编辑推荐：
为解决多模态神经影像数据缺失问题，研究人员提出基于 3D GAN 的 MRI-to-PET 合成框架，引入 Tri-Attention 模块融合多尺度空间、通道及频率注意力。在 ADNI 数据集验证显示，该方法显著提升 SSIM、PSNR 及 SUVR 等指标，为跨模态影像合成及 AD 等疾病诊断提供新工具。
在探索大脑奥秘的征途上，神经影像技术如同探秘者的 “眼睛”，为揭开阿尔茨海默病（AD）等神经退行性疾病的面纱提供关键线索。磁共振成像（MRI）能清晰呈现大脑的解剖结构，正电子发射断层扫描（PET）则可捕捉脑内代谢活动的动态信息，二者结合本可大幅提升诊断精度。然而，PET 成像高昂的成本与辐射风险，导致临床中常面临多模态数据不全的困境 —— 当仅有 MRI 数据而缺乏 PET 时，如何填补代谢信息的空白成为亟待攻克的难题。
为突破这一技术瓶颈，杭州电子科技大学与北京医院的研究团队开展了一项具有创新性的研究。他们开发了一种基于三维生成对抗网络（3D GAN）的 MRI-to-PET 影像合成框架，并引入全新的三注意力模块（Tri-Attention），通过融合多尺度的空间、通道及频率注意力机制，强化模型对复杂神经影像特征的提取能力。这项研究成果发表在国际知名期刊《Brain Research》上，为跨模态神经影像合成领域带来重要进展。
研究团队采用阿尔茨海默病神经影像学计划（ADNI-2 和 ADNI-3）数据库中主观认知下降（SCD）患者的配对 MRI 和 PET 数据，构建了包含结构与代谢信息的训练集。研究的核心技术方法包括：
- 3D GAN 框架：构建条件生成对抗网络，以 MRI 图像作为输入，通过生成器（GM）合成对应的 PET 图像，判别器则负责区分真实 PET 与合成影像的差异，通过对抗训练优化模型性能。
- Tri-Attention 模块：在生成器中嵌入多尺度注意力机制，分别从空间维度（定位关键脑区）、通道维度（筛选重要特征通道）和频率维度（捕捉不同尺度的纹理信息）对特征进行加权，提升合成影像的细节保真度。
- 多指标评估体系：采用结构相似性指数（SSIM）、峰值信噪比（PSNR）等影像质量指标，结合临床代谢评估指标标准化摄取值比（SUVR），综合验证合成 PET 的诊断价值。
研究结果
问题构建与模型设计
研究将 MRI 到 PET 的合成定义为跨域映射问题，假设存在配对数据集 D={(xM,xP)∣xM∈IM,xP∈IP}，目标是训练生成器 GM:IM→IP，在仅提供 MRI 数据时合成具有诊断价值的 PET 图像。通过引入 Tri-Attention 模块，模型能够自适应地聚焦于不同尺度的关键特征，例如在海马等 AD 敏感脑区增强代谢信号的表达。
实验验证与性能对比
在 ADNI 数据集上的实验显示，该方法合成的 PET 图像在 SSIM（0.882）和 PSNR（26.508）指标上显著优于现有先进方法（如 3D cGAN 系列模型）。临床指标 SUVR 与真实 PET 的相关性分析表明，合成影像能准确反映脑内葡萄糖代谢水平，尤其在默认模式网络等 AD 相关脑区表现出高度一致性。可视化结果显示，模型不仅能还原脑结构的解剖细节，还能精准模拟代谢活动的空间分布模式。
模型优势与创新点
与传统 GAN 方法相比，该框架的核心突破在于 Tri-Attention 模块的引入：
- 空间注意力：通过卷积操作生成空间权重图，抑制背景噪声并增强脑区特征的空间定位精度；
- 通道注意力：利用全局平均池化和全连接层捕捉特征通道间的依赖关系，突出代谢相关的关键特征；
- 频率注意力：通过傅里叶变换将特征分解至频域，分别对低频（整体结构）和高频（局部细节）成分进行加权，实现结构与代谢信息的跨域对齐。
结论与讨论
这项研究成功构建了一种高效的跨模态神经影像合成工具，通过多维度注意力机制弥合了 MRI 结构信息与 PET 代谢信息之间的鸿沟。实验结果表明，该方法不仅能生成高质量的合成 PET 图像，还能为 AD 的早期诊断提供补充代谢证据，尤其适用于 PET 数据匮乏的临床场景。
从临床应用角度看，该技术有望降低多模态成像的门槛，通过 MRI 数据无创生成 PET-like 影像，减少患者辐射暴露并节约医疗成本。未来若能进一步优化模型在异质性数据中的泛化能力，或可推广至帕金森病等其他神经退行性疾病的诊断，为精准神经医学提供更普适的影像解决方案。
总体而言，这项研究通过技术创新突破了多模态影像获取的瓶颈，为神经影像领域从 “结构 - 功能割裂” 向 “整合诊断” 的范式转变奠定了基础，其方法论与实验成果对生物医学工程和临床神经科学均具有重要参考价值。
