联合先验动力学建模与神经ODE实现双示踪剂动态PET分离
《Computerized Medical Imaging and Graphics》:Joint a priori kinetic modeling with neural ODE for dual-tracer dynamic PET separation
【字体:
大
中
小
】
时间:2026年10月16日
来源:Computerized Medical Imaging and Graphics 5.5
编辑推荐:
•我们提出了一种新颖的学习框架,统一了神经常微分方程(Neural ODEs)和基于物理的动力学模型,允许对动态双示踪剂 PET 图像进行显式分解。
•我们的方法能够准确地将混合动态 PET 图像分离成不同的、生理上合理的示踪剂图像。
•通过引入超像素引导的表示,我们强制实现
•我们提出了一种新颖的学习框架,统一了神经常微分方程(Neural ODEs)和基于物理的动力学模型,允许对动态双示踪剂 PET 图像进行显式分解。
•我们的方法能够准确地将混合动态 PET 图像分离成不同的、生理上合理的示踪剂图像。
•通过引入超像素引导的表示,我们强制实现空间一致性,提高了噪声鲁棒性,并大幅降低了计算成本。
•我们的方法在真实临床数据上实现了稳健且准确的分离,无需大量训练数据集。
引言
动态正电子发射断层扫描(PET)涉及注射放射性示踪剂并随时间获取一系列扫描,为每个体素生成时间 - 活性曲线(TACs),描述示踪剂浓度动力学,从而能够体内表征葡萄糖代谢和受体表达等生物过程。多示踪剂 PET 成像作为一种强大的方法,具有广泛的临床应用,特别是针对涉及并发生理功能障碍的疾病,如癌症和神经退行性疾病。该方法的价值在多个医学专科中得到支持。在神经病学中,双示踪剂 FDG-淀粉样蛋白策略能够同时评估代谢和病理性蛋白沉积,以改善神经退行性疾病的早期鉴别诊断,增强诊断能力并减少单独成像检查的需求(Sanaat 等,2025)。这一概念也被扩展到神经内分泌肿瘤,其中使用 18F-FDG 和 18F-OC 的双成像通过利用与病变分级强相关的 SUVR 测量值来细化肿瘤分级,优于传统的 PET 指标(Liu 等,2025)。在肝细胞癌中也观察到了类似的益处,结合 11C-醋酸盐、18F-FDG 和 68Ga-FAPI 等示踪剂可提高病变检测率,增强分级鉴别能力,并比单示踪剂 PET 获得更高的敏感性(Mohebbi 等,2025,Xu 等,2025)。此外,在前列腺癌中,PSMA-FDG 多路复用 PET 改进了病变间异质性的表征和临床结果预测,不同的双示踪剂表型可预测疾病阶段和治疗背景下无进展生存期(Bian 等,2025)。
目前,由于 511 keV 光子的物理发射相同,多示踪剂 PET 通常需要在不同时间点使用不同的放射性示踪剂进行单独的动态扫描,这增加了诊断时间,加重了患者负担,并使数据采集变得复杂。同时双示踪剂动态 PET 方案可以克服这些局限性,但其实用受到从混合动态图像中分离叠加示踪剂信号这一根本挑战的阻碍。以前的工作试图通过各种方法解决这一挑战,例如交错注射(Huang 等,1982),利用放射性衰减速率差异(Figueiras 等,2011),或应用室模型建模(Zhang 等,2016)。这些方法的共同局限性是对噪声敏感,且经常依赖特定的示踪剂动力学或动脉输入函数(AIF)等补充测量,这限制了其更广泛的临床应用,特别是在全身扫描中。
