肺癌是全球癌症死亡的主要原因之一，其發病率和死亡率都呈現出上升趨勢。肺癌的診斷和治療對醫療衛生有重大影響。2-脫氧-2-[18F]氟-D-葡萄糖(2-[18F]FDG)PET/CT是肺癌患者診斷及評估的一線影像學工具，具有較高的檢測率和可靠的分期，有助於通過測量代謝腫瘤細胞的活性來評估對治療的反應。與解剖學反應指標相比，使用實體瘤PET反應評價標準獲得的PET代謝反應是一個更準確和有效的腫瘤反應預測

        PET掃描儀的時間分辨率受製於重合光子檢測的計數統計。由於注射活動有限，PET數據通常具有較低的計數統計量，導致重建圖像的信噪比降低。為了克服這一限製，研究開發了一個194厘米長的PET/CT掃描儀，可以一次性掃描整個病人的身體，具有超高的靈敏度，有利於進行更準確的示蹤劑動力學

        標準化攝取值(SUV)是一個半定量參數，常規用於腫瘤攝取定量，在常規靜態2-[18F]FDG PET圖像上測量並在示蹤劑注射後60分鍾獲得，采集時間約10分鍾。然而，SUV的定量準確性受到多種因素的影響，其中包括整個采集過程中測量時間和血漿中示蹤劑濃度的變化。淨流入率Ki是量化2-[18F]FDG PET的一個更準確的參數，可以通過使用動脈輸入函數和動態PET圖像的示蹤劑動力學模型獲得。動力學分析的額外好處是可以獲得與腫瘤生物學和分化有關的糖代謝信息。例如，Ki常數可以反映示蹤劑被目標組織代謝的速度。然而，Ki的獲取需要長時間的掃描(≥60分鍾)以進行參數化成像和動力學建模，以及連續的動脈血采樣或圖像衍生的血液活動以確定輸入函數。與最先進的全身靜態PET掃描(持續時間<10分鍾)相比，漫長的采集方案嚴重限製了參數成像的臨床應用。此外，在長時間的動態掃描中，圖像質量可能會受到病人運動的影響。

        近日，發表在European Radiology雜誌的一項研究提出了直接使用靜態PET圖像通過深度學習來合成Ki參數圖像，合成的Ki圖像可以為臨床醫生提供一個額外的定量參考，以獲得更好的診斷指示而不需要進行實際的動態掃描。

        研究納入了203名參與者的成像數據，並引入了一個改進的循環生成對抗網絡，結合擠壓和激發注意力區塊來學習靜態PET和Ki參數化圖像之間的潛在映射關係。通過使用一些物理和臨床指標，對合成圖像的質量進行了定性和定量評估。同時，對合成圖像還進行了相關性和一致性的統計分析。

        與其他網絡相比，研究提出的網絡所合成的圖像在定性和定量評價、統計分析和臨床評分方麵都表現出卓越的性能。呀就合成的Ki圖像與標準動態PET實踐中獲得的Ki圖像具有顯著的相關性(皮爾遜相關係數，0.93)、一致性和出色的定量評價結果。

        本項研究表明，利用研究提出的深度學習方法可以從肺部的全身靜態PET圖像中合成高質量的動態PET參數化Ki圖像。合成的Ki圖像與真實的Ki圖像具有顯著的一致性和相關性，以及出色的定量物理和臨床評估結果，並允許對現有的分子成像進行進一步的定量評估，可以適用於廣泛的PET應用。

        原文出處：

        Haiyan Wang,Yaping Wu,Zhenxing Huang,et al.Deep learning-based dynamic PET parametric Ki image generation from lung static PET.DOI:10.1007/s00330-022-09237-w