近日，上海交通大学医学院附属瑞金医院核医学科李彪教授团队在医学影像领域权威期刊《European Journal of Nuclear Medicine and Molecular Imaging》发表题为“Optimizing MR-based attenuation correction in hybrid PET/MR using deep learning: validation with a flatbed insert and consistent patient positioning”的研究论文。该研究创新性地采用深度学习技术优化一体化PET/MR系统的衰减校正（MRAC）方案，利用同人PET/CT数据作为金标准，并通过放疗平床板确保患者体位一致性，显著提升了PET图像定量分析的准确性。

研究背景

一体化PET/MR融合了PET的分子代谢信息与MRI的高分辨率解剖结构优势，广泛应用于肿瘤及神经系统疾病的临床诊断。然而，PET图像的精准定量依赖于准确的衰减校正（AC），而传统MRAC方法因MRI信号无法直接反映组织衰减特性，难以精确生成衰减系数图。尤其在骨骼区域，常规分割法易导致SUV值偏差，限制了其临床应用。本研究旨在通过深度学习技术突破这一瓶颈。

研究方法

研究纳入21例患者，使用联影新一代PET/MR设备采集¹⁸F-FDG PET/MR图像，并同步获取uMI780 PET/CT图像作为参考标准。为保证两次扫描间患者体位一致，采用Connexion^TM放疗平床板进行固定。

研究对比了四种MRAC方法与CTAC（CT衰减校正）的性能差异：

• MRAC-1：不含骨骼的四组织离散μ图
• MRAC-2：基于2D cycle-GAN的含骨骼五组织离散μ图
• MRAC-3：基于3D网络的含骨骼五组织离散μ图
• MRAC-4：基于3D网络生成的连续μ图（本研究提出）

图1. 整体设计框架流程图。

所提出的深度学习模型包含三个模块：MRI生成伪CT、跨模态配准和器官分割。基于300例多中心临床数据训练，在合成相似性损失与分割损失联合监督下，实现从MRI到伪CT的精准转换。

图2. MRI到伪CT的模态转换流程图。

PET重建采用OSEM算法，以配准后的CT图像经双线性变换获得的μ值作为金标准，评估各MRAC方法在全身、ROI及病灶层面的SUV一致性。

研究结果

（1）全身水平分析

引入骨骼信息后（MRAC-2至MRAC-4），SUV与μ值与CTAC的相似性明显提高。其中MRAC-3因3D网络提升了骨组织边缘清晰度，优于MRAC-2。

SUV联合直方图显示，MRAC-4点分布最集中，偏离对角线程度最小，表明其与CTAC的一致性最高。

图3. 五种AC方法的SUV图（A1-A5）和μ图（B1-B5）对比。

图4. 全身体素SUV联合直方图。

（2）ROI水平分析

MRAC-3在脊柱与股骨区域表现出更优的SUV与μ值准确性；对于胃、结肠等含气器官，MRAC-4表现最佳；在肝脏和脾脏等高摄取区域，MRAC-4也提供了最接近CTAC的μ估计。

图5. 不同ROI中SUV与μ值差异比较。

（3）病灶水平分析

在311个病灶分析中，MRAC-4的ΔSUV_max与病灶-骨骼距离无显著相关性（r = 0.01, p = 0.8643），说明其定量精度不受邻近骨骼影响，验证了连续μ值建模的有效性。

图6. ΔSUV_max与病变-骨骼距离的相关性分析。

研究展望

本研究提出的基于深度学习的连续μ值衰减校正方法，显著提高了PET/MR中SUV定量的准确性，尤其改善了骨骼附近病灶的测量偏差。该技术为多模态成像中的精准定量提供了可靠解决方案，有望推动PET/MR在肿瘤精准诊疗、疗效评估等领域的深入应用。未来，随着模型泛化能力的提升，该方法可进一步拓展至多种示踪剂和疾病类型，助力精准医疗发展。