ISMRM 2024专题报道 | 联影PET/MR引领医学影像技术新浪潮

随着医学影像技术的持续革新，国际医学磁共振协会（ISMRM）的年度会议已成为全球医学影像领域内备受瞩目的学术盛事。作为行业领军者，联影始终与客户们紧密合作，共同推进PET/MR产学研医的深度融合。在2024年ISMRM的投稿中，联影PET/MR科学家与用户合作，多篇科研成果被接收，这些成果涵盖了神经科学、肿瘤研究、人工智能与影像组学等多个前沿领域。在本次专题报道中，我们将详细介绍首都医科大学宣武医院、河南省人民医院、中国科学院深圳先进技术研究院利用联影PET/MR设备在2024年ISMRM中稿的相关科研成果。

一体化PET/MR是融合了PET和MR成像的先进双模态显像设备，两种模态的互补能够为神经科学研究提供更为全面和精确的影像信息。首都医科大学宣武医院卢洁教授团队基于联影PET/MR设备在2024年ISMRM上中稿的研究成果深入探讨了帕金森病（PD）患者脑白质功能网络的变化情况^[1]，以及心衰（HF）患者脑结构的变化与心功能及认知功能障碍之间的相互关系^[2]，为相关疾病的诊断和治疗提供了新的视角和科学依据。

摘要：White-matter functional networks changes in PD patients with L-dopa induced dyskinesia（摘要号：4361）

PD是世界第二大神经退行性疾病。左旋多巴诱发的运动障碍 (LID) 是PD药物治疗中常见的并发症，探究LID症状的影像学特异性具有重要意义。基于血氧水平依赖的功能磁共振成像（BOLD-fMRI）被广泛用于研究大脑灰质的神经活动，然而白质中的脑活动却未受到足够关注。近年来，研究证实白质中的脑功能变化也可以被BOLD-fMRI检测到，因此白质的功能网络研究在神经科学领域中越来越受到重视。基于此背景，该研究深入探讨了PD患者脑白质功能网络的变化情况。

该研究分为PD患者组和健康志愿者组（HC），并根据LID症状的有无，PD患者组被进一步分为2组：LID组和noLID组。采用K-means聚类方法构建脑白质网络，稳定性计算结果表明K = 14是最大值（Dice > 0.85）。研究者根据14个脑白质网络的空间位置，对其依次进行编号并命名为WM1至WM14（图1）。基于此，该研究计算并比较了HC、LID及noLID组的任意两个白质网络之间的功能连接（FC），并通过相关性分析评价临床表现与脑白质网络激活的关系。结果显示，PD患者组白质网络的FC相较于HC组均显著降低，尤其是在LID组（图2）。此外，患者组白质网络的FC与临床表现的相关性存在差异，LID组WM2和WM11之间的FC与MMSE评分呈显著正相关，而noLID组则相反（图3）。

图1. 采用K-means聚类方法绘制的14个脑白质网络。

图2. 3组的功能连接（FC）比较结果。

图3. LID组与noLID组的MMSE评分与FC的相关性分析。

该研究揭示了PD患者在特定的脑白质网络中表现出显著的FC下降，并且LID组和noLID组的FC与临床表现的相关性存在差异。这些发现可能作为预测PD疾病进展和LID症状发生的重要神经生物学指标，为PD患者的早期诊断和患者管理提供更为精确的评估体系。

摘要：Association of reduced cortical thickness with myocardial strain in patients with heart failure（摘要号：2284）

心力衰竭（HF）与认知障碍（CI）风险的增加紧密相关，这一联系严重影响了HF患者的整体预后，但背后的相关机制尚未被完全阐明。鉴于此，该研究探讨了HF患者脑结构的改变及其与心功能障碍和认知功能障碍的关系。

该研究共纳入56例HF患者和37例健康志愿者（HC）。所有被试均在同一台PET/MR设备上先后进行了CMR和脑部PET/MR检查，并通过简易精神状态检查（MMSE）和蒙特利尔认知评估（MoCA）量表衡量认知功能。根据认知功能测量结果，患者组被进一步划分为无认知缺陷（Cognition+）组和有认知缺陷（Cognition-）组。

该研究发现，HF患者组在多个脑区中的皮层厚度均有所下降。通过顶点（vertex）水平的双样本t检验，研究者共在10个区域中（依次命名为Cluster 1至Cluster 10）观察到显著差异（图4）。各个Cluster的详细信息如表1所示。与HC组相比，HF组在这些区域中的皮层厚度普遍更低。在Cluster 2中，与Cognition+组相比，Cognition-组表现出更为显著的皮层厚度降低。此外，患者组中Cluster 1、Cluster 2、Cluster 6及Cluster 8的整体周向应变（GCS）与对应区域的皮层厚度呈显著负相关（图5）。

