编者按
近日，中国科学院深圳先进技术研究院胡战利研究员、黄振兴副研究员团队与河南省人民医院王梅云教授团队基于联影一体化PET/MR设备开发了一种基于交叉注意机制的PET/MR双模态自动全脑区勾画定位技术。相关研究成果以“Accurate whole-brain segmentation for bimodal PET/MR images via a cross-attention mechanism”为题发表于核医学图像处理领域权威期刊IEEE Transactions on Radiation and Plasma Medical Sciences。其中，中国科学院深圳先进技术研究院博士研究生李文博、副研究员黄振兴、助理研究员张其阳为该工作共同第一作者, 中国科学院深圳先进技术研究院胡战利研究员、河南省人民医院王梅云教授为共同通讯作者。研究结果表明，该工作所提出的方法通过交叉注意模块有效融合了PET/MR双模态解剖结构和功能代谢信息，能够实现全自动的全脑区勾画定位，有望促进临床脑部相关疾病的精准定量分析。
1
研究背景
Research Background
大脑作为人体的中枢神经系统，不同脑区承载着一系列重要的生理功能。一体化PET/MR对于脑部疾病研究具有巨大的潜力，特别是在神经和精神病学领域。脑区勾画定位技术，通过量化和可视化解剖结构，为手术规划和图像引导放疗等临床应用提供了强有力的工具，从而推动了脑部疾病精准定量分析的进程。然而，手动勾画定位技术严重依赖操作者的主观判断和解剖知识水平，且勾画大规模或复杂结构的数据需要投入大量人力和时间成本。针对这一挑战，该研究提出了一种基于交叉注意机制的PET/MR全自动、全脑区勾画定位技术，旨在提高勾画的效率和准确性，从而为脑科学研究和临床实践带来更高效、更可靠的解决方案。
2
研究方法
Research Method
该工作共纳入120例被试的全脑PET/MR数据。研究利用Freesurfer软件将MR图像配准至标准空间并生成45个脑区mask作为Ground Truth（GT)。通过交叉注意力机制共享和融合PET和MR双模态信息，构建3D神经网络框架探究双模态特征之间的相关性，最终实现自动全脑勾画并提高勾画定位精度。全脑勾画定位网络如图2所示。为评估模型性能，该研究了选择多种深度学习方法（SwinUNETR、UNetR、nnFormer、UNet3D、UNet++、ResUNet及VNet）作为对照进行对比分析，并采用Dice相似系数（DSC）、Jaccard指数（JAC）、召回率（Recall）、精度（Precision）作为定量指标对勾画定位效果进行评价。此外，该工作还进行了相关性和一致性分析，以验证所提出方法的优势。
图1. 全脑勾画定位网络概述。模型由三个主要部分组成：特征提取器、交叉注意模块和特征解码器。其中，特征提取器对PET/MR图像进行关键特征提取；交叉注意模块实现这些关键特征的融合；特征解码器输出全脑勾画定位结果。
3
研究结果
Research Results
研究首先通过视觉评估和一系列定量指标对该工作所提出的方法与其他方法在全脑勾画定位中的表现进行了比较分析。图2展示了不同方法在冠状面、矢状面和轴状面图像上对左脑勾画定位的结果。与其他方法（SwinUNETR、UNetR、nnFormer、UNet3D、UNet++、ResUNet和VNet）相比，该研究所提出的方法可保留更多的脑沟细节。此外，定量评价结果表明，该方法相较于其他方法在分割精度和相似度方面显著提高，DSC为85.34%，JAC为77.22%，Recall为84.81%，Precision为88.86%（表1）。尤其是在左侧小脑皮层中，该脑区的DSC值高达0.966，显著高于其他对比方法（图3）。
图2. 不同方法对冠状面、矢状面和轴状面图像上的左脑勾画定位结果。
表1. 不同方法对应的DSC、JAC、Precision及Recall值。最佳结果用粗体突出显示。
图3. 不同方法在不同脑区的勾画定位结果与各自对应的DSC数值比较。最佳结果用红色突出显示。
相关性和一致性分析进一步验证了该方法的优势。研究分别以左侧小脑皮质、脑干、左侧小脑白质和第四脑室为感兴趣体积（volume of interest, VOI），基于分割结果对PET图像的SUV分布进行了一致性分析。结果表明，该工作所提出的方法勾画脑区的SUV数据分布非常接近金标准（图4）。此外，在不同脑区SUVmax的相关性分析中，对于左侧大脑白质，该研究所提出的方法在该脑区的节点比率为27.41%，与金标准的脑区节点比率26.87%最为接近（图5）。
图4. 不同方法在不同脑区（左侧小脑皮质、脑干、左侧小脑白质和第四脑室）获得的PET图像的 SUV数值分布小提琴图。
图5. 不同方法在左侧大脑白质（第一行和第二行）和左侧大脑皮层（第三行和第四行）对应的和弦图。节点代表所有的大脑区域，连接区域的弧线表示它们之间的关联，节点比值反映了大脑各区域占整个区域的比例。
4
研究展望
Research Prospect
该研究基于一体化PET/MR设备，开发了一种基于交叉注意机制的PET/MR双模态全脑区自动勾画定位技术，利用人工智能技术有效降低了人为操作的误差和主观性，提高了自动勾画定位精度。未来，该方法有望在临床应用中不断优化和升级，为脑部疾病的精准诊疗提供支撑，推动个性化医疗的进一步发展。
