[18 F]FET PET引导的胶质母细胞瘤自动分割：阈值图指导提升分割性能与临床转化潜力

本研究针对[18 F]FET PET影像中胶质母细胞瘤分割的重复性难题，创新性地提出阈值图引导的双通道U-Net模型，通过对比手动与自动阈值预测方法，发现同读者阈值图可使分割DSC提升至0.901，但跨读者差异限制性能上限。最终构建的全自动管道（DSC=0.807）达到当前最优水平，揭示了临床标注不一致性对AI模型性能的关键影响，为神经肿瘤精准诊疗提供新思路。

　　

胶质母细胞瘤是最具侵袭性的脑肿瘤之一，其精准管理高度依赖影像评估。近年来，氨基酸类示踪剂[¹⁸
F]FET（氟代乙基酪氨酸）PET因其在肿瘤与正常脑组织间的优异对比度，逐渐成为RANO（神经肿瘤反应评估）工作组推荐的重要工具。然而，临床实践中手动勾画肿瘤边界存在两大痛点：一是基于1.6倍背景活度的阈值设定流程（需先手动绘制对侧背景VOI）易受读者主观影响，研究表明不同专家勾画的MTV（代谢肿瘤体积）差异可达4.1 mL，Dice相似系数（DSC）仅0.68；二是传统方法耗时费力，制约了[¹⁸
F]FET PET在预后参数（如TBR_max
、动态特征）提取中的广泛应用。

比利时布鲁塞尔自由大学的研究团队在《EJNMMI Physics》发表论文，探索了阈值图引导对自动化分割性能的改善潜力。研究创新性地构建了双通道nnU-Net架构（2C-U-Net），以[^{18
F]FET PET图像和阈值图作为双输入，并系统评估了三种自动阈值预测方法（U-Net_BKG
背景分割、DenseNet_TH
阈值回归、U-Net_TM
阈值图分割）的可行性。}

关键技术方法包括：1）收集174例经病理确诊的胶质母细胞瘤患者[¹⁸
F]FET PET数据，由4名专家独立标注背景VOI和肿瘤标签；2）采用五折交叉验证训练模型，对比单通道U-Net（1C-U-Net）与阈值引导模型性能；3）通过DSC、NSD（标准化表面Dice）和AVE（绝对体积误差）量化分析，并引入IR-NSD（读者间NSD）评估变异容忍度。

肿瘤分割性能
当使用同读者提供的阈值图时，2C-U-Net展现出显著优势（DSC 0.901 vs 0.772），证明阈值引导能有效聚焦关键区域。但跨读者阈值图使性能回落至单通道水平（DSC 0.765），提示临床标注不一致性是主要瓶颈。

阈值预测方法比较
U-Net_TM
以直接分割阈值图表现最佳，其预测阈值与专家标注的偏差最小（Bland-Altman分析），且引导的分割DSC达0.799。而DenseNet_TH
因回归误差累积导致性能最差（DSC 0.643），U-Net_BKG
则存在5例背景VOI漏检。

全管道验证
集成U-Net_TM
与2C-U-Net的自动化流程在独立测试集达到DSC 0.807，与当前最优模型（如JuST_BrainPET）相当，但显著降低体积误差（AVE 4.33 mL vs 7.28 mL）。值得注意的是，所有模型IR-NSD均接近1（容忍度17 mm），表明预测差异主要源于读者间变异而非算法缺陷。

讨论与意义
该研究首次证实阈值图引导可突破胶质母细胞瘤PET分割的性能天花板，但同时也暴露出临床金标准不一致这一根本性挑战。作者指出，未来需通过多中心共识标注或半自动化预处理来减少人为变异。尽管存在局限性（单中心数据、缺乏阴性样本），这项工作为[¹⁸
F]FET PET在IDH突变状态预测、疗效评估等场景的标准化应用提供了重要方法论参考。尤其值得注意的是，阈值预测模型本身可能独立服务于TBR参数计算，展现出超越分割任务的潜在价值。