图4. 组间比较结果。（A）HC组和HF组之间具有显著皮层厚度差异的区域（不同颜色表示不同的区域）；（B）3组中Cluster 1至Cluster 10的皮层厚度。

表1. HC组与HF组具有显著差异的脑区的皮层厚度平均值和P值。

图5. 皮层厚度与整体周向应变（GCS）的相关性分析。

该研究揭示了HF患者在多个脑区中表现出皮层厚度降低，且主要集中与认知相关的大脑区域。此外，皮层厚度降低与CI及左室心肌应变减少存在相关性。这表明，HF患者皮层厚度的降低可能在心功能障碍与认知能力下降之间起中介作用，因此皮层厚度可能为HF相关认知障碍的早期诊断和干预提供潜在的生物学指标。

针对肿瘤研究，一体化PET/MR凭借其双模态、多参数融合信息的优势可以实现对肿瘤的全方位评估，为个体化、精准化的肿瘤诊断与治疗提供关键的影像学支持。河南省人民医院王梅云教授团队在2024年ISMRM上中稿的研究成果深入探究了PET/MR在肺部病变良恶性鉴别中的临床科研价值^{[3, 4]}，为肺癌的早期诊断和患者管理提供重要参考。

摘要：Discrimination between benign and malignant lung lesions using a tri-compartmental restriction spectrum imaging model（摘要号：3482）

限制性谱成像（RSI）是一种新型的弥散加权成像技术，它将弥散加权的MR信号建模为几个微结构区室，这些区室被认为对应于受限的细胞内水、受阻的细胞外水及自由弥散水。因此，与传统的弥散加权成像相比，RSI能够提供更为精确的肿瘤微环境特征描述。既往文献已经证实了RSI在脑部、前列腺和乳腺肿瘤鉴别中的潜力，但在肺部肿瘤评估方面的应用尚未见诸报道。PET/MR成像可以同时提供反映细胞代谢和水分子扩散的多维信息，该研究利用一体化PET/MR设备探讨了三室RSI模型对肺部良恶性病变的鉴别诊断价值，并将其与传统的弥散参数ADC、代谢参数SUV_max进行比较，为肺部病变的无创诊断提供更为深入的科学依据。

定量分析结果显示，与良性组相比，恶性组的RSI-C1与SUV_max值显著升高（P < 0.001），ADC和RSI-C3值则相反（P < 0.001）（图6）。在预测肺部良、恶性病变的具有显著性差异的参数中，AUC由高到低排序依次为：SUV_max (AUC = 0.819) > RSI-C3 (AUC = 0.811) > RSI-C1 (AUC = 0.770) > ADC (AUC = 0.745)。由RSI-C1、RSI-C3和SUV_max构成的多参数联合模型的AUC为0.900（sensitivity = 86.2%, specificity = 84.3%）（图7）。Delong检验显示，多参数模型的诊断效能显著优于任何单一参数模型（P < 0.01）。

图6.（a）RSI-C1、（b）RSI-C2、（c）RSI-C3、（d）ADC、（e）SUV_max参数的组间比较结果。

图7. 不同参数（RSI-C1、RSI-C2、RSI-C3、ADC、SUV_max）区分良恶性组的ROC曲线。其中，Combined Diagnosis = RSI-C1 + RSI-C3 + SUV_max。

该研究揭示了RSI在肺部病变无创性诊断中的应用潜力，基于PET/MR成像的多参数联合应用进一步丰富了诊断的影像学信息。这种多模态成像策略不仅提高了诊断的准确性，而且为临床医生提供了更为全面和深入的病变特征，有助于优化诊断流程和治疗决策。

摘要：APTWI and stretch-exponential model DWI based ¹⁸F-FDG PET/MRI for differentiation of benign and malignant solitary pulmonary lesions（摘要号：2577）

孤立性肺部病变（solilive pulmonary derities, SPL）的早期良恶性鉴别对于临床患者管理至关重要。该研究基于PET/MR设备对 SPL 患者进行了胸部 ¹⁸F-FDG PET、酰胺质子转移加权成像（APTWI）、单指数模型扩散加权成像（MEM-DWI）和拉伸指数模型扩散加权成像（SEM-DWI）在内的一系列扫描，以比较良性和恶性组之间每个定量/半定量参数的差异，确定独立的预测因素，建立预测模型并对其进行验证。

结果显示，与良性组相比，恶性组的SUV_max、MTV、TLG、α、MTRasym(3.5ppm)值显著升高（P < 0.01），ADC与DDC值显著降低（P < 0.01）（图8）。其中，SUV_max、ADC和MTRasym(3.5ppm)为独立预测因子。基于这些独立预测因子的预测模型表现出最佳的诊断效果（AUC, 0.976；sensitivity, 94.64%; specificity, 92.86%），且显著高于各单独风险预测因子的诊断效果（图9）。

