基于全局与局部感知生成对抗网络（GLA-GAN）的MRI-PET跨模态转换技术及其在阿尔茨海默病多模态诊断中的应用

本研究针对阿尔茨海默病（AD）多模态诊断中PET扫描获取困难的问题，提出了一种融合全局结构完整性与局部细节保真的GLA-GAN模型，通过多路径架构和复合损失函数（L1 +MS-SSIM+ROI），实现了从MRI到FDG-PET的高质量跨模态合成。实验表明，合成PET不仅图像质量优于现有方法（SSIM达0.969），还能提升AD分类准确率（AUC 93.14%），为临床辅助诊断提供了新工具。

　　

阿尔茨海默病（AD）作为最常见的神经退行性疾病，早期诊断一直是临床难题。虽然多模态影像联合分析（如结构MRI与功能PET）能显著提升诊断准确性，但PET扫描存在成本高、辐射暴露等限制。更棘手的是，MRI与PET分别反映解剖结构与代谢功能，二者缺乏局部空间一致性，传统方法难以建立跨模态的复杂非线性映射。如何通过广泛普及的MRI预测稀缺的PET图像，成为突破诊断瓶颈的关键。

针对这一挑战，印度理工学院鲁基分校的研究团队在《The Journal of Precision Medicine: Health and Disease》发表创新成果。他们开发了全局与局部感知生成对抗网络（GLA-GAN），通过多路径架构同步捕捉全脑结构与区域细节，结合多尺度损失函数，实现了MRI到FDG-PET的高保真转换。研究采用ADNI数据库的581例样本（含179例仅MRI的补全数据），通过5折交叉验证证实，合成PET不仅视觉质量优异，更能将AD分类AUC提升至93.14%，显著优于CycleGAN等现有方法。

关键技术方法包括：1）多路径生成器设计（全局64×64×64处理+局部32×32×64分块）；2）复合损失函数（对抗损失+L₁
+多尺度结构相似性MS-SSIM+基于AAL图谱的116脑区ROI损失）；3）基于ResNet的残差模块；4）使用ADNI数据集经ROBEX去颅骨、FSL配准等标准化预处理。

研究结果

1. PET合成质量对比
   通过MAE（0.0137）、PSNR（29.33 dB）和SSIM（0.969）量化评估，GLA-GAN在心室形态等细节还原上显著优于3D U-Net和CycleGAN。误差图显示，其合成PET在颞叶皮层等AD关键区域误差降低37%。

2. AD分类性能提升
   在补全数据集测试中，融合合成PET的多模态特征使SVM分类器达到84.56%准确率，特异性达89.19%。特别值得注意的是，ROI损失使海马等易损脑区的特征区分度提升21%。

3. 模块有效性验证
   消融实验表明：MS-SSIM损失使多尺度结构一致性提升15%，而ROI损失单独贡献了分类指标中62%的增益。局部模块采用4分块时，在参数量（13.68M）与性能间取得最优平衡。

4. 模型可解释性发现
   特征可视化揭示生成器自动识别了AD相关生物标志物：①全脑萎缩模式（覆盖皮层/脑室）；②额上回代谢差异（与认知衰退相关）；③小脑蚓部特征（早期AD敏感区域）。线性插值实验进一步证实模型学习到连续病理变化规律。

这项研究突破了跨模态医学图像合成的技术瓶颈，其创新性体现在三方面：首先，多路径架构首次实现了解剖-功能模态的层次化特征融合；其次，ROI损失将临床先验知识嵌入模型，解决了医学图像区域异质性难题；最后，合成PET的临床效用通过严格的多中心验证得到证实。未来工作可拓展至轻度认知障碍（MCI）早期预测，并通过稀疏化处理（如L₀
正则化）降低模型复杂度。该成果为稀缺医疗资源的数字化替代提供了范例，对推动精准神经病学发展具有重要价值。