联影PET/MR多篇科研成果亮相2024年SNMMI，聚焦肿瘤与人工智能创新应用
北京协和医院、中科院深圳先进院及河南省人民医院联合发布一体化PET/MR在肿瘤精准诊疗与AI影像技术领域的最新突破
美国核医学与分子影像学会（SNMMI）年度会议是全球核医学领域最具影响力的学术盛会之一。在2024年SNMMI会议上，联影PET/MR科学家与临床用户合作的多项研究成果被大会收录，涵盖肿瘤科学与人工智能（AI）两大方向，尤其在低剂量PET增强、图像重建、模态补全、多模态转换及图像分割等关键技术上取得显著进展。本文重点介绍北京协和医院、中国科学院深圳先进技术研究院及河南省人民医院基于联影PET/MR设备所开展的前沿研究。
一、肿瘤研究：PET/MR无创评估胶质瘤MGMT甲基化状态
高级别胶质瘤的治疗决策与预后评估高度依赖O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）启动子甲基化状态。然而，传统检测受限于组织获取难度、成本高及瘤内异质性等问题。北京协和医院霍力教授团队探索了18F-FET PET/MR在术前无创鉴别MGMT甲基化状态的可行性[1]。
研究纳入8例患者，分为甲基化组（MGMT+，n=4）与未甲基化组（MGMT−，n=4）。结果显示，MGMT+组的SUVmean（P = 0.031）和水分子扩散不均匀指数α值（P = 0.008）均显著高于MGMT−组。值得注意的是，α值可完全区分两组——MGMT+组最小α值（0.237）大于MGMT−组最大值（0.229），显示出优异的判别能力。
图1. 8例患者的PET与MR融合图像：（a）b=0弥散加权成像与PET融合；（b）18F-FET PET；（c）α图；（d）DDC图。
图2. MGMT+与MGMT−组的（a）SUVmean和（b）αmean比较结果。
该研究表明，一体化PET/MR通过多参数信息融合，有望实现对胶质瘤分子特征的无创评估，为个体化治疗提供影像学支持，推动精准医疗发展。
二、人工智能应用：提升低剂量PET成像质量
低剂量PET可降低辐射暴露，尤其适用于儿童及青少年群体，但图像信噪比下降限制其临床应用。中国科学院深圳先进技术研究院胡战利教授团队联合河南省人民医院王梅云教授团队提出多项AI解决方案[2,3]，显著提升图像质量。
研究团队开发了一种引入空间脑变换（SBF）模块的自适应三维神经网络，在低剂量PET/MR图像中融入T1WI解剖结构信息，提升全脑成像质量。对比CNN、REDCNN、UNet等多种模型，该方法将PSNR提升19%至41.96 ± 4.91 dB，SSIM提升20%至0.9654 ± 0.0215（P < 0.01），并在丘脑等区域保持高精度SUV分布。
图3. 带SBF模块的三维神经网络框架：（A）脑解剖信息提取；（B）PET降噪流程；（C）网络结构细节；（D）SBF模块设计。
图4. （a）不同方法选取的ROI及定量结果，最优结果黄色标注；（b）PSNR、SSIM、PCC指标对比，最优值加粗。
另一项研究针对低计数PET重建易受噪声干扰的问题，提出一种保真度控制的生成神经网络模型[3]，结合VQ-VAE生成能力与ADMM迭代优化机制，确保图像真实性与细节保留。实验显示，该方法在模拟与真实数据上均优于现有技术，具备更高的分辨率与更低噪声水平。
图5. （a）保真度控制生成网络架构；（b）不同方法重建效果对比。
表1. 各方法在真实患者测试集上的平均评价指标。
三、AI驱动多模态图像转换与模态补全
多模态融合有助于全面评估病变，但临床常面临无法获取完整模态数据的挑战。胡战利团队提出基于全身PET的多模态图像转换网络[4]，实现从PET图像合成AC-PET、CT及MR图像。
该方法在腿部与足部衰减校正任务中表现优异：偏差0.32±0.11×10-3，PSNR达62.76±2.03 dB，SSIM为99.69±0.17%；CT合成PSNR为34.35±2.14 dB，SSIM为94.22±1.49%；MRI合成PSNR为36.68±1.37 dB，SSIM为94.22±1.56%，验证了其鲁棒性与实用性。
图6. 多模态图像转换网络训练流程：（a）网络架构；（b）交换层说明；（c）数据集直方图；（d）损失曲线。
图7. 全身多模态合成结果及放射科医师主观评分：（a-d）MIP与各断面图像；（e1,e2）CT与MRI合成评分。
此外，团队还提出基于潜在扩散模型的多任务生成模型（MTGM）[5]，用于从单源PET数据同时补全CT与MR图像。在6785张PET/CT和14090张PET/MR图像上验证，该模型在PSNR、SSIM、RMSE等指标上均优于主流GAN与扩散模型。
图8. MTGM模型结构示意图，含任务类别C与潜在表示z。
图9. 不同模型生成图像中ROI对比，红色圆圈标示差异显著区域。
四、AI赋能全脑PET/MR图像分割
精确的脑区分割是神经系统疾病诊断的基础。当前多数方法仅基于MRI，忽视PET功能信息。胡战利与王梅云团队合作提出多种AI分割模型[6–8]，显著提升PET/MR双模态分割精度。
一项研究提出三维双阶段分割网络[6]：第一阶段由PET生成合成MR（sMR），第二阶段以sMR与PET为输入，通过交叉注意力机制融合特征并完成分割。该方法在Dice相似系数（DSC）与Jaccard指数（JAC）上均优于Unet、VNET等主流模型。
图10. 三维双阶段全脑分割网络流程。
图11. 不同脑结构的分割结果及DSC、JAC值对比。
另一方法采用交叉注意力机制整合PET与MR特征[7]，实现端到端全脑自动分割，DSC达85.34%，JAC为77.22%，Recall为88.87%，Precision为84.81%。
