的观察结果，即半定量分析并未提高FDG-PET在肺结节评估中的准确性。
　　与传统的有序子集期望最大化重建相比，使用贝叶斯程序学习导致信噪比和信号到背景测量的显着增加。虽然它没有提高计算机断层扫描用于区分良性和恶性结节的总体准确性，但它似乎提供了关于结节代谢活动的更准确的报告。