文献速递神经技术与安全MRPET

MRI深度学习合成淀粉样蛋白PET用于阿尔茨海默病定量

MRI-to-PET synthesis via deep learning for amyloid-β quantification in Alzheimer's disease.
PubMed 文献 · Eur Radiol · 2026-01-07

该研究基于ShareGAN构建三维T1WI合成Aβ PET的深度学习模型,纳入ADNI及中国三家医院共1009例资料。合成PET与真实PET在外部测试集SSIM达0.898与0.899,Aβ阳性/阴性判断准确率为88.5%与89.4%。研究提示MRI合成Aβ PET可作为安全且低成本的Aβ可视化补充工具,用以指导后续真实PET扫描。

要点

  • 合成Aβ PET在外部测试集1的Aβ阳性/阴性判断准确率为88.5%,敏感度97.2%,特异度74.3%。
  • 外部测试集2合成PET准确率为89.4%,敏感度93.9%,特异度78.6%。
  • 合成PET在MCI组特异度为73.2%,HC组特异度为75.0%,存在假阳性风险,不能替代真实PET。

核心结论

  • MRI-based 3D synthetic Aβ PET images can serve as a safe and cost-effective tool for Aβ status visualization。
  • 合成PET可作为支持工具,帮助识别需要进一步接受真实Aβ PET检查的患者。

研究设计与样本

  • 回顾性研究,纳入ADNI数据库及宣武医院、南京市第一医院、河北医科大学第一医院共1009例受试者。
  • 采用ShareGAN深度学习模型,以结构MRI三维T1WI生成Aβ PET图像。
  • 训练集使用ADNI 676例,宣武医院286例作为外部测试集1,南京市第一医院与河北医科大学第一医院共47例作为外部测试集2。
  • 参考标准为真实18F-AV45 PET读取的Aβ状态,合成与真实PET由两名高年资放射科医师盲法评估。

关键影像表现/征象

  • 合成Aβ PET显示与真实Aβ PET高度相似的图像结构、亮度与对比度。
  • Bland–Altman分析显示外部测试集1合成与真实PET SUVR差值为0.037(95%LoA:-0.327至0.400)。
  • 外部测试集2合成与真实PET SUVR差值为0.103(95%LoA:-0.274至0.480)。
  • 合成PET的SUVR分布较真实PET更紧凑,可能与99.7百分位截断归一化有关。

诊断标准与关键数值

  • 外部测试集1 SSIM=0.898,PSNR=34.690 dB,MAE=0.031;外部测试集2 SSIM=0.899,PSNR=34.725 dB,MAE=0.031。
  • 外部测试集1 meta-ROI SUVR相关R=0.758(p<0.001),外部测试集2 R=0.828(p<0.001)。
  • 外部测试集1诊断准确率88.5%、敏感度97.2%、特异度74.3%、F1=91.2%。
  • 亚组准确率:AD 96.5%、MCI 84.4%、HC 75%、VaD 73.7%、bvFTD 75.0%、DLB 100%、SD 75.0%。
  • 36例随访中合成与真实PET的6个月SUVR变化相关R=0.937(p<0.001)。

临床应用与阅片要点

  • 合成PET可用于对AD、MCI、VaD、bvFTD、DLB、SD等多类痴呆进行Aβ阳性或阴性的分诊评估。
  • MCI组与HC组假阳性风险较高,合成PET阴性不能完全排除Aβ沉积,不能取代真实PET确认诊断。
  • 阅片时需注意合成PET的SUVR分布较真实PET更为紧凑,可能掩盖灰质与白质之间的细微Aβ差别。
  • 合成PET更适用于分诊与个体化指导是否需要进一步真实Aβ PET,而非独立诊断依据。

局限性

  • 该研究为回顾性设计,训练与验证数据来自特定设备和扫描参数,跨品类普适性仍需验证。
  • 合成PET在MCI组和HC组特异度分别为73.2%与75.0%,存在假阳性风险。
  • Bland–Altman分析中LoA宽度提示一致性存在一定变异,尤其在SUVR极端值区间。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2026 Jan 7;36(6):5125–37. doi: 10.1007/s00330-025-12251-3

