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于侵入性且耗時的動脈導管采血，這在臨床實踐中往往難以實現。
7月2日，中國科學院深圳先進技術研究院（以下簡稱“深圳先進院”）孫濤副研究員課題組與河南省人民醫院王梅云副院長團隊合作，在醫學影像頂級期刊IEEE Transactions on Medical Imaging上發表了題為“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訓練全身數據，實現從動態腦PET數據推斷血液輸入函數（IF）的方法。
文章上線截圖
本研究提出了一種基于深度學習的替代方法，用于估計動態腦FDG掃描的輸入函數（DLIF）。這一標記的輸入函數是通過CT圖像上定義的升主動脈勾畫全身PET數據生成的。在構建深度學習網絡結構方面，該研究采用了長短時記憶（LSTM）網絡與全連接網絡的組合。此外，研究團隊還強調了將動力學建模擬合度納入作為額外物理損失的重要性，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。為了驗證該方法的有效性，研究團隊使用了一個包含85個全身動態掃描的數據集，包含了來自八個腦區和頸動脈的時間-活動曲線數據。
圖1??物理信息驅動的DLIF學習框架圖解
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力學參數Ki（以及K1）與參考值的相關系數分別為0.961和0.913，相對偏差分別為1.68±8.74%和0.37±4.93%。
圖2 ?展示兩個個體使用不同方法估計的輸入函數的比較?？梢钥吹?，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（Reference）。
從視覺和定量兩個方面來看，參數圖像也與參考圖像高度吻合（圖3）。這些結果證實了無創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用腦部掃描PET系統，并且無需進行部分容積校正。通過精準計算獲得的全局灌注、凈流入、凈代謝和其他微觀參數，有助于推動在廣泛的神經和精神疾病中大腦代謝功能的研究，進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）?？梢杂^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?。ㄓ遥?。
孫濤和王梅云為本研究的共同通訊作者，深圳先進院博士后王振國是第一作者。該研究是研究團隊關于全身PET成像方法與應用的系列研究之一，得到了中國科學院、廣東省重點實驗室、廣東省區域聯合基金、深圳市科創委基礎研究等項目的支持。
附件下載：