基于深度学习从 MR T1 图像生成突触密度的合成脑 PET 图像：突破神经影像困境的创新之举

为解决 SV2A 示踪剂在实践中可用性受限的问题，研究人员开展了基于 MRI 生成合成 [11C] UCB-J PET 图像的研究。结果显示，生成的图像与真实图像相似，偏差低、相似度高。该研究为神经系统疾病的病理研究提供了新途径12。

　　在神经科学研究领域，大脑的奥秘一直吸引着众多科研人员不断探索。突触作为神经元之间传递信息的关键结构，其密度变化与多种神经系统疾病密切相关。其中，突触囊泡糖蛋白 2A（SV2A）是反映突触损失的重要生物标志物。然而，用于检测 SV2A 的正电子发射断层扫描（PET）示踪剂，如 [¹¹C] UCB-J，在实际应用中却面临诸多难题。一方面，使用 [¹¹C] UCB-J 进行 PET 成像时，存在辐射暴露风险，这使得其在孕妇和青少年群体中的使用受到限制，同时也限制了一年内可进行扫描的次数；另一方面，该技术成本高昂，需要现场回旋加速器、专业扫描仪，还对数据采集和处理的专业知识有较高要求。因此，寻找一种更便捷、经济且安全的方法来获取与突触密度相关的信息迫在眉睫。

在这样的背景下，耶鲁大学（Yale University）的研究人员开展了一项极具创新性的研究。他们旨在利用深度学习技术，基于更易获取、成本更低且无电离辐射的磁共振成像（MRI），生成合成的 [¹¹C] UCB-J PET 图像。该研究成果发表在《EJNMMI Physics》上，为神经影像领域带来了新的突破。

研究人员在开展这项研究时，运用了多个关键技术方法。首先，他们收集了 160 名参与者的 MRI 和 [¹¹C] UCB-J PET 扫描数据，这些参与者涵盖了精神分裂症（SZ）、阿尔茨海默病（AD）、大麻使用障碍（CUD）患者以及健康志愿者。其次，采用了基于卷积的 3D 编码器 - 解码器网络模型。在训练过程中，对预处理后的 MR T1 加权图像和 PET 分布体积比（DVR）图像进行随机裁剪，以特定的批次大小和训练步数进行训练，最终通过 10 折交叉验证来评估模型性能。

下面来看具体的研究结果：

1. 合成图像质量评估：从视觉上看，生成的 SV2A PET 图像在示踪剂分布和对比度方面与真实图像高度一致，且噪声水平更低、图像更平滑。通过计算均方误差（MSE）、结构相似性指数（SSIM）、百分比偏差和皮尔逊相关系数等指标进行定量分析，结果表明，在不同诊断类别和感兴趣区域（ROIs）中，合成图像与真实图像的偏差均较低，相似性较高。例如，在健康对照组（HC）中，整体图像的平均 MSE 为 0.0062 ± 0.0071，平均 SSIM 达到 0.90 ± 0.05，平均百分比偏差为 - 1.55% ± 12.47%34。
2. 不同疾病组的模型性能：对不同疾病组进行分析，模型在 SZ、AD、CUD 组和 HC 组中均表现出一定的预测准确性。不过，在留一病组实验中发现，当模型在其他三种疾病组训练而在 AD 组测试时，由于 AD 独特的神经退行性模式，平均预测偏差约为 - 6.6%。但总体而言，对于 HC、SZ 和 CUD 组，模型偏差小于 2%，预测效果较好5。
3. 感兴趣区域分析：对包括海马体、额叶、枕叶、顶叶和颞叶等 ROIs 进行分析，结果显示，所有诊断类别中生成图像与真实 [¹¹C] UCB-J 图像的平均偏差均小于 5%。但 AD 患者的预测图像在百分比偏差方面表现相对较差，不过在一些区域，如海马体，AD 患者与健康志愿者的差异在生成图像中仍然显著6。
4. 低剂量注射参与者的图像分析：对于低剂量注射的参与者，模型生成的图像质量优于真实的低剂量 PET 图像，展现出了降噪能力，能够补充有价值的诊断信息7。

综合研究结论和讨论部分，该研究具有重要意义。一方面，研究证明了通过数据驱动的方法，从 MRI 生成可靠且准确性较高的 SV2A PET 图像是可行的。这为研究某些神经系统疾病的潜在病理提供了一种经济高效且可及的模型，避免了患者接受额外的辐射暴露。另一方面，虽然该研究存在一些局限性，如全剂量参与者输出图像存在分辨率损失、数据集不平衡影响 AD 组预测准确性等，但也为后续研究指明了方向。未来可通过增加 AD 数据集数量、结合更多解剖信息、探索其他参考区域以及研究扩散模型在跨模态医学图像翻译中的应用等方式，进一步改进和完善该技术，有望为神经系统疾病的诊断、治疗监测等提供更有力的支持。