引言

阿尔茨海默病(AD)的特征是淀粉样蛋白-β(Aβ)斑块、磷酸化tau蛋白的沉积以及进行性神经变性[1]。Aβ沉积可在诊断前14–18年被检测到,驱动神经元损伤和临床症状[2–4]。因此,开发可靠、易获取且无创的体内检测和监测脑Aβ病理的方法,对于推进早期诊断、风险分层以及评估新兴疾病修饰疗法的疗效至关重要。目前评估Aβ负荷的可用方法包括脑脊液(CSF)分析、血浆生物标志物和PET成像[5]。然而,由于当前评估Aβ负荷方法固有的局限性,这仍然是一个重大的临床挑战。

CSF生物标志物,如CSF Aβ42/40,具有较高的诊断准确性,被广泛用于反映AD中的Aβ沉积[6]。但CSF分析需要进行有创的腰椎穿刺,且可能无法完全反映局部脑区的Aβ水平。基于血浆的Aβ检测已成为一种更方便且成本效益更高的选择。血浆p-tau217/Aβ42比值的最新进展已显示出准确诊断AD的前景[7, 8]。然而,由于跨平台标准化有限,血浆生物标志物尚不适合单独用于诊断,仍需使用其他方法(如PET)进行确认[9]。Aβ PET成像能够在体内可视化Aβ病理,与神经病理学高度相关。一项尸检研究证实,Aβ PET标准化摄取值比值(SUVR)与Aβ神经病理学改变高度相关[10]。一项早期诊断研究显示,Aβ PET诊断AD的曲线下面积为0.93,区分进展性和稳定性轻度认知障碍(MCI)的曲线下面积为0.83[11]。在当前的AD治疗监测和疗效评估中,特定脑区的Aβ PET定量指标是多种评估体系的关键组成部分[12–14]。尽管具有临床价值,但它受到高成本、设备可及性有限、辐射暴露以及生产短半衰期放射性示踪剂18F-florbetapir(18F-AV45)的物流挑战的制约。

结构MRI常规用于评估大脑结构,如皮层厚度和灰质体积[15, 16]。既往研究已揭示区域Aβ沉积与皮层萎缩之间的关联[17–19]。当Aβ沉积超过衰老大脑的代偿能力时,会导致皮层萎缩加速[20, 21]。最近一项将MRI与载脂蛋白E(APOE)及临床数据相结合的机器学习研究改善了AD预测(曲线下面积从0.84提高到0.89)[22]。然而,大多数研究仅提供Aβ状态的二分类结果,可视化Aβ分布模式仍是准确评估AD所必需的。生成对抗网络(GAN)是一类能够进行跨模态图像合成的深度学习模型,已在将结构MRI转换为类似PET图像方面显示出前景[23–25]。在AD中,GAN主要用于从MRI生成类似18F-氟脱氧葡萄糖(18F-FDG)PET的图像[25–28],而关于Aβ PET合成的研究仍相对较少。此外,Aβ PET图像定量分析的可行性还需进一步研究。鉴于结构MRI的无创性、广泛可及性和成本效益,以及GAN强大的跨模态转换能力,我们选择将这两种模态结合以合成Aβ PET图像。在Wang等人[27]提出的MRI到18F-FDG PET的GAN模型基础上,我们引入了若干改进,以实现从结构MRI生成Aβ PET图像,并进一步探索生成图像在AD中的临床应用价值。

本研究旨在开发一种基于GAN的模型,从结构MRI生成合成Aβ PET图像,评估其与真实Aβ PET的相似性和定量一致性,并评估其作为辅助工具识别可能需要进一步进行真实PET扫描确认的患者的潜力。

材料与方法

研究对象

本研究为回顾性研究,经中国首都医科大学宣武医院伦理委员会批准。所有参与者或其法定监护人在研究开始前均签署了书面知情同意书。

本研究共纳入1009例受试者,分为训练集、验证集、外部测试集1和外部测试集2(图1)。训练集用于模型训练,验证集用于模型超参数优化,外部测试集1和2用于模型性能评估。

收集了2010年4月至2023年1月阿尔茨海默病神经影像学倡议(ADNI)数据库中676例参与者的数据集。该数据集包括18F-AV45 PET和配对的高分辨率T1加权成像(3D T1WI)。MRI与PET扫描之间的时间间隔小于30天。我们还收集了2023年3月至2024年2月首都医科大学宣武医院286例参与者的数据集,作为外部测试集1。分别于2022年12月至2024年5月在南京市第一医院和2023年8月至2024年5月在河北医科大学第一医院获得32例和15例参与者的数据集,用作外部测试集2。

