基于深度学习的结构MRI生成TSPO PET图像：一种低成本无创神经炎症成像新策略

这篇研究通过3D U-Net模型实现了从T1加权MRI合成TSPO PET图像的技术突破，为神经炎症（neuroinflammation）的无创评估提供了新思路。研究利用204例同步PET-MRI数据，验证了合成图像在体素误差（MSE 0.0033±0.0010）、对比噪声比（CNR 0.0640±0.2500）等指标上的可靠性，表明结构MRI可能隐含与[11C]PBR28结合相关的生物标记特征。

　　

1 Introduction

神经炎症作为多种神经系统疾病的共同病理机制，其标志物TSPO蛋白可通过[¹¹C]PBR28 PET成像检测。但PET技术存在辐射暴露、成本高等局限性，而传统MRI对分子过程的特异性较低。近年来深度学习在医学图像合成领域取得突破，如CycleGAN、pix2pix等模型已成功应用于阿尔茨海默病淀粉样蛋白PET合成。本研究创新性地将3D U-Net架构应用于TSPO PET合成，其编码器采用深度可分离卷积降低参数量，解码器通过转置卷积恢复空间分辨率，并引入自注意力机制捕捉长程依赖关系。

2 Materials and methods

研究纳入204例扫描数据（含膝骨关节炎、背痛患者及健康对照），所有受试者均接受3T MRI与90分钟动态[¹¹C]PBR28 PET同步扫描。预处理流程包括基于FSL的颅骨剥离、基于基因型（MAB/HAB）的SUV校正等关键步骤。模型采用混合损失函数（α=0.5）：

L = α·BCE(y,?) + (1-α)·MSE(y,?)

创新性地在最终编码层加入多头自注意力模块，使模型能同时捕捉局部解剖特征与全局上下文信息。

3 Results

合成PET展现出：

• •

  超低体素误差（MSE 0.0034±0.0010）

• •

  标准化差异（NormDiff）趋近于0

• •

  在丘脑、苍白球等区域保留基因型相关差异（p<0.05）

  图4显示合成图像与真实PET的Bland-Altman分析中，94.3%数据点位于±1.96SD范围内。值得注意的是，合成图像与T1-MRI的相关系数（r=0.32）显著低于真实PET-T1相关性（r=0.18），提示模型并非简单复制解剖结构。

4 Discussion

该技术突破有三重意义：

1. 1.

   临床价值：为慢性疼痛等疾病的神经炎症监测提供可及性方案

2. 2.

   方法学创新：首次验证T1-MRI隐含TSPO分布信息

3. 3.

   技术优势：U-Net在小型数据集表现优于GAN架构

   局限性包括单中心数据、未评估SUVr定量指标等。未来可整合FLAIR等多模态MRI提升生物学特异性。

5 Conclusion

这项研究证实深度学习能从常规T1-MRI提取神经炎症相关特征，合成图像经高斯滤波后与真实PET等效（CNR p>0.05）。该技术有望推动神经炎症机制研究和临床转化应用。