图12. 基于交叉注意力的全脑分割网络结构。
图13. （a）三种断面分割效果；（b）各项指标对比，最优值加粗。
第三项工作提出基于交叉融合机制的三维分割网络[8]，在UX-Net基础上引入多层级特征融合，DSC达0.8522，JAC为0.7446，HD为4.5929，性能全面领先3DUXNET、SwinUNETR、nnFormer等先进模型。
图14. （a）U形双模态分割网络；（b）UX-Net模块；（c）交叉融合模块。
图15. （a）各方法分割结果；（b）Dice、Jaccard、Precision、Sensitivity及HD指标对比。
五、总结与展望
上述成果表明，一体化PET/MR不仅在肿瘤精准诊疗中发挥关键作用，更为人工智能在医学影像中的深度应用提供了坚实平台。未来，随着AI算法持续优化，PET/MR将在智能化、精准化方向不断突破，助力实现更高效、安全、个性化的医疗服务。
[1] Qingqing Han, Zengping Lin, Enhui Li, Yang Yang, Li Huo. Evaluating the MGMT promoter methylation status in gliomas using simultaneous 18F-FET PET and multi-b value diffusion MR imaging. SNMMI, 2024, 241897.
[2] Zhenxing Huang#, Wenbo Li#, Yaping Wu#, Lin Yang, Ziwei Liu, Yun Dong, Yongfeng Yang, Hairong Zheng, Dong Liang, Meiyun Wang*, Zhanli Hu*. Low count PET/MR imaging with spatial transformation. SNMMI 2024, 241406.
[3] Xingyu Xie, Zhenxing Huang, Qiyang Zhang, Wenjie Zhao, Yaping Wu, Meiyun Wang, Jianmin Yuan, Yang Yang, Yan Zhang, Dong Liang, Hairong Zheng, and Zhanli Hu*. Fidelity-controlled generative neural networks for low-count PET reconstruction. SNMMI 2024, 241654.
[4] Yuxi Jin#, Zhihua Li#, Qingneng Li#, Zhenxing Huang, Zixiang Chen, Na Zhang, Dong Liang, Hairong Zheng, Zhanli Hu*. Multimodal image translation network leveraging total-body PET data. SNMMI 2024, 241313.
[5] Tianrun Han, Haiyan Wang, Zhenxing Huang, Chengda Li, Ruixue Cui, Qijun Li, Chenhao Jia, Yan Zhang, Yang Yang, Yongfeng Yang, Hairong Zheng, Dong Liang, Zhanli Hu. Modality completion based on PET data using a multitask generative model. SNMMI 2024, 241148.
[6] Wenbo Li#, Zhenxing Huang#, Yunlong Gao, Lulu Zhang, Yaping Wu, Jianmin Yuan, Yang Yang, Yan Zhang, Yongfeng Yang, Hairong Zheng, Dong Liang, Meiyun Wang*, Zhanli Hu*. Synthetic MR guided whole PET segmentation via deep learning. SNMMI 2024, 241410.
[7] Wenbo Li#, Zhenxing Huang#, Wenjie Zhao, Haizhou Liu, Yaping Wu, Jianmin Yuan, Yang Yang, Yan Zhang, Yongfeng Yang, Hairong Zheng, Dong Liang, Meiyun Wang*, Zhanli Hu*. Learning a cross-attention whole-brain segmentation for PET/MR images. SNMMI 2024, 241413.
[8] Hongyan Tang, Zhenxing Huang, Wenbo Li, Yaping Wu, Jianmin Yuan, Yang Yang, Yan Zhang, Yongfeng Yang, Hairong Zheng, Dong Liang, Meiyun Wang, and Zhanli Hu*. Automatic brain segmentation based on the cross-fusion mechanism for 18F-FDG PET/MR. SNMMI 2024, 241198.