深度学习在该领域的快速整合最近开辟了新的途径,导致了两种主要的算法范式:一种专注于仅使用时间信息解纠缠示踪剂 TAC,另一种利用时空特征直接重构示踪剂特异性图像。在早期时间方法中,Xu 和 Liu (2019a) 首次应用了由堆叠受限玻尔兹曼机组成的深度信念网络(DBN)进行 PET 示踪剂 TAC 分离,而 Qing 等 (2021) 引入了深度堆叠网络(DSN),其性能超过了 DBN 和早期的堆叠自编码器(SAE)(Ruan 和 Liu,2017)。鉴于 TACs 的顺序特性,Li 等 (2020) 证明带有门控循环单元(GRUs)的循环神经网络(RNNs)能有效建模时间动力学,该团队随后进行了进一步改进(Tong 等,2022)。最近,Mottay 等 (2025) 采用神经常微分方程(neural ODEs)进行 TAC 分离,实现了优于基于 GRU 的模型的增益。直接从混合数据重构示踪剂特异性 PET 图像序列的时空方法也得到了显著发展。这一研究领域始于 (Ruan 和 Liu,2017),他们引入了 SAE 从正弦图重构单示踪剂图像。随后,Xu 和 Liu (2019b) 通过一种混合损失引导的三维卷积神经网络(3D CNN)推进了这一点,其性能优于他们早期的 DBN。Zeng 和 Liu (2020) 提出了一种带有双解码器用于示踪剂特异性输出的多任务自编码器,而 Wang 和 Liu (2020) 探索了在 CNN 重构前的滤波反投影(FBP)预处理。Wan 等 (2021) 采用了 pix2pix 生成器 - 判别器框架(Isola 等,2026),并使用了一个从重构体积中提取 TACs 的辅助分割网络。Zeng 等 (2023a) 展示了多任务 CNNs 优于 FBP-Net,而 Wang 等 (2023) 将多任务 3D CNNs 扩展到三示踪剂分离。Zeng 等 (2023b) 的进一步改进通过联合分离活度图和正弦图提高了低剂量条件下的双示踪剂性能。Fang 等 (2024) 引入了 FBPnet-Sep 框架,通过通道注意力和 FBP 预处理增强了多任务 CNNs。基于 Transformer 的注意力机制(Vaswani 等,2017)首次由 Lian 等 (2022) 用于多示踪剂 PET,随后 Sanaat 等 (2025) 实施了 SwinUNETR 架构。Sun 等 (2024) 提出了逆神经网络(INNs)以估计保留深度信息同时保持个体示踪剂质量的混合示踪剂表示。作为对这些重构驱动方法的补充,Miederer 等 (2023) 表明机器学习(ML)可以支持示踪剂动力学建模以及包括去噪和肿瘤检测在内的下游 PET 任务。最后,Pan 等 (2023) 介绍了一种对注射时间和数据集大小具有鲁棒性的双示踪剂分离方法,将其方法扩展到使用基于谱分析的动力学先验的三示踪剂 PET(Pan 等,2024b,Pan 等,2024a),并最终开发了一种结合深度图像先验(DIP)与室模型的自监督框架,从单次动态研究中恢复示踪剂特异性信号和参数图(Pan 等,2025)。
时间方法和时空方法之间的一个关键实际区别在于它们的数据需求。前者通常可以在相对较小的数据集上训练,而后者通常需要更大更复杂的训练数据集。此外,在报告的结果中,时空方法通常应用于大脑等特定区域,因为在全身尺度上进行分离通常计算成本过高。因此,在本工作中,我们开发了一种混合时间方法来克服这些局限性。在时间方法中,基于 NODE 的模型显示出特别的前景。尽管基于 NODE 的模型代表了一种领先方法,但它们在全身 PET 分离方面面临特定局限性。两个主要问题是不同区域间 TAC 形状的显著生理变异以及空间不一致噪声的退化效应。这个问题特别棘手,因为它破坏了局部空间一致性的假设,使个体体素信号不可靠。因此,成功的方法必须对这些异质噪声模式具有极高的鲁棒性,同时保持足够的灵活性以建模多样的 TAC 动力学。
