《NeuroImage》：CT-Free Attenuation and Scatter Correction of [11C]CFT Brain PET Using a Bi-Directional Matching Network
编辑推荐：
本研究针对PET定量成像中CT衰减散射校正带来的额外辐射暴露问题，提出了一种基于双向离散过程匹配网络的CT-free衰减散射校正方法。研究人员通过建立非衰减校正PET与全校正PET图像间的双向可逆映射，在90例帕金森综合征患者中验证了该方法在保持多巴胺转运体定量准确性的同时显著降低了辐射剂量，为神经退行性疾病纵向研究提供了安全可行的成像方案。
正电子发射断层成像（PET）作为现代医学影像技术的重要组成部分，在肿瘤学、神经学和心血管疾病的临床诊断与治疗中发挥着不可替代的作用。然而，PET成像的定量准确性高度依赖于衰减校正（AC）和散射校正（SC）技术。虽然当前临床金标准——基于CT的衰减和散射校正（CTASC）方法可靠，但伴随的额外电离辐射存在潜在健康风险。开发无CT的ASC技术对于降低患者辐射暴露具有重要临床价值，这一需求在神经退行性成像工作流程中尤为突出，患者可能在短时间内接受不同示踪剂（如用于多巴胺转运体评估的[11C]CFT和用于葡萄糖代谢评估的[18F]FDG）的多次PET扫描。在此类场景下，重复的基于CT的衰减校正会显著增加累积辐射剂量。因此，无CT ASC方法在保持定量准确性的同时最小化不必要暴露方面极具吸引力。
在这项发表于《NeuroImage》的研究中，上海交通大学自然科学研究院的研究团队提出并扩展了一种用于[11C]CFT脑PET的无CT衰减和散射校正深度学习框架。该方法采用双向离散过程匹配（Bi-DPM）网络，通过离散一致性约束在非校正（NASC-PET）和全校正（ASC-PET）图像之间建立可逆变换，无需生成伪CT或解剖先验。研究结果表明，这种创新方法在避免CT相关辐射的同时，实现了与诊断相媲美的多巴胺转运体（DAT）定量。
关键技术方法
研究采用90名接受[11C]CFT PET/CT扫描的参与者（82例DAT阳性，8例DAT阴性）进行五折患者级交叉验证。Bi-DPM框架将NASC到ASC的映射表述为流普通微分方程（ODE）控制的可逆动态过程，通过数值积分学习速度场实现相互转换。网络采用全3D卷积架构的U-Net参数化时间相关速度场，使用结合体素级和特征级监督的感知L1损失函数优化模型。与CycleGAN、Pix2Pix和Rectified Flow等基线方法相比，Bi-DPM在仅使用NASC PET作为输入的情况下，通过双向匹配中间状态实现更稳定的训练和更准确的校正。
研究结果
视觉比较与残差分析
通过两个典型病例（DAT阴性和DAT阳性）的视觉比较显示，Bi-DPM生成的图像与CTASC参考最为一致。在DAT阳性病例中，CTASC图像显示双侧纹状体摄取明显减少，特别是在左壳核区域。在四种深度学习方法中，Bi-DPM产生的图像与CTASC最为接近，残差图显示其偏差最小，而CycleGAN表现出最大的偏差。线剖面分析进一步证实，Bi-DPM的曲线在整个剖面范围内与CTASC参考紧密吻合，峰值和邻域肩部均匹配良好。
定量指标评估
在全脑分析中，Bi-DPM在均方误差（MAE）、峰值信噪比（PSNR）和结构相似性（SSIM）三个指标上均优于对比方法。所有深度学习方法均显著减少了NASC与CTASC之间的差异，其中Bi-DPM在DAT阳性亚组中MAE显著低于Pix2Pix（p=0.016），PSNR显著更高（p<0.001）。具体数值上，Bi-DPM在全队列中的MAE为0.0044，PSNR为42.972 dB，SSIM为0.9892，均达到最佳性能。
感兴趣区分析
在纹状体六个感兴趣区（左右壳核、尾状核和苍白球）的定量分析中，Bi-DPM在组内相关性系数（CCC）和皮尔逊相关系数（PCC）方面均表现最优。虽然NASC与CTASC有强线性相关（PCC>0.9），但一致性较差（CCC<0.1），存在系统偏差。所有深度学习方法均显著改善了一致性，回归斜率接近1，截距接近零，其中Bi-DPM的 concordance 最高。在临床亚组分析中，Bi-DPM和Pix2Pix在DAT阴性和DAT阳性组中均保持强劲且平衡的性能，而CycleGAN和RF在DAT阴性组中表现明显较弱。
读者研究评估
盲法读者研究对图像质量的三项标准（噪声抑制、病变鉴别和整体质量）进行评估。CycleGAN在所有三项标准中得分最低，RF在噪声抑制和病变鉴别方面落后于Pix2Pix和Bi-DPM。Pix2Pix和Bi-DPM得分相近，Pix2Pix在噪声抑制方面评分略高，而Bi-DPM在病变鉴别和整体质量方面得分相当。所有四种深度学习方法生成的衰减校正图像均能正确区分DAT阴性和DAT阳性病例，案例级特异性和敏感性均为100%。
体素组间比较
体素级统计分析了DAT阳性患者与健康对照间标准化摄取值比（SUVR）的组间差异。CycleGAN产生了过于广泛的显著簇，可能反映了过度校正伪影。相比之下，Pix2Pix和Bi-DPM的空间分布和簇大小与CTASC参考更为一致。与CTASC相比，Bi-DPM的Dice相似系数最高（0.953），表明其在组级统计推断中具有优越的空间准确性。
消融研究
损失函数消融研究表明，感知L1损失在Bi-DPM中略优于均方误差和体素级L1损失，但在CycleGAN中替换体素级L1损失会导致所有指标下降，表明损失设计应具有架构特异性。在概率流ODE步数比较中，1步和2步配置性能几乎相同，但2步配置显著增加资源需求，因此研究选择1步ODE作为默认配置。
研究结论与意义
本研究成功将Bi-DPM框架应用于[11C]CFT脑PET成像的无CT衰减散射校正，无需CT或MRI即可实现高精度的定量分析。该方法在图像质量指标和区域SUV定量方面均与CTASC高度一致，特别保留了纹状体等关键多巴胺能区域的摄取模式。通过消除对伪CT或μ图的依赖，Bi-DPM实现了从发射数据直接进行端到端校正的简化流程。研究结果证实了基于数据驱动的ASC使用仅发射数据输入的可行性，并突显了深度生成模型在定量脑PET校正中的潜力。该方法在DAT阴性和DAT阳性病例中均表现良好，支持其在帕金森综合征各种临床表现中的适用性。这一技术为需要低剂量采集或无法进行结构成像的神经影像场景提供了技术高效且定量可靠的替代方案，有望推动神经退行性疾病的纵向监测研究发展。
值得注意的是，该研究也存在一些局限性。数据集来自单一临床中心且仅使用一种示踪剂，可能限制模型的跨机构、扫描机或示踪剂的泛化能力。缺乏解剖先验可能影响存在结构异常、脑萎缩或术后改变的病例的准确性。此外，回顾性队列不平衡（DAT阳性与阴性比例为82:8）可能影响对DAT阴性亚组估计的精确性。未来工作将扩展到多中心队列，采用分层抽样和类别平衡策略，并研究该模型在低计数PET场景和迭代PET重建管道中的应用。
