我国科学家研发基于深度学习的自动化PET/MR脑区分割技术

双模态影像融合提升全脑分割精度，助力脑疾病诊断与研究

近日，中国科学院深圳先进技术研究院张娜教授团队联合河南省人民医院王梅云教授团队，基于联影一体化PET/MR平台，成功研发一种基于深度学习的自动化双模态PET/MR图像脑分区分割技术。相关成果发表于医学影像领域权威期刊《Quantitative Imaging in Medicine and Surgery》。 该研究构建了3D自编码网络模型，利用120例临床头部PET/MR数据进行训练与验证，并采用Dice、Jaccard、Precision和Sensitivity等指标量化评估分割性能。研究对比了单模态（PET或MR）与双模态（PET/MR）输入下的模型表现，结果显示：在随机选取的16个脑区中，双模态输入的平均Dice系数达86.87%，显著优于PET单模态（70.46%）和MR单模态（85.22%），且能更好保留脑区细节，与金标准高度一致。 为实现精准配准与重建，研究人员采用FreeSurfer和ANTs工具对原始MR图像进行重建（256×256×256像素），并通过ANTs将¹⁸F-FDG PET图像与MR图像配准。FreeSurfer生成包含45类标签的掩膜，用于多类别分割任务。 图1. 使用FreeSurfer和ANTs工具实现重建与配准；FreeSurfer帮助分割大脑磁共振原图，生成了45个标签作为真实图像对照。ANTs将¹⁸F-FDG PET图像与MR图像配准，最终获得相同大小的掩膜、¹⁸F-FDG PET图像和MR图像。 图2. 不同病人在2个视图（冠状面和矢状面）的分割结果比较。第一行代表金标准，第二行代表以PET作为单模态输入的分割结果；第三行代表以MR作为单模态输入的分割结果；第四行代表以PET/MR双模态影像输入的分割结果。 图3. 同一患者在3个视图（冠状面、矢状面和横断面）的分割结果比较。MRI-only表示以MR作为单模态输入的分割结果，PET-only表示以PET作为单模态输入的分割结果。 此外，研究还以脑桥为本底计算各脑区PET SUV值的定量比值及误差率。结果显示，该模型在侧脑室、丘脑、尾状核等区域的SUV容错率均不超过5%，具备良好的定量稳定性。 表1. 两例病人在不同脑分区（侧脑室、丘脑和尾状核等）PET SUV数值定量占比及误差率 本项研究提出的自动化双模态分割方法有效融合了PET的功能代谢信息与MR的高分辨率结构信息，显著提升了全脑分割的准确性与鲁棒性，为脑认知功能研究、神经系统疾病诊断及脑图谱构建提供了可靠的技术支撑。 SEO关键词：PET/MR、脑区分割、深度学习、双模态影像、自动化分割、脑疾病诊断、中国科学院深圳先进技术研究院、河南省人民医院