在核医学影像领域，BSREM(Block Sequential Regularized Expectation Maximization)算法已成为从原始核辐射探测数据中重建高质量图像的关键技术。这项基于贝叶斯惩罚似然框架的迭代重建技术，正从理论研究深度融入临床，其核心价值在于显著改善了传统OSEM算法在低计数条件下图像噪声过大的问题，这对于推动低剂量扫描和快速成像尤为重要。
BSREM算法的效能高度依赖于两个关键参数的精准选择：贝叶斯权重/正则化参数(β值)和边缘保留参数(δ值)。β值直接控制对图像噪声的抑制强度，其选择需紧密结合具体的核医学应用场景。例如，在常规F-18 FDG PET肿瘤诊断中，推荐β值范围为500-700，以实现较低的背景噪声和良好的病灶对比度;而在使用Lu-177等长半衰期核素进行的治疗评估或极低计数成像中，则可能需要将β值大幅提高至1500以上以有效压制噪声，但这可能以损失小病灶检出能力或导致定量值(如SUVmax)低估为代价。
另一个参数δ值则主要用于控制图像边缘的保留程度。在高计数、高对比度的成像条件下，可选用较低的δ值以保留更多解剖细节;在低计数、高噪声的场景下，则需提高δ值以增强图像平滑效果。两者的联合优化需要系统考量。临床实践证明，针对不同的放射性核素与显像任务，存在特定的优化组合。例如，对于Ga-68 PSMA PET盆腔病灶检查，推荐参数组合为β值400-550配合δ值2;而对于采用新型探测器的Tc-99m标记心肌灌注SPECT显像，则可能使用β值0.4(此为相对单位)与δ值4的组合。
为了在临床中充分发挥BSREM算法的优势，建立标准化的参数验证与优化流程至关重要。这通常始于使用NEMA IEC或Jaszczak模体进行物理测试，评估不同参数下图像的对比度恢复与背景均匀性。进而通过典型病例的临床回顾，由医师双盲评估图像质量，并与活检或传统OSEM重建结果进行定量比较，最终建立针对本科室设备及不同核素检查的个性化参数查询表。
当前，该领域的研究正朝着智能化方向发展。诸如RAREM等新算法尝试引入基于图像特征的自动参数调整机制。同时，基于深度学习的模型也开始被探索用于根据患者体型、注射的放射性活度及采集时间等信息，自动推荐最优的重建参数，旨在未来实现“一键优化”，进一步提升核医学影像的重现性与诊断效率。