所有纳入的数据包括健康对照(HC)、轻度认知障碍(MCI)和阿尔茨海默病(AD),其中来自宣武医院的数据(外部测试集1)还包括血管性痴呆(VaD)、行为变异型额颞叶痴呆(bvFTD)、路易体痴呆(DLB)和语义性痴呆(SD)。纳入和排除标准的更多细节见补充材料第1节和第2节。

18F-AV45 PET和3D T1WI成像数据使用同时PET/MR 3.0-Tesla系统(uPMR 790,联影医疗;Signa,GE医疗)以及Siemens Biograph mCT PET扫描仪、Siemens Magnetom Prisma 3-T扫描仪采集。采集参数详见补充材料第3节。

图1 本研究参与者筛选流程图。多中心医院包括南京医科大学附属南京第一医院和河北医科大学第一医院。ADNI,阿尔茨海默病神经影像学倡议;n,例数;MRI,磁共振成像;PET,正电子发射断层扫描;DICOM,医学数字成像与通信 查看原图 ↗

预处理

使用MATLAB(The MathWorks Inc.)中的统计参数图工具包(SPM12,Wellcome影像神经科学系)进行预处理。将18F-AV45 PET配准到配对的3D T1WI上,然后将MRI图像标准化到蒙特利尔神经病学研究所(MNI)空间。将相同的微分同胚映射应用于PET图像,将其转换到MNI空间。使用MNI空间的脑掩模对MRI和PET图像进行滤波,以去除背景和颅骨。18F-AV45 PET的SUVR图以小脑皮层为参照计算。此外,高于第99.7百分位的值被截断(替换为第99.7百分位值),负值设为0。随后,通过平铺和裁剪将MRI和PET图像的分辨率转换为256 × 256 × 256。

深度学习

我们的框架是一个联合学习框架[27],结合了跨模态合成(MRI到PET)和预训练诊断网络,用于无辐射的Aβ沉积评估(图2)。这个基于3D T1WI的模型称为共享参数GAN(ShareGAN),学习图像轮廓、体素强度及其空间分布,以建立结构MRI与相应Aβ PET图像之间的映射,从而能够在解剖匹配的位置生成合成PET。

训练分两个阶段进行。阶段1(预训练):在真实PET上训练一个3D-DenseNet分类器[29](输入:256 × 256 × 256),用于Aβ阳性和阴性的分类。阶段2(联合训练):冻结的分类器协同优化一个双向合成网络——使用一个由自适应实例归一化[30]调制的单一共享生成器,从MRI合成PET以及从PET合成MRI(224 × 224 × 224随机裁剪)。合成PET和MRI通过对抗损失(PatchGAN判别器[31])进行优化。此外,合成PET还通过分类损失(3D-DenseNet分类器)进行优化以增强真实性,并通过诊断损失使Aβ分类与真实PET保持一致。

在推理阶段,输入MRI(256 × 256 × 256)经过固定步长裁剪(224 × 224 × 224,步长32)。子体积由PET生成器合成,然后通过基于掩模的填充和重叠区域平均重建为无缝的全脑PET(256 × 256 × 256)。模型训练和推理阶段的更多细节见补充材料第4节。

图2 基于ShareGAN的3D合成Aβ PET深度学习方法。训练阶段展示了所提出的联合学习框架。推理阶段展示了利用PET生成器从真实MRI生成合成PET的逻辑过程。合成PET和合成MRI:将一种模态的真实数据输入相应生成器所生成的跨模态图像。身份PET和身份MRI:将合成数据反馈回生成器所重建的图像。重建PET和重建MRI:将合成数据反馈回生成器所重建的图像。MixPET:诊断模型的输入,由合成/身份PET与PET组成。绿色箭头表示跨模态合成路径的工作流程。橙色箭头表示重建路径的工作流程。黑色箭头表示身份路径的工作流程。蓝色箭头表示判别路径的工作流程。粉色箭头表示分类器路径的工作流程。LGAN,对抗损失;LCycle,循环一致性损失;Lidentity,身份损失;LCls,分类损失;AdaIN,自适应实例归一化;MRI,磁共振成像;Aβ,β-淀粉样蛋白;PET,正电子发射断层扫描;ShareGAN,共享参数的生成对抗网络。 查看原图 ↗

