基于条件生成对抗网络(CGAN)的脑癌MR至合成18F-FDOPA PET/MR融合图像跨模态转换研究

来自27例脑癌患者的研究团队利用32次同步18F-FDOPA PET/MR扫描数据，采用Pix2Pix算法实现T1C到合成PET/T1C融合图像的跨模态转换。研究通过TBRmax/mean相关系数(0.706-0.901)及PSNR(31.075)、SSIM(0.868)等指标验证了CGAN在医学图像合成中的潜力，为减少放射性示踪剂使用提供新思路。

　　

这项开创性研究探索了条件生成对抗网络(CGAN)在医学影像领域的妙用——将普通的磁共振成像(MR)转化为合成正电子发射断层扫描(PET)/MR融合图像。科研人员收集了27名脑癌患者的32组同步6-[¹⁸F]-氟代多巴(¹⁸F-FDOPA)PET/MR数据，巧妙运用Pix2Pix算法，让计算机学会从对比增强T1加权MR(T1C)自动生成逼真的PET/T1C融合图像。

为验证这些"AI创作"的可靠性，团队设计了一套严密的评估体系：不仅计算了肿瘤与背景摄取比(TBR_max/mean)的相关系数(分别达0.706和0.901)，还动用了峰值信噪比(PSNR)、结构相似性指数(SSIM)等专业指标。结果显示，AI生成的图像在结构细节(SSIM 0.868±0.079)和特征保真度(FSIM 0.922±0.044)方面表现优异。

这项技术突破意味着，未来或许只需常规MR检查就能获得PET级别的功能代谢信息，既避免重复扫描的辐射暴露，又降低医疗成本。不过研究者也坦言，当前模型在2167组图像数据上训练的表现仍需更大样本验证，这为后续研究指明了方向。