近日，我院核医学科邵丹主任团队与耶鲁大学Yi huan Lu教授团队合作，在核医学专业top期刊《European Journal of Nuclear Medicine and Molecular Imaging》杂志（影响因子：10.057，JCR一区）以共同第一作者发表了题为《Deep learning-based attenuation correction for whole-body PET–a multi-tracer study with 18F-FDG, 68Ga-DOTATATE and 18F-Fluciclovine. European Journal of Nuclear Medicine and Molecular Imaging》的最新研究成果。

        正电子发射断层扫描（PET）在临床肿瘤学中广泛用于诊断、分期和监测治疗效果。 PET 中的定量或半定量测定，例如标准摄取值 (SUV)，受不同的物理效应校正的准确性影响很大，例如衰减校正。在 PET/CT 中，CT 扫描不仅提供了高空间分辨率的衰减校正图，但也会由于 CT 的射束硬化效应、金属伪影、移动伪影和计数不足等原因，造成因衰减校正不准确而导致出现PET图像伪影。此外，当在治疗疗效评估期间需要对同一患者多次复查PET/CT 扫描时，需要接收多次CT 辐射，尤其儿童患者可能会有辐射暴露的顾虑。

        该研究利用神经网络深度学习技术，基于物理模型的目标方程，实现单PET的智能衰减矫正，并全求首次实现将基于深度学习的衰减矫正图预测框架成功应用于18F-FDG以两种新兴PET放射性示踪剂，68Ga-DOTATATE 和 18F-Fluciclovine。此研究可避免因CT物理效应不准确导致的PET图像伪影以及降低了CT扫描带来的辐射风险方面具有较大的潜力，有望获得临床转化。

        图中a、b、c分别为为18F-FDG、68Ga-DOTATATE、18F-Fluciclovine三种示踪剂的PET图、µ-CT（基于CT的衰减矫正图）、µ-MLAA（基于MLAA算法的衰减矫正图）和µ-DL（基于我们深度学习模型的衰减矫正图）。与µ-CT图像对比可发现，在三种不同示踪剂的µ-DL图像上解剖细节基本被成功恢复，但是µ-MLAA图像上缺失了很多解剖细节。

邵丹