模型评估

使用定量指标评估3D合成Aβ PET的图像质量,包括结构相似性指数(SSIM)、峰值信噪比(PSNR)、平均绝对误差(MAE),并计算其各自的平均值。

在外部测试集1和外部测试集2中,对合成Aβ PET图像与真实Aβ PET图像在感兴趣区元区域(meta-ROI)的SUVR进行Pearson相关系数和Bland-Altman分析。Meta-ROI由额叶、颞叶、顶叶、楔前叶、前纹状体和岛叶皮质组成[32]。

3D合成Aβ PET和真实Aβ PET均经匿名化处理后随机分配给两位资深放射科医师,由其评估Aβ状态并达成一致意见,如意见不一致则由第三方复核。从真实Aβ PET读取的Aβ状态被视为金标准。

纵向随访评估

来自宣武医院的数据中,36例AD/MCI患者在基线PET/MR检查后6个月接受了随访检查。利用基线和随访数据,我们分别计算了真实PET和合成PET的SUVR纵向变化。此外,我们进行了相关性分析,以评估两种成像模态所测SUVR变化之间的关系。

统计分析

人口统计学特征之间的差异采用SPSS 26软件进行比较。采用Kolmogorov-Smirnov检验评估连续变量的分布。为比较两组间连续变量(包括SSIM、PSNR和MAE)的组间差异,对符合正态分布的数据采用两样本t检验,对不符合正态分布的数据采用Wilcoxon检验。采用单因素方差分析(ANOVA)比较多于两组间SSIM、PSNR和MAE的组间差异,并通过事后比较验证任意两组间的差异。统计学显著性以p < 0.05为判定标准。

使用混淆矩阵评估Aβ沉积诊断的可靠性。计算准确率、灵敏度、特异度和F1分数,以评价3D合成Aβ PET的诊断效能。

结果

数据集特征

训练集、验证集和外部测试集2由AD、MCI患者及HC参与者组成。外部测试集1由AD、MCI、HC参与者及54例其他类型痴呆患者组成,包括VaD、bvFTD、DLB和SD。表1提供了参与者人口统计学详细信息。

表1 参与者人口统计学及临床特征 查看原表 ↗

定量评估

总体而言,合成PET与真实PET在外部测试集1中显示出高度相似性,平均SSIM = 0.898,PSNR = 34.690 dB,MAE = 0.031。在外部测试集1各亚组的定量评估中,AD组SSIM = 0.895,PSNR = 34.473 dB,MAE = 0.033;MCI组SSIM = 0.900,PSNR = 34.854,MAE = 0.030;HC组SSIM = 0.905,PSNR = 35.329,MAE = 0.027。此外,VaD组、bvFTD组、DLB组和SD组在所有指标上均显示出高质量表现(表2)。在外部测试集2中,SSIM为0.899,PSNR为34.725 dB,MAE为0.031。观测到的SUVR值范围为0.836至2.130。代表性病例见图3,各类痴呆的其他病例见补充材料第5节。

此外,方差分析显示,外部测试集1中AD、MCI和HC组之间的SSIM、PSNR和MAE存在显著差异(p < 0.001,表3)。SSIM和PSNR呈递增趋势,而MAE呈递减趋势。这提示早期AD的合成PET图像质量优于晚期AD。就性别而言,男性和女性之间的SSIM(p = 0.005)和PSNR(p = 0.015)存在显著差异。此外,男性和女性AD患者之间的SSIM存在显著差异(p = 0.026)。MCI和HC组未发现显著差异。更多详细信息见表4。APOE ε4对AD和MCI组无显著影响(补充材料第6节)。

Bland–Altman图显示较窄的一致性界限(LoA)且无系统偏倚(图4)。对于外部测试集1(图4A),平均差异(合成 − 真实SUVR)为0.037(95% LoA:−0.327至0.400)。对于外部测试集2(图4B),平均差异为0.103(95% LoA:−0.274至0.480)。虽然平均差异无统计学意义,但LoA宽度提示一致性存在中等程度的变异性。在量化Aβ沉积方面,3D合成Aβ PET与真实Aβ PET的SUVR在外部测试集1(R = 0.758,p < 0.001,图4A)和外部测试集2(R = 0.828,p < 0.001,图4B)中均显示出显著相关性。此外,全脑体素级Pearson相关分析显示,外部测试集1的平均相关系数为R = 0.771(p < 0.001),外部测试集2为R = 0.785(p < 0.001)(补充材料第7节)。

图3 两名受试者的代表性模型生成合成PET图像。面板中可见4列:MRI输入图像(左)、真实PET图像(中左)、合成PET图像(中右)以及真实与合成PET之间的误差图(右)。真实和合成PET的颜色条代表SUVR浓度,误差图颜色条为SUVR差值。AD,阿尔茨海默病;Aβ,β-淀粉样蛋白;HC,健康对照;MMSE,简易精神状态检查;APOE,载脂蛋白E;3D T1WI,高分辨率T1加权成像;PET,正电子发射断层扫描;diff,差值;△SUVR,标准化摄取值比差值;SSIM,结构相似性指数;PSNR,峰值信噪比;MAE,平均绝对误差 查看原图 ↗
表2 3D合成Aβ PET图像质量的定量评估 查看原表 ↗
表3 基于ANOVA的AD、MCI和HC组间3D合成Aβ PET图像质量比较 查看原表 ↗
表4 AD、MCI和HC组中3D合成Aβ PET图像质量性别差异的双样本t检验分析 查看原表 ↗
图4 3D合成Aβ PET SUVR的评估。上排,小提琴图显示合成和真实PET中Aβ PET SUVR的分布。中排,相关图及线性回归方程、Pearson相关系数(R)和p值。下排,Bland-Altman图分析合成与真实PET定量之间的系统差异。A 外部测试集1的小提琴图、相关图和Bland-Altman图。B 外部测试集2的小提琴图、相关图和Bland-Altman图。Aβ,β-淀粉样蛋白;PET,正电子发射断层扫描;SUVR,标准化摄取值比;diff,差值;StD,标准差 查看原图 ↗

诊断评估

来自宣武医院受试者的共286张3D合成Aβ PET图像用于临床视觉诊断,以评估其诊断性能。在外部测试集1中,合成图像的总体准确率为88.5%,敏感性为97.2%,特异性为74.3%,F1评分为91.2%。各亚组的准确率如下:AD组为96.5%,MCI组为84.4%,HC组为75%,VaD组为73.7%,bvFTD组为75.0%,DLB组为100%,SD组为75.0%。基于合成PET的诊断更多详细信息(包括混淆矩阵)见表5和补充材料第8节。

来自南京市第一医院和河北医科大学第一医院的47名受试者的合成PET和真实PET图像作为外部测试集2用于评估诊断性能。准确率为89.4%,敏感性为93.9%,特异性为78.6%,F1评分为92.5%。

表5 3D合成Aβ PET评估不同痴呆类型Aβ状态的诊断性能 查看原表 ↗

纵向变化评估

真实Aβ PET的随访分析显示平均SUVR变化为−0.065,而合成Aβ PET为−0.052。合成PET与真实PET之间纵向SUVR变化的相关性为R = 0.937,p < 0.001。随访时的合成PET具有SSIM = 0.903、PSNR = 35.172 dB和MAE = 0.029(图5)。

图5 合成Aβ PET随访数据分析。A 基线与6个月随访时Aβ PET SUVR的分布。B 合成PET测量的SUVR变化与真实PET测量的SUVR变化之间的相关性。基线与6个月随访时获取的合成PET图像的SSIM(C)、PSNR(D)和MAE(E)分布。Aβ,β-淀粉样蛋白;PET,正电子发射断层扫描;SSIM,结构相似性指数;PSNR,峰值信噪比;MAE,平均绝对误差;SUVR,标准化摄取值比;△,差值 查看原图 ↗

讨论

在本研究中,我们开发了一个基于ShareGAN的脑PET图像到图像模型,该模型可从3D T1WI生成3D Aβ PET样图像,为真实Aβ PET成像提供了一种无创、可及且成本效益高的补充方法。在定量图像质量评估中,ShareGAN模型生成的3D合成Aβ PET图像与真实Aβ PET图像相当。基于合成PET的诊断对AD以及其他类型痴呆(包括VaD、bvFTD、DLB和SD)中的Aