基于深度学习CT引导的18FDG心脏PET/CT全自动定量技术在心脏结节病诊断中的应用研究

本研究针对心脏结节病诊断中[18F]FDG PET定量分析的临床需求，开发了基于深度学习（DL）的CT衰减图心脏结构分割全自动流程，实现了心脏代谢活性（CMA）、炎症体积（VOI）等参数的快速量化。结果显示CMA诊断效能最优（AUC 0.919），为心脏炎症的客观评估提供了新范式，相关成果发表于《Journal of Nuclear Cardiology》。

　　

心脏结节病是一种以非干酪性肉芽肿为特征的炎症性心肌病，可导致心力衰竭、心律失常等严重并发症。尽管[18F]-氟脱氧葡萄糖正电子发射断层扫描（[18F]FDG PET）在诊断中具有核心地位，但传统方法依赖人工勾画心肌区域，存在主观性强、耗时等问题。尤其当心肌摄取模式异常时，准确界定心肌边界尤为困难。这一技术瓶颈限制了[18F]FDG PET在临床中的标准化应用。

针对这一挑战，由美国国立卫生研究院资助的研究团队开发了一种革命性的解决方案。研究者利用深度学习技术，在CT衰减图上实现了左心房、左心室（LV）、右心腔等结构的全自动分割，并将这些解剖区域自动映射到[18F]FDG PET图像上。这种方法突破了传统依赖PET图像本身进行心肌分割的局限，通过CT提供的稳定解剖参考，实现了心肌与背景区域的客观定义。

研究纳入了69例疑似心脏结节病患者，采用独特的"收缩分割"技术来避免部分容积效应干扰。结果显示，基于CT分割的定量指标中，心脏代谢活性（CMA）展现出最高的诊断效能（AUC 0.919），其异常阈值（≥1）的灵敏度达100%。值得注意的是，该方法平均仅需16秒即可完成分析，且能同步检测肺部异常——这对常合并肺结节病的心脏病例具有重要临床价值。

关键技术方法包括：1）基于深度学习的CT心脏结构分割；2）CT-PET图像配准与自动区域映射；3）采用全尺寸和收缩分割两种模式计算CMA、VOI等参数；4）受试者工作特征（ROC）分析评估诊断效能。研究队列来自疑似心脏结节病的连续病例，排除了饮食准备不充分者。

研究结果方面：
• 患者特征：69例患者中42%确诊心脏结节病，患者组间房室传导阻滞发生率存在显著差异（41% vs 13%）。
• 诊断性能：CMA的AUC显著高于传统SUV_max
（0.919 vs 0.812），VOI和靶背景比（TBR）分别达到0.903和0.891。
• 技术优势：CT引导的分割不受心肌摄取模式影响，解决了高背景噪声下的分割难题。

在讨论部分，作者强调该技术实现了三大突破：首先，建立了不依赖操作者经验的标准化定量流程；其次，通过CT解剖参考解决了PET图像分割的固有问题；最后，拓展了深度学习在分子影像定量分析中的应用场景。研究者特别指出，该方法可推广至其他心肌病PET示踪剂的定量分析，如淀粉样蛋白或交感神经成像。

这项发表于《Journal of Nuclear Cardiology》的研究，由Piotr J. Slomka团队完成，获得了美国国立心肺血液研究所的资助。尽管作者披露了与西门子医疗等企业的合作关系，但研究方法本身具有设备普适性。该工作为心脏炎症疾病的精准诊断树立了新标准，其全自动、高重现性的特点尤其适合多中心研究及疗效监测应用。未来，这种"AI+多模态影像"的范式有望改写心脏PET定量分析的技术指南。