图8. 良性组和恶性组的参数比较结果。

图9. 不同参数与预测模型的ROC曲线。a、b为训练集，c、d为测试集。

该研究表明，基于¹⁸F-FDG PET、MEM-DWI、SEM-DWI和APTWI的多参数PET/MR可以有效评估SPLs的特征，为临床提供更为精确的诊断依据。相较于任何单一参数，由SUV_max、ADC和MTRasym(3.5 ppm)组成的多参数预测模型展现出更好的诊断效能，有望成为鉴别良性和恶性SPLs的可靠影像学标志物。

摘要：MR-guided image enhancement for whole-brain low-dose PET/MR imaging using spatial brain transformation（摘要号：4261）

一体化PET/MR在全脑成像中可以同时获取人脑解剖和功能代谢信息，有望深化对神经系统疾病的理解，因此成为相关疾病检测的首选设备。然而，放射性药物的使用可能会增加患者的辐射风险，而注射剂量的减少可能会导致图像噪声的增加和对比度的降低。在这项工作中，研究者通过深度学习技术引入了PET/MR图像的空间脑解剖对齐信息，用于提升低剂量PET/MR成像的图像质量。通过构建空间脑变换（SBF）模块，实现了多模态信息的融合，有利于低剂量PET图像的恢复。整个工作流程如图10所示。

图10. 该研究所提出的方法的整体工作流。

为了验证所提出方法的优势，该工作选择了几种常用的深度学习方法进行对比分析（包括CNN、REDCNN、REDCNN3D、UNet和UNet3D）。结果表明，该工作所提出的方法（Proposed）可以提供更准确的SUV值分布（图11）。此外，采用峰值信噪比（PSNR）、结构相似指数（SSIM）和Pearson相关系数（PCC）3个指标对PET图像质量进行评价，结果如表2所示。该研究所提出方法（Proposed）的PSNR和SSIM分别为41.96±4.91 dB和0.9654±0.0215 dB，相较于原始低剂量PET图像（LPET），分别提高了19%和20%（P < 0.01）。

图11. 基于八个完整脑区的VOI分析的小提琴图。

表2. 不同方法对应的PSNR、SSIM和PCC值及组间比较结果（Mean±Std）。

以上结果表明，该研究所提出的方法可以显著提高低剂量PET图像质量，有利于神经系统疾病的检测。在未来，该方法有望应用于其他多模态系统，如PET/CT，以辅助临床脑部疾病的诊断和治疗。

摘要：MR-guided automatic whole-brain segmentation via deep learning technology（摘要号：3521）

大脑是中枢神经系统的指挥中枢，人类大脑的任何异常、紊乱或疾病都会对整个身体产生重大影响。基于一体化PET/MR成像的脑组织分割在解剖结构的可视化及定量中起着重要作用。然而，目前大多数脑分割方法仅基于MR单一模态，忽略了多模态信息融合对脑图像的重要性。鉴于此，该研究提出了一种基于深度学习的PET/MR双模态分割方法，以实现全脑的自动准确分割。

该工作采用深度卷积网络nnU-Net进行全脑分割。为了充分利用双模态信息，研究者将PET和MR图像作为并行输入引入至模型中。通过实施五重交叉验证的策略，对所提出的基于双模态信息的分割方法进行了严谨的训练和验证。详细的分割流程如图12所示。

图12. 脑结构分割流程。在分割阶段，将重建的MR和PET图像分割成切片并使用2D nnU-net进行分割，或者利用3D nnU-net进行分割。

结果显示，相较于以单模态信息作为输入的分割方法，基于PET/MR的双模态分割方法通过高效融合结构和功能信息显著提升了分割效果的准确性。对于较大的组织，双模态输入方法能够在分割结果中提供完整的细节；对于较小的图像，该方法也能进行准确的定位和分割（图13）。此外，定量评价结果表明，双模态输入方法的Dice相似系数（DSC）、Jaccard指数（JAC）和Recall值均更优于单模态输入方法（表3）。

图13. 不同脑结构的分割结果比较。

表3. 不同分割方法的DSC、JAC、Precision和Recall值的比较。最佳结果被加粗显示。

从深入探索疾病的机理，到实现精准的诊断，再到与人工智能技术的深度融合，联影PET/MR的每一步创新都彰显了其在推动医学影像技术发展方面的深厚实力和前瞻视野。在未来，我们期待与更多的合作伙伴携手，共同探索医学影像技术的无限可能，为人类健康事业带来更多的惊喜和突破。