NPJ Digital Medicine | 告別CT依賴:少樣本域適應(yīng)技術(shù) 深圳先進院實現(xiàn)無需CT的PET衰減校正與散射校正
近日,中國科學(xué)院深圳先進技術(shù)研究院(以下簡稱“深圳先進院”)醫(yī)學(xué)成像科學(xué)與技術(shù)系統(tǒng)全國重點實驗室、深圳先進院生物醫(yī)學(xué)與健康工程研究所胡戰(zhàn)利研究員團隊與上海瑞金醫(yī)院李彪主任團隊、寧波諾丁漢大學(xué)何祥健教授團隊、武漢同濟醫(yī)院朱小華主任團隊、山東省千佛山醫(yī)院程召平主任團隊、珠海市人民醫(yī)院許杰華主任團隊合作,在無需CT的PET衰減與散射校正研究領(lǐng)域取得重要進展。
研究團隊提出了一種面向多示蹤劑、多設(shè)備和多中心場景的少樣本域適應(yīng)框架CrossPET-Adapt,可在僅使用少量目標域數(shù)據(jù)的條件下,將深度學(xué)習(xí)模型快速遷移到新的臨床成像環(huán)境,為減輕PET/CT檢查中的CT相關(guān)輻射負擔(dān)和促進人工智能模型的臨床部署提供了新思路。相關(guān)成果以“Generalizable CT-Free PET Attenuation and Scatter Correction via Few-Shot Cross Domain Adaptation”為題,發(fā)表在數(shù)字醫(yī)學(xué)領(lǐng)域知名期刊NPJ Digital Medicine(IF=15.1)上。
PET能夠反映疾病診斷、分期和療效評估中至關(guān)重要的功能代謝信息,但其定量準確性容易受到光子衰減和散射效應(yīng)影響。傳統(tǒng)PET/CT成像流程通常依賴CT圖像獲取衰減圖并完成散射校正,但會帶來額外CT輻射劑量。在低劑量或動態(tài)PET等場景中, PET/CT配準錯位及患者運動還可能引入額外偽影和定量偏差。近年來,基于深度學(xué)習(xí)的衰減與散射校正方法顯示出應(yīng)用潛力,但在真實臨床環(huán)境中,不同示蹤劑、不同設(shè)備的成像特性、不同中心的采集與重建流程均會導(dǎo)致明顯的數(shù)據(jù)分布差異,使模型面臨泛化能力不足的問題。
針對上述問題,研究團隊提出CrossPET-Adapt少樣本域適應(yīng)框架(圖 1)。該方法的核心思想是:先讓模型在最常用的 PET 示蹤劑 18F-FDG 數(shù)據(jù)中預(yù)訓(xùn)練來學(xué)習(xí)衰減與散射校正的一般規(guī)律,對未見域則在預(yù)訓(xùn)練模型的基礎(chǔ)上利用極少量來自新域的數(shù)據(jù)微調(diào)進行域適應(yīng),使模型能夠更好地應(yīng)對不同示蹤劑、不同掃描設(shè)備和不同醫(yī)療中心帶來的數(shù)據(jù)異質(zhì)性。為系統(tǒng)驗證該策略的泛化能力,研究團隊構(gòu)建了包含1539名受試者、覆蓋11個隊列的大規(guī)模多域PET/CT數(shù)據(jù)集。數(shù)據(jù)涵蓋4種示蹤劑(18F-FDG、18F-PSMA、68Ga-DOTA-TATE和68Ga-FAPI)、3種短軸向PET/CT掃描儀、3家外部醫(yī)療中心,以及用于臨床驗證的淋巴瘤患者隊列。
