一体化PET/MR融合AI与影像组学：推动精准医学发展
多模态成像结合智能算法，在肿瘤、神经系统疾病等领域实现关键技术突破
一体化PET/MR作为医学影像领域的先进设备，可同步获取PET的分子代谢信息与MRI的高分辨率解剖结构，为人工智能（AI）和影像组学的应用提供高质量、多维度数据基础。该技术在神经系统疾病、肿瘤及心血管病等复杂疾病的精准诊断与分型中展现出重要临床价值。
针对低剂量PET图像质量下降的问题，中山大学肿瘤防治中心樊卫教授团队与中国科学院深圳先进技术研究院胡战利教授团队合作，提出一种基于3D噪声水平感知子网络的重建神经网络。该网络由噪声水平感知和图像恢复两个子网络构成，能以噪声先验信息指导低剂量PET图像向标准剂量图像转化。实验表明，该方法显著提升图像质量，并增强对不同噪声水平数据的适应性[1]。
为进一步改善脑部低计数PET图像信噪比，该团队研发OIF-Net——一种基于光流配准的PET/MR跨模态交互融合网络。该网络利用MRI丰富的结构信息引导PET去噪，通过光流模块实现精准模态配准，避免特征错位；同时引入“空间-通道”特征增强与交叉融合机制，优化信息提取与解码过程。在真实临床数据上的验证显示，OIF-Net在视觉效果与定量指标上均优于传统方法，有效解决多模态融合中的特征冗余与错配问题[2]。
图1. 自适应3D噪声水平感知引导的低剂量PET重建神经网络。（A）噪声水平感知子网络；（B）噪声级转换融合块；（C）PET恢复子网络。
图2. 消融研究降噪结果及统计分析。（a）2.5%超低计数下不同方法视觉对比；（b）散点图评估去噪图像与标准图像的相关性；（c）Bland-Altman一致性分析。
全脑自动化分割是PET/MR图像分析的关键步骤。首都医科大学宣武医院卢洁教授团队研究表明，采用形态学配准可提高标准摄取值（SUV）计算准确性，而AI辅助分割显著提升分析效率，为神经系统疾病诊断提供高效支持[3]。
河南省人民医院王梅云教授团队与中国科学院深圳先进院张娜教授团队联合开发基于U-Net架构的双模态PET/MR脑分割模型。结果显示，相较于单模态输入，PET/MR双模态分割更完整保留脑区细节，与金标准高度一致，且各脑区分割SUV容差控制在5%以内，显著提升分割精度与鲁棒性[4]。
图3. 不同分割策略下的PET/MR脑分割结果：全脑（A）与脑皮质（B）。
图4. PET单模态、MRI单模态与PET/MR双模态分割结果与金标准对比。
在前列腺癌（PCa）诊疗中，PSMA PET/MR可同步提供代谢、功能与结构信息，助力精确定位与靶向活检。南京市第一医院王峰教授团队提出级联深度学习网络：一级采用Faster-RCNN定位前列腺与精囊腺，二级使用U-Net进行病灶精细分割。在125例患者数据上测试表明，该方法Dice系数优于仅用MRI的模型，显著提升PCa病灶分割的准确性与稳定性[5]。
图5. 基础网络、MR网络与级联网络对单病灶（A）、多病灶（B）、无病灶（C）的预测结果对比。
王梅云教授团队还基于PET/MR影像组学技术，构建机器学习模型用于预测非小细胞肺癌（NSCLC）淋巴结转移。该模型融合三维超短回波时间（3D-UTE）MRI与18F-FDG PET互补信息，其诊断性能优于单一模态模型，且与PET/CT金标准相当，具备良好的稳定性与一致性，为NSCLC术前无创评估提供了新路径[6]。
图6. PET/MR双模态影像组学模型流程示意图。
PET/MR凭借其时空同步、多参数成像优势，已成为神经、肿瘤、心脏等疾病研究的重要工具。国内首台一体化TOF PET/MR已广泛应用于多家顶尖医疗机构，在AI与影像组学驱动下持续产出高水平科研成果。未来，围绕PET/MR的临床科研生态体系将进一步完善，推动精准医疗迈向新阶段。