本工作提出了一种新颖的学习框架,整合了时间动力学和空间一致性,以实现准确的多示踪剂 PET 分离。为此,我们提出了一种基于超像素的策略,将具有相似动力学曲线的体素分组,从而减少噪声并大幅降低计算复杂度,同时保留关键的空间信息。我们模型的核心创新是 NODEs 与基于物理的动力学模型的融合。这种协同作用确保重构的 TACs 符合生理原则,显著增强了分离过程的去噪能力和可解释性。具体来说,NODEs 被训练用于估计用于重构分离后的、生理上合理的示踪剂 TACs 的模型参数。通过结合时间方法的数据效率和空间先验的鲁棒性,我们的方法以最小的训练需求在临床数据上实现了最先进的分离。
章节片段
真实动态 PET 数据集
用于评估所提方法的临床数据集包括 9 名患者进行的两次全身动态 PET 检查,一次使用 18F-FDG,另一次使用 68Ga-PSMA,间隔 2–3 天。对于每次检查,每 10 分钟进行六次顺序全身采集,形成涵盖完整采集期的动态序列。选择这种时间框架是为了与采集方案保持一致,同时提供足够的分辨率用于
数据和实现
所提出的方法在由每 10 分钟进行一次的六次顺序全身采集组成的动态双示踪剂 PET 上进行了评估,并使用各向同性体素大小 1.65 × 1.65 × 1.65 mm3 进行重构,总图像尺寸为 0.7 × 0.7 × 2 m3。在排除背景体素后,从每位患者中随机采样 TACs。为了在有限的真实动态队列规模下提高训练多样性,从 49 例静态 PET 图像生成了一个额外的模拟数据集。讨论
本研究的一个关键局限性是当前临床数据集的规模相对较小。然而,通过 PyPET 项目持续获取全身动态双示踪剂 PET 数据(见致谢),预计将大幅扩展队列,从而能够进行更全面验证在未来的研究中。此外,训练是在时间 - 活性曲线(TAC)信号上进行的,这增加了有效训练样本的数量。此外,结合基于物理的动力学
结论
在本研究中,我们介绍了一种基于 NODEs 的新型深度学习框架,通过两室动力学模型整合先验物理知识,从而统一了数据驱动学习和既定的示踪剂药代动力学。这种混合公式使得全身 PET 成像中重叠双示踪剂信号的准确分离成为可能,正如我们的实验结果所示。尽管当前数据集不可避免地有限,但正在进行的临床获取全身
CRediT 作者贡献声明
Léo Mottay: 撰写 – 原稿,可视化,验证,软件,方法学,调查,概念化。Pierre Decazes: 撰写 – 审阅与编辑,资源,项目管理,方法学,调查,概念化。Sébastien Hapdey: 撰写 – 审阅与编辑,资源,项目管理,方法学,调查,概念化。Su Ruan: 撰写 – 审阅与编辑,监督,方法学,调查,概念化。
代码可用性
与本工作相关的源代码公开可用在两个存储库中。用于准备 PET 数据的预处理管道位于 https://github.com/Kazezaka/MedicalImageProcessing。本研究中提出的双示踪剂分离方法的实现位于 https://github.com/Kazezaka/MultiDynPETSep。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的经济利益/个人关系:Mottay 报告了与 Siemens Healthcare SAS 的关系,包括:就业。如果有其他作者,他们声明没有已知的可能影响本论文中报告工作的竞争性经济利益或个人关系。
致谢
本工作得到了法国国家研究与技术协会(ANRT)资助(资助号 Cifre n°2022/1178),以及临床研究项目 PyPET 的支持,该项目在法国鲁昂的亨利·贝克勒尔中心(CHB)收集动态 PET 数据(2023–2026)(资助号 NCT06450548)。所有涉及人类参与者的程序均符合机构和国家研究委员会的伦理标准。
Léo Mottay|Pierre Decazes|Sébastien Hapdey|Su Ruan
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号