該研究比較了單示蹤劑訓(xùn)練、多示蹤劑聯(lián)合訓(xùn)練和少樣本適應(yīng)三種不同的訓(xùn)練策略,來探索深度學(xué)習(xí)模型在不同臨床場景下的泛化性。研究結(jié)果顯示,單一數(shù)據(jù)來源訓(xùn)練得到的模型在面對新示蹤劑、新設(shè)備或新中心時容易出現(xiàn)性能下降。多示蹤劑聯(lián)合訓(xùn)練能夠在已知的示蹤劑隊列下取得較好表現(xiàn),但在外部中心和外部掃描儀隊列中CrossPET-Adapt 僅需少量目標域數(shù)據(jù)進行微調(diào)就能夠明顯提升模型在新場景中的性能(圖 2)。值得注意的是,即便僅使用1例目標域數(shù)據(jù)進行微調(diào),CrossPET-Adapt 也能取得出色的表現(xiàn)。這一結(jié)果提示,未來的臨床推廣中,醫(yī)院可以基于預(yù)訓(xùn)練模型進行快速本地化適配,從而無需重新收集大量本地數(shù)據(jù)從頭訓(xùn)練模型,以顯著降低數(shù)據(jù)采集成本和模型部署門檻。
在臨床相關(guān)性驗證中,研究團隊進一步將該方法應(yīng)用于淋巴瘤患者18F-FDG PET數(shù)據(jù)。結(jié)果顯示,深度學(xué)習(xí)校正后的 PET 圖像在整體視覺質(zhì)量和病灶定量結(jié)果上均與傳統(tǒng) CT 校正結(jié)果高度一致。對于臨床關(guān)注的指標,如標準攝取值(SUV)、代謝腫瘤體積(MTV)和總病灶糖酵解(TLG)等,模型校正后均能有效降低誤差,保持病灶評估的可靠性。這表明 CrossPET-Adapt 不僅能夠獲得高保真的全身 PET 圖像,也有望為腫瘤診斷、療效評估和隨訪監(jiān)測提供高度的定量一致性。
該研究的另一個重要優(yōu)勢在于模型部署效率。與需要580例受試者、兩塊NVIDIA A5000 GPU訓(xùn)練約31小時的多示蹤劑聯(lián)合訓(xùn)練模型相比,CrossPET-Adapt僅需1至5例數(shù)據(jù),在單張GPU上微調(diào)10分鐘以內(nèi)即可完成域適應(yīng)。該策略顯著降低了新臨床場景下的數(shù)據(jù)收集和計算資源需求,為該方法在多中心、多廠商和低資源臨床環(huán)境中的快速推廣提供了可行路徑。未來,該少樣本域適應(yīng)范式還可與擴散模型、流匹配模型等更先進的網(wǎng)絡(luò)架構(gòu)結(jié)合,并進一步拓展至PET/MR、專用腦PET等無集成CT的PET系統(tǒng)。
深圳先進院胡戰(zhàn)利研究員、李彪主任和何祥健教授為論文共同通訊作者。深圳先進院與寧波諾丁漢大學(xué)聯(lián)培博士生文美媛、上海瑞金醫(yī)院王瀚中為論文共同第一作者。該研究工作得到了醫(yī)學(xué)成像科學(xué)與技術(shù)系統(tǒng)全國重點實驗室、國家自然科學(xué)基金(數(shù)學(xué)天元重點專項)、國家重點研發(fā)計劃(重大科學(xué)儀器設(shè)備研發(fā)重點專項)等項目的資助。

圖1:數(shù)據(jù)集與深度學(xué)習(xí)方法概覽。該方法先在源域18F-FDG數(shù)據(jù)上預(yù)訓(xùn)練無CT的PET衰減與散射校正模型,再利用少量目標域樣本完成跨示蹤劑、跨中心和跨設(shè)備的快速適應(yīng)。

圖2:跨示蹤劑、跨中心和跨設(shè)備場景下的定量評估。圖中比較了不同訓(xùn)練策略在SSIM、PSNR和RMSE指標上的表現(xiàn),顯示少樣本域適應(yīng)策略在外部中心和外部掃描儀中均具有穩(wěn)健的泛化能力。
附件下載: