基于四层U-Net深度学习重建的5分钟123I-ioflupane SPECT成像加速策略：实现扫描时间减少80%且保持诊断质量

《Japanese Journal of Radiology》：Accelerating imaging: deep learning for enhanced 123I-ioflupane SPECT efficiency

本刊推荐：为解决123I-ioflupane多巴胺转运蛋白SPECT传统扫描需25–40分钟导致的患者不适和吞吐量限制问题，研究人员开展了一项基于深度学习（DL）重建加速成像的主题研究。通过训练六种卷积架构将5分钟扫描数据重建为虚拟25分钟图像，结果表明四层U-Net模型在定量指标（PSNR 32.7±1.7 dB，SSIM 0.842±0.069）和视觉评估（加权Kappa≈0.7）上均达到与标准图像无统计学差异的水平，证实可将扫描时间减少80%而不损失诊断信息，对提升临床检查效率具有重要价值。

　　

在神经退行性疾病的诊断中，¹²³I-ioflupane多巴胺转运蛋白（DAT）SPECT成像已成为区分帕金森病、路易体痴呆等疾病的关键工具。然而，传统扫描需持续25–40分钟，患者长时间保持固定姿势易引发不适，也增加了运动伪影风险，同时限制了设备吞吐量。随着人工智能技术的进步，深度学习已在MRI等模态中成功实现扫描加速，但在核医学领域，特别是针对¹²³I-ioflupane SPECT的系统研究尚属空白。为此，Yoshinobu Ishiwata与Keiichi Horie等人在《Japanese Journal of Radiology》上发表研究，探索能否通过深度学习重建从5分钟短时扫描中生成诊断质量的图像。

研究团队回顾性分析了2018年4月至2020年6月期间获得的207例患者（1035张图像）数据。图像预处理包括选取纹状体区域的5个连续切片，并裁剪为64×64像素。数据集按患者划分为训练集（120例/600图）、验证集（37例/185图）和测试集（50例/250图）。关键技术方法包括：使用六种卷积神经网络架构（U-Net、V-Net、U-Net++、R2U-Net、Attention U-Net、TransUNet）进行图像到图像的翻译，以5分钟图像作为输入、25分钟图像作为目标；采用均方误差（MSE）作为损失函数，Adam优化器进行200轮训练；通过峰值信噪比（PSNR）和结构相似性指数（SSIM）定量评估图像质量；并由三位核医学医师对100个纹状体进行四点评分（1=爆发型纹状体，2=蛋形，3=鹰翼形，4=正常），以加权Kappa和组内/组间相关系数（ICC）评估诊断一致性。

定量图像质量分析

所有深度学习重建模型的PSNR和SSIM均显著优于原始5分钟图像（p<0.01）。其中四层U-Net表现最佳，PSNR为32.7±1.7 dB，SSIM为0.842±0.069，较基线提升约1.8 dB和0.13，且与25分钟参考图像无统计学差异（p>0.05）。其他网络如五层U-Net、V-Net等虽也优于基线，但未显著超越四层U-Net。

视觉评估

三位医师的盲法阅读显示，原始5分钟图像与金标准的一致性仅为一般（加权Kappa 0.29–0.41），而四层U-Net重建图像的一致性显著提升至“基本一致”水平（Kappa 0.62–0.70）。其他网络如Attention U-Net（Kappa 0.63–0.70）和V-Net（0.64–0.73）也表现良好。医师内ICC为0.84–0.93，医师间ICC为0.73–0.75，表明评估结果具有高可重复性。

代表病例分析

如图2所示，四层U-Net在不同视觉评分病例中均能准确复现纹状体摄取模式。例如评分1（爆发型）病例中，模型正确保留了纹状体与背景相近的低摄取特征；评分4（正常）病例中，模型清晰还原了双侧纹状体正常形态。个别案例（如病例5）出现模型过度平滑导致评分偏高，提示在某些情况下网络可能过度抑制噪声。

123I-ioflupane SPECT中的定性表现'>

研究结论指出，四层U-Net能够将¹²³I-ioflupane SPECT的扫描时间从25分钟缩短至5分钟，且重建图像在定量指标和视觉评估方面均与标准图像无显著差异。该成果首次证实深度学习在DAT-SPECT加速中的可行性，为临床带来三大益处：显著提升患者舒适度、降低运动伪影风险、提高设备使用效率。讨论部分强调，选择图像增强而非端到端分类模型，既保留了医师对全图像判读的主动权，也符合现有医疗流程与法律责任要求。研究局限性包括单中心回顾性设计、未评估定量结合比率等临床指标、以及训练数据量有限。未来需开展多中心前瞻性试验，验证模型泛化能力，并探索其在其他SPECT检查中的应用潜力。