全面量化大脑PET图像，常常需要精确的血流输入函数。然而传统方法中，获取这一函数通常依赖于侵入性且耗时的动脉导管采血，这在临床实践中往往难以实现。

7月2日，中国科学院深圳先进技术研究院（以下简称“深圳先进院”）孙涛副研究员课题组与河南省人民医院王梅云副院长团队合作，在医学影像顶级期刊IEEE Transactions on Medical Imaging上发表了题为“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。该研究介绍了一种通过训练全身数据，实现从动态脑PET数据推断血液输入函数（IF）的方法。

文章上线截图

本研究提出了一种基于深度学习的替代方法，用于估计动态脑FDG扫描的输入函数（DLIF）。这一标记的输入函数是通过CT图像上定义的升主动脉勾画全身PET数据生成的。在构建深度学习网络结构方面，该研究采用了长短时记忆（LSTM）网络与全连接网络的组合。此外，研究团队还强调了将动力学建模拟合度纳入作为额外物理损失的重要性，这有助于引导模型减少偏差并降低对大量训练样本的依赖。为了验证该方法的有效性，研究团队使用了一个包含85个全身动态扫描的数据集，包含了来自八个脑区和颈动脉的时间-活动曲线数据。

图1  物理信息驱动的DLIF学习框架图解

与现有方法的比较结果表明，DLIF生成的输入函数在形状和幅度上与参考值非常相似。计算得出的所有区域动力学参数Ki（以及K1）与参考值的相关系数分别为0.961和0.913，相对偏差分别为1.68±8.74%和0.37±4.93%。

图2  展示两个个体使用不同方法估计的输入函数的比较。可以看到，所提出的方法(DLIF)估计的输入函数相较于其他方法更为接近参考曲线（Reference）。

从视觉和定量两个方面来看，参数图像也与参考图像高度吻合（图3）。这些结果证实了无创且准确地估计血流输入函数的可行性，该方法适用于常规的短视野或专用脑部扫描PET系统，并且无需进行部分容积校正。通过精准计算获得的全局灌注、净流入、净代谢和其他微观参数，有助于推动在广泛的神经和精神疾病中大脑代谢功能的研究，进而辅助制定更有效的治疗策略。

图3 展示了使用不同方法估计的输入函数所计算的K1/Ki图像（左）。可以观察到，使用所提出的方法(DLIF)估计的参数图像与参考图像最为接近，且误差值范围最小（右）。

孙涛和王梅云为本研究的共同通讯作者，深圳先进院博士后王振国是第一作者。该研究是研究团队关于全身PET成像方法与应用的系列研究之一，得到了中国科学院、广东省重点实验室、广东省区域联合基金、深圳市科创委基础研究等项目的支持。