基于深度学习的无CT心脏SPECT衰减校正新方法：特征对齐网络(FA-ACNet)的突破性研究

本研究针对心脏SPECT成像中CT衰减校正(CTAC)存在的辐射暴露和图像伪影问题，开发了基于3D U-Net框架的特征对齐衰减校正网络(FA-ACNet)。通过多尺度特征对齐和对抗学习技术，该模型仅需非衰减校正(NAC)SPECT图像即可生成与CTAC高度一致的衰减校正图像(Deep AC)，在测试集上达到MSE 11.98×10-6、SSIM 0.9976的优异性能，为无CT设备的医疗机构提供了精准的替代方案。

　　

在心脏疾病诊断领域，心肌灌注单光子发射计算机断层扫描(SPECT)是检测冠状动脉疾病(CAD)的重要工具。然而，这项技术长期面临一个棘手难题——人体组织对γ射线的衰减效应会导致图像出现伪影，特别是肥胖患者或女性乳房组织造成的假阳性结果，可能让患者承受不必要的冠状动脉造影检查。传统解决方案是采用CT扫描获取衰减图进行校正(CTAC)，但这不仅增加辐射风险，还容易因SPECT-CT配准误差产生新问题。

四川大学华西医院的研究团队在《BMC Medical Imaging》发表了一项创新研究，提出基于深度学习的无CT衰减校正方案。该团队收集了202例^99mTc-甲氧异腈SPECT/CT临床数据，开发了特征对齐衰减校正网络(FA-ACNet)。这个网络通过独特的双编码器架构，将CT图像的多尺度特征信息迁移到仅使用NAC SPECT的预测过程中，结合对抗学习和距离度量学习技术，实现了不依赖CT扫描的高精度衰减校正。

关键技术包括：1)采用5折交叉验证训练167例SPECT/CT数据；2)构建包含SPECT编码器(E_st)和SPECT/CT编码器(E_sc)的双路径3D U-Net；3)通过特征对齐模块(FAM)实现跨模态特征迁移；4)使用MSE、SSIM和PSNR量化图像质量；5)临床评估采用17节段心肌灌注评分系统。

性能验证

FA-ACNet在测试集达到MSE 11.98×10^-6、SSIM 0.9976的优异指标，显著优于基线U-Net模型。如图2所示，模型成功消除了NAC图像下壁伪影(白色箭头)，使Deep AC与CTAC表现一致。

亚组分析

虽然男性组MSE(14.81±3.34)显著优于女性组(18.68±3.83)，但BMI分组无统计学差异，表明模型对肥胖患者同样有效。图3展示的83岁女性病例中，模型准确保留了真实的灌注缺损(红色箭头)。

临床一致性

Bland-Altman分析显示，Deep AC与CTAC的 summed stress score(SSS)差值95%置信区间为[-1.9,2.1]，仅5.71%病例出现临床分类变化。

这项研究开创性地证明了CT图像特征信息对提升无CT衰减校正性能的价值。FA-ACNet不仅解决了SPECT-only设备的临床痛点，其多尺度特征对齐策略为医学图像跨模态迁移学习提供了新思路。未来研究需扩大样本量验证对不同扫描仪和放射性示踪剂的普适性，但当前成果已为降低患者辐射剂量、提高CAD诊断准确性带来实质性突破。