科研创新 | 核医学科邵丹团队全球首次实现多种新型放射性示踪剂的单PET的智能衰减矫正

近日，我院核医学科邵丹主任团队与耶鲁大学YihuanLu教授团队合作，在核医学专业顶i尖期刊《EuropeanJournalofNuclearMedicineandMolecularImaging》杂志（影响因子：10.057，JCR一区）以共同第一作者发表了题为《Deep learning-basedattenuationcorrectionforwhole-bodyPET–a multi-tracerstudywith18F-FDG,68Ga-DOTATATEand18F-Fluciclovine.EuropeanJournalofNuclearMedicineandMolecularImaging》的新研究成果。

正电子发射断层扫描（PET）在临床肿瘤学中广泛用于诊断、分期和监测治果。PET中的定量或半定量测定，例如标准摄取值(SUV)，受不同的物理效应校正的准确性影响很大，例如衰减校正。在PET/CT中，CT扫描不仅提供了高空间分辨率的衰减校正图，但也会由于CT的射束硬化效应、金属伪影、移动伪影和计数不足等原因，造成因衰减校正不准确而导致出现PET图像伪影。此外，当在治疗评估期间需要对同一患者多次复查PET/CT扫描时，需要接收多次CT辐射，尤其儿童患者可能会有辐射暴露的顾虑。

该研究利用神经网络深度学习技术，基于物理模型的目标方程，实现单PET的智能衰减矫正，并全求首次实现将基于深度学习的衰减矫正图预测框架，成功应用于18F-FDG以两种新兴PET放射性示踪剂——68Ga-DOTATATE和18F-Fluciclovine。此研究可避免因CT物理效应不准确导致的PET图像伪影以及降低了CT扫描带来的辐射风险方面具有较大的潜力，有望获得临床转化。

图中a、b、c分别为为18F-FDG、68Ga-DOTATATE、18F-Fluciclovine三种示踪剂的PET图、µ-CT（基于CT的衰减矫正图）、µ-MLAA（基于MLAA算法的衰减矫正图）和µ-DL（基于我们深度学习模型的衰减矫正图）。与µ-CT图像对比可发现，在三种不同示踪剂的µ-DL图像上解剖细节基本被成功恢复，但是µ-MLAA图像上缺失了很多解剖细节。