IEEE TMI | 基于深度學(xué)習(xí)無創(chuàng)獲得血液輸入函數(shù),助力動(dòng)態(tài)腦PET定量成像
全面量化大腦PET圖像,常常需要精確的血流輸入函數(shù)。然而傳統(tǒng)方法中,獲取這一函數(shù)通常依賴于侵入性且耗時(shí)的動(dòng)脈導(dǎo)管采血,這在臨床實(shí)踐中往往難以實(shí)現(xiàn)。
7月2日,中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院(以下簡(jiǎn)稱“深圳先進(jìn)院”)孫濤副研究員課題組與河南省人民醫(yī)院王梅云副院長(zhǎng)團(tuán)隊(duì)合作,在醫(yī)學(xué)影像頂級(jí)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訓(xùn)練全身數(shù)據(jù),實(shí)現(xiàn)從動(dòng)態(tài)腦PET數(shù)據(jù)推斷血液輸入函數(shù)(IF)的方法。

文章上線截圖
本研究提出了一種基于深度學(xué)習(xí)的替代方法,用于估計(jì)動(dòng)態(tài)腦FDG掃描的輸入函數(shù)(DLIF)。這一標(biāo)記的輸入函數(shù)是通過CT圖像上定義的升主動(dòng)脈勾畫全身PET數(shù)據(jù)生成的。在構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)方面,該研究采用了長(zhǎng)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(tuán)隊(duì)還強(qiáng)調(diào)了將動(dòng)力學(xué)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(dǎo)模型減少偏差并降低對(duì)大量訓(xùn)練樣本的依賴。為了驗(yàn)證該方法的有效性,研究團(tuán)隊(duì)使用了一個(gè)包含85個(gè)全身動(dòng)態(tài)掃描的數(shù)據(jù)集,包含了來自八個(gè)腦區(qū)和頸動(dòng)脈的時(shí)間-活動(dòng)曲線數(shù)據(jù)。

圖1??物理信息驅(qū)動(dòng)的DLIF學(xué)習(xí)框架圖解
與現(xiàn)有方法的比較結(jié)果表明,DLIF生成的輸入函數(shù)在形狀和幅度上與參考值非常相似。計(jì)算得出的所有區(qū)域動(dòng)力學(xué)參數(shù)Ki(以及K1)與參考值的相關(guān)系數(shù)分別為0.961和0.913,相對(duì)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(jì)的輸入函數(shù)的比較。可以看到,所提出的方法(DLIF)估計(jì)的輸入函數(shù)相較于其他方法更為接近參考曲線(Reference)。
從視覺和定量?jī)蓚€(gè)方面來看,參數(shù)圖像也與參考圖像高度吻合(圖3)。這些結(jié)果證實(shí)了無創(chuàng)且準(zhǔn)確地估計(jì)血流輸入函數(shù)的可行性,該方法適用于常規(guī)的短視野或?qū)S媚X部掃描PET系統(tǒng),并且無需進(jìn)行部分容積校正。通過精準(zhǔn)計(jì)算獲得的全局灌注、凈流入、凈代謝和其他微觀參數(shù),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(jì)的輸入函數(shù)所計(jì)算的K1/Ki圖像(左)??梢杂^察到,使用所提出的方法(DLIF)估計(jì)的參數(shù)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(guó)是第一作者。該研究是研究團(tuán)隊(duì)關(guān)于全身PET成像方法與應(yīng)用的系列研究之一,得到了中國(guó)科學(xué)院、廣東省重點(diǎn)實(shí)驗(yàn)室、廣東省區(qū)域聯(lián)合基金、深圳市科創(chuàng)委基礎(chǔ)研究等項(xiàng)目的支持。
附件下載: