深度学习驱动的图像恢复用于快速、低计数[18F]FP-CIT数字PET/CT的可行性研究

《Diagnostics》：Feasibility Study of Deep Learning-Driven Image Restoration for Fast, Low-Count [18F]FP-CIT Digital PET/CT

　　

背景/目的：N-3-[¹⁸F]氟丙基-2β-甲氧基羰基-3β-4-碘苯基去甲托烷（[¹⁸F]FP-CIT）正电子发射断层扫描/计算机断层扫描（PET/CT）是诊断帕金森综合征的有效影像工具。本研究评估了深度学习（DL）驱动的短时[¹⁸F]FP-CIT图像恢复的可行性。方法：将202例接受[¹⁸F]FP-CIT PET/CT检查患者的列表模式数据重建为30秒（30sec）、1分钟（1min）和参考10分钟（10min）采集时长。患者按6:2:2比例分为训练集、验证集和测试集。采用U-Net模型从30sec和1min数据生成DL图像。在五组图像系列（30sec、1min、DL-30sec、DL-1min和10min）中，使用三点量表评估视觉图像质量，视觉解读纹状体多巴胺转运体结合模式，计算区域标准化摄取值比（SUVRs）以及定量质量指标，包括峰值信噪比、均方根误差和通用质量指数。结果：尽管30sec和1min低计数扫描显示图像质量较差，但DL驱动算法显著改善；DL-1min扫描在95%的病例中达到优秀评级。DL-30sec图像与参考图像的视觉图像质量一致性为85.0%，视觉解读一致性为92.5%；DL-1min图像分别为97.5%和92.5%。不一致解读主要发生在非典型帕金森综合征患者中。与DL-30sec图像相比，DL-1min图像的区域SUVR值和定量指标与参考图像具有良好一致性，且偏差更小。结论：DL驱动方法在减少采集时间的同时生成了临床可接受的[¹⁸F]FP-CIT图像，DL-1min图像质量优于DL-30sec图像。在非典型帕金森综合征的小亚组中，视觉解读一致性降低。

本研究围绕深度学习（DL）驱动的短时低计数[¹⁸F]FP-CIT数字正电子发射断层扫描/计算机断层扫描（PET/CT）图像恢复展开。帕金森综合征以运动迟缓、僵硬、震颤和姿势不稳为特征，帕金森病（PD）是其最常见病因，其他退行性帕金森综合征（DP）包括路易体痴呆（DLB）、多系统萎缩（MSA）和进行性核上性麻痹（PSP）。这些疾病均存在黑质纹状体多巴胺能神经元变性，而多巴胺转运体（DAT）显像可评估该通路。[¹⁸F]FP-CIT PET/CT是诊断帕金森综合征及鉴别其病因的有效工具，但常规采集需10分钟，患者可能因运动症状难以耐受，且易产生运动伪影。缩短采集时间会降低信噪比、损害图像质量，而增加放射性药物剂量又会提高辐射暴露。因此，如何在保持图像质量的同时缩短采集时间成为临床需求。深度学习（DL）图像恢复技术已在脑和肿瘤PET中显示出潜力，但在[¹⁸F]FP-CIT数字PET/CT中的临床可行性尚不清楚。

研究人员开展了一项回顾性单中心可行性研究，纳入202例接受[¹⁸F]FP-CIT PET/CT检查的患者，将列表模式数据重建为30秒（30sec）、1分钟（1min）和参考10分钟（10min）三种采集时长，并采用经典U-Net模型从短时数据生成DL恢复图像。结果显示，DL方法能够从低计数图像恢复出临床可接受的图像，将采集时间缩短至参考时长的十分之一和二十分之一。该研究发表于《Diagnostics》，表明DL驱动的降噪恢复策略有望在不增加辐射剂量的前提下提高检查效率、减轻患者不适，并提升设备流通量。

本研究的主要技术方法包括：样本来自韩国Uijeongbu Eulji Medical Center，共202例患者，按6:2:2比例随机分为训练、验证和测试集（测试集40例）。使用Biograph Vision 450数字PET/CT采集列表模式数据，重建为30sec、1min和10min三个时长，以10min为参考。采用经典二维U-Net网络，包含收缩和扩张路径，卷积核为3×3，使用批归一化和ReLU激活，最大池化与上卷积操作，并通过跳跃连接保留边缘信息；以均方误差为损失函数，Adam优化器（学习率10^-4，批大小8）训练500轮，采用随机水平/垂直翻转增强。定量评价使用峰值信噪比（PSNR）、均方根误差（RMSE）和通用质量指数（UQI）；区域标准化摄取值比（SUVR）通过BTXBrain软件自动计算，以枕叶皮质为参考区。视觉评估由三名经验超过15年的核医学医师在随机化阅片下完成。

在视觉图像质量方面，30sec扫描全部（40例）和1min扫描95%被评级为差，而DL恢复图像显著改善：DL-30sec中85%达到优秀，DL-1min中95%达到优秀。与10min参考图像的质量评级一致性，DL-30sec为85.0%，DL-1min为97.5%。在视觉解读一致性方面，DL-30sec和DL-1min与参考图像的判读一致率均为92.5%。非DP患者均被正确归类为正常；PD患者在DL-1min图像上与10min图像完全一致；但MSA小脑亚型患者中有两名被误判为正常，MSA帕金森亚型患者中一名在DL-1min被误判为PD，PSP小脑亚型患者中一名在两种DL图像均被误判为PD。定量分析显示，DL-1min图像在各脑区的SUVR偏差小于DL-30sec，尤其在背侧纹状体、壳核和腹侧纹状体；四个脑区（背侧纹状体、尾状核、壳核、腹侧纹状体）的SUVR在DL图像与参考图像间均无显著差异（p>0.05）。DL-1min的PSNR和UQI高于、RMSE低于DL-30sec，提示其与参考图像的像素级相似度更高。

讨论部分指出，低计数30sec和1min图像因噪声过高难以用于临床诊断，而DL恢复方法有效提升了图像质量。由于[¹⁸F]FP-CIT在帕金森患者纹状体表现为摄取降低，信号较弱，这给DL模型带来挑战。二维U-Net缺乏层间上下文信息，单独使用均方误差损失易导致过度平滑，可能是非典型帕金森综合征误判的原因。MSA小脑亚型本身在延迟显像上可能显示正常或弥漫性减低，单凭静态图像难以鉴别。未来需采用三维网络结构、复合损失函数、更大样本及多中心数据验证模型泛化能力。本研究结论为：DL驱动方法能从相当于10min参考时长二十分之一和十分之一的低计数数字PET/CT采集中恢复临床可接受质量的[¹⁸F]FP-CIT图像；DL-1min图像在图像质量一致性上优于DL-30sec；在非典型帕金森综合征小亚组中视觉解读一致性降低；尚需更大规模研究评价其诊断性能。