全面量化大腦PET圖像，常常需要精確的血流輸入函數。然而傳統方法中，獲取這一函數通常依賴(lài)于侵入性且耗時(shí)的動(dòng)脈導管采血，這在臨床實(shí)踐中往往難以實(shí)現。

7月2日，中國科學(xué)院深圳先進(jìn)技術(shù)研究院（以下簡(jiǎn)稱(chēng)“深圳先進(jìn)院”）孫濤副研究員課題組與河南省人民醫院王梅云副院長(cháng)團隊合作，在醫學(xué)影像頂級期刊IEEE Transactions on Medical Imaging上發(fā)表了題為“Non-Invasive Quantification of the Brain [¹⁸F]FDG-PET Using Inferred Blood Input Function Learned?From Total-Body Data With Physical Constraint”的文章。該研究介紹了一種通過(guò)訓練全身數據，實(shí)現從動(dòng)態(tài)腦PET數據推斷血液輸入函數（IF）的方法。

文章上線(xiàn)截圖

本研究提出了一種基于深度學(xué)習的替代方法，用于估計動(dòng)態(tài)腦FDG掃描的輸入函數（DLIF）。這一標記的輸入函數是通過(guò)CT圖像上定義的升主動(dòng)脈勾畫(huà)全身PET數據生成的。在構建深度學(xué)習網(wǎng)絡(luò )結構方面，該研究采用了長(cháng)短時(shí)記憶（LSTM）網(wǎng)絡(luò )與全連接網(wǎng)絡(luò )的組合。此外，研究團隊還強調了將動(dòng)力學(xué)建模擬合度納入作為額外物理?yè)p失的重要性，這有助于引導模型減少偏差并降低對大量訓練樣本的依賴(lài)。為了驗證該方法的有效性，研究團隊使用了一個(gè)包含85個(gè)全身動(dòng)態(tài)掃描的數據集，包含了來(lái)自八個(gè)腦區和頸動(dòng)脈的時(shí)間-活動(dòng)曲線(xiàn)數據。

圖1??物理信息驅動(dòng)的DLIF學(xué)習框架圖解

與現有方法的比較結果表明，DLIF生成的輸入函數在形狀和幅度上與參考值非常相似。計算得出的所有區域動(dòng)力學(xué)參數Ki（以及K1）與參考值的相關(guān)系數分別為0.961和0.913，相對偏差分別為1.68±8.74%和0.37±4.93%。

圖2 ?展示兩個(gè)個(gè)體使用不同方法估計的輸入函數的比較。可以看到，所提出的方法(DLIF)估計的輸入函數相較于其他方法更為接近參考曲線(xiàn)（Reference）。

從視覺(jué)和定量?jì)蓚€(gè)方面來(lái)看，參數圖像也與參考圖像高度吻合（圖3）。這些結果證實(shí)了無(wú)創(chuàng )且準確地估計血流輸入函數的可行性，該方法適用于常規的短視野或專(zhuān)用腦部掃描PET系統，并且無(wú)需進(jìn)行部分容積校正。通過(guò)精準計算獲得的全局灌注、凈流入、凈代謝和其他微觀(guān)參數，有助于推動(dòng)在廣泛的神經(jīng)和精神疾病中大腦代謝功能的研究，進(jìn)而輔助制定更有效的治療策略。

圖3 展示了使用不同方法估計的輸入函數所計算的K1/Ki圖像（左）。可以觀(guān)察到，使用所提出的方法(DLIF)估計的參數圖像與參考圖像最為接近，且誤差值范圍最小（右）。

孫濤和王梅云為本研究的共同通訊作者，深圳先進(jìn)院博士后王振國是第一作者。該研究是研究團隊關(guān)于全身PET成像方法與應用的系列研究之一，得到了中國科學(xué)院、廣東省重點(diǎn)實(shí)驗室、廣東省區域聯(lián)合基金、深圳市科創(chuàng )委基礎研究等項目的支持。