近日，中国科学院深圳先进技术研究院·劳特伯生物医学成像研究中心胡战利研究员团队与相关合作医院联合攻关，在动态PET定量成像领域先后取得多项研究进展，团队围绕提高动态PET临床时空分辨率、缩短扫描时间开展一系列相关研究，实现了“从算法模型创新——到实际临床验证”的科研思路。相关工作前期发表在技术类权威期刊IEEE Transactions on Biomedical Engineering（IF=4.7）和Medical Physics（IF=4.5）上，然后在合作医院装机的上海联影2米PET/CT和一体化PET/MR设备上分别进行临床病人验证，相关工作发表在核医学临床顶刊European Journal of Nuclear Medicine and Molecular Imaging（IF=10.057）和European Radiology（IF=7.034）上。

　　与传统静态PET成像技术相比，动态PET成像技术具备潜在的和更多的临床应用价值。动态PET可以提供随时间变化的示踪剂浓度分布信息，通过后期基于药代动力学模型的动态分析，能够帮助临床医生得到多种反映不同组织器官代谢和特异性受体结合特性的动态参数，从而实现疾病的精准定量诊断。例如，现有临床静态PET成像采用标准化摄取值（SUV）这一“半定量”指标来量化药物摄取。然而，SUV的量化精度往往会受到采集过程中测量时间和血浆示踪剂浓度变化等因素的影响。动态PET成像的净流入率 Ki是量化葡萄糖代谢更为准确的“全定量”指标，可以精准反映示踪剂被人体组织代谢的速率。与 SUV相比，Ki在癌症检测的相似灵敏度下能表现出更好的特异性。

　　然而，动态PET成像面临两个技术挑战：扫描时间过长和更高的动态时间分辨要求。长时间的动态扫描会显著降低患者的舒适度、增加运动伪影和医院的检查成本；立足动态药代动力学研究，临床也期望提高现有动态PET成像的时间分辨能力。

　　一方面，为了将现有动态PET扫描时间缩短一半，提高病人诊断的舒适性并降低潜在的运动伪影。团队提出了一种基于体素级时间-活度曲线迭代修正的动态PET参数成像技术，包括Patlak模型数据计算、数据修正与Ki拟合三部分。我们研发的基于三阶埃尔米特插值方法的体素级信号修正技术，可以有效剔除Patlak数据中的信号噪声与误差，修正后的Patlak数据再进行Ki参数拟合，并获取最终的参数图像。提出方法的大致流程如图1所示。相比传统Patlak数据处理的30分钟Ki成像结果，提出方法在Ki图像空间噪声、结构清晰度和病灶对比度等方面均取得了更好的结果。同时，基于Bland-Altman Plot和皮尔逊相关系数分析的定量评估结果也表明，提出方法能够获得和标准60分钟扫描相近的Ki数值定量结果，具备较高的Ki数值计算准确度。相关研究工作以“Accurate total-body Ki parametric imaging with shortened dynamic 18F-FDG PET scan durations via effective data processing”为题发表于技术类权威杂志Medical Physics（DOI: 10.1002/mp.15893），博士生陈子翔为论文第一作者。

　　进一步，为了更大的降低动态PET扫描时间并提高病人舒适度，团队与临床医院合作开展了动态PET参数图像生成的前瞻性临床研究，基于静态PET的SUV图像通过网络学习来合成得到动态PET的Ki图像。采用深度学习完成动态PET参数图像的直接生成，避免了血液输入函数的计算过程。深度学习技术具有良好的特征提取和非线性拟合能力，可以用来构造不同数据分布模型之间的映射关系。实验采集了200例病人数据，定量评估指标包括峰值信噪比、结构相似性指数测量和归一化均方误差，同时也采用临床医生的主观评分作为评判并采用10折的交叉验证来评估动态PET参数图像的生成结果。实验结果揭示了深度学习技术可以有效输出高质量的合成参数图像，未来我们将进一步验证和提高网络学习模型的可解释性（图2）。相关研究工作以“Parametric image generation with the uEXPLORER total-body PET/CT system through deep learning”为题发表于核医学领域顶刊European Journal of Nuclear Medicine and Molecular Imaging（49: 2482-2492,2022），博士后黄振兴为论文第一作者。

　　另一方面，为了提高动态PET的时间分辨能力，更好的用于药代动力学研究。我们通过对每一个体素级的TAC来进行精准修正以及去噪处理，分别交替进行曲线去噪与基于原始时间信号的保真运算操作（图3）。实验结果表明，提出方法相对于现有方法在视觉上能够提供更优的动态重建图像，有效解决了成像空间噪声抑制和细节结构恢复的矛盾。同时，定量评价结果表明，提出方法在成像准确性、噪声抑制和分辨率提升等方面均表现出良好的性能，保证了在较高成像时间分辨率条件下的高质量、高精度动态PET成像。此外，提出算法不涉及数据驱动的模型训练，还具有较强的泛化性与稳定性。相关研究工作以“High temporal resolution total-body dynamic PET imaging based on pixel-level time-activity curve correction”为题发表于技术类权威杂志IEEE Transactions on Biomedical Engineering（69: 1558-2531,2022），博士生陈子翔为论文第一作者。

　　进一步，为了解决特定部位、特定病种和病人的个性化分析问题，团队与临床医院合作实现了半监督学习的动态PET三维参数图像生成的临床前瞻性研究。实现了基于3D生成对抗网络的半监督学习模型，降低了训练数据标签的严格配对要求。我们采用改进的循环生成对抗网络来学习静态PET与Ki参数图像之间的映射关系，通过增强切片间和切片内的注意力来提高图像质量和量化精度。网络生成的Ki图像可以为临床医生提供额外的定量参考，获得更好的诊断指导，而无需实际的动态扫描。为了进一步定量分析合成的Ki图像与参考图像之间的一致性，我们从测试数据中选取了一位患有肺部恶性肿瘤的受试者，描绘并分析了其肿瘤的感兴趣区域（图4）。提出方法获得的合成 Ki图像与真实Ki图像之间的95%一致性限制范围为- 0.061到0.081（平均值为0.01）。而传统3D U-Net、2D cycleGAN 和2D U-Net算法的合成 Ki图像均具有较大偏差。相关研究工作以“Deep learning–based dynamic PET parametric Ki image generation from lung static PET”为题发表于放射与核医学领域权威临床杂志European Radiology（DOI: 10.1007/s00330-022-09237-w），博士生王海燕为论文第一作者。

　　上述研究工作得到了国家自然科学基金等资助。

论文链接：

　　1.https://pubmed.ncbi.nlm.nih.gov/35950784/

　　2.https://pubmed.ncbi.nlm.nih.gov/35312030/

　　3. https://pubmed.ncbi.nlm.nih.gov/35594213/

　　4.https://pubmed.ncbi.nlm.nih.gov/36399164/

　　图1：研究团队提出的基于体素级时间-活度曲线迭代修正的动态PET参数成像技术

　　图2：研究团队提出的快速动态PET参数图像计算方法实验结果

　　图3: 研究团队提出的动态PET高时间分辨成像技术

　　图4：团队提出的半监督学习动态PET三维参数图像生成方法实验结果