深度学习驱动的帕金森病一站式双示踪剂脑PET成像新策略：缩短等待时间与提升诊断效率

《Brain Research Bulletin》：Deep learning-based one-stop 11C-CFT and 18F-FDG dual-tracer brain PET imaging protocol for Parkinson’s disease

本研究针对帕金森病（PD）诊断中11C-CFT与18F-FDG双示踪剂PET扫描需分日进行、患者等待时间长的问题，开发了基于Swin UNETR深度学习模型的图像分离技术。研究通过模拟不同注射间隔（Δt=80-200分钟）的双示踪剂图像，成功生成视觉相似度高（SSIM>0.999）、定量误差小（NMSE≈0.0004）的伪18F-FDG图像，且区域半定量分析（SUVmean、LBR、SNR）无统计学差异（P>0.05）。该方案实现了单日内一站式扫描，显著提升临床效率与患者舒适度，为神经退行性疾病多模态成像提供新范式。

　　

帕金森病作为常见的神经退行性疾病，其早期诊断和鉴别诊断一直面临挑战。虽然¹¹C-CFT PET成像可通过检测多巴胺转运体（DAT）变化辅助早期诊断，但单纯DAT成像难以区分帕金森病与非典型帕金森综合征（如多系统萎缩）。而¹⁸F-FDG PET能通过脑葡萄糖代谢模式提供鉴别信息。临床实践中，由于¹¹C半衰期仅20.2分钟，双示踪剂扫描需间隔200分钟以上或分日进行，导致患者等待时间长、依从性差。传统双示踪剂信号分离方法（如并行房室模型、主成分分析）受限于动力学先验知识，而深度学习技术为突破这一瓶颈带来新机遇。

发表于《Brain Research Bulletin》的这项研究，首次探索了基于深度学习（DL）的短间隔交错注射双示踪剂PET图像分离在帕金森病中的临床应用。研究人员创新性地提出一站式扫描方案：在完成¹¹C-CFT扫描后立即注射¹⁸F-FDG，通过Swin UNETR模型从混合图像中分离出高质量的单示踪剂图像。

关键技术方法

研究回顾性纳入67例接受分日扫描的帕金森病及相关疾病患者，利用uEXPLORER全景PET/CT采集图像。通过放射性衰变模型模拟80/100/120/200分钟四种注射间隔的双示踪剂混合图像，采用3D Swin UNETR网络进行端到端训练，以均方误差损失函数优化图像分离效果，并通过5折交叉验证确保模型稳定性。

3.1. 视觉图像质量评估

深度学习模型生成的伪¹⁸F-FDG图像在所有时间间隔均与实际图像高度相似，医师盲法评估无法区分。差异图显示全脑偏差分布均匀，表明白质与灰质对比度得到完美恢复。

3.2. 基于体素的评估

定量分析显示所有Δt组均达到极低NMSE（约0.0004）和高SSIM（0.9991-0.9993）。虽然200分钟组PSNR（53.72±7.16）显著优于其他组（P<0.001），但80-120分钟组间无统计学差异，证明短间隔分离的可行性。

3.3. 区域水平分析

Bland-Altman分析显示83个脑区SUVR偏差均在±0.001内。关键临床区域（壳核、尾状核）相关性分析显示R²>0.99，且帕金森病与非典型帕金森综合征亚组间无显著差异。半定量参数（SUVmean、LBR、SNR）与实际图像无统计学差异（P>0.05）。

该研究突破性地证实：当¹⁸F-FDG在¹¹C-CFT扫描后80分钟注射时，深度学习模型即可实现高质量图像分离，无需延长等待时间。相比传统分日扫描方案（累计耗时>48小时），新协议将检查时间压缩至3小时内，且辐射剂量仅需一次诊断CT。研究还发现Swin UNETR模型参数仅为对比模型（CED）的1/4，在单GPU上即可完成3D全脑训练，更具临床转化优势。

值得注意的是，同时注射（Δt=0）实验因¹⁸F-FDG与¹¹C-CFT信号强度差异过大（约10倍）而导致分离效果不佳，印证了交错注射策略的合理性。未来需通过前瞻性研究验证真实场景性能，并探索单扫描低剂量协议的实现。

这项研究为神经退行性疾病的多模态成像提供了新范式，通过人工智能技术破解了双示踪剂PET应用的时序瓶颈，使"一次扫描，多重诊断"的精准医疗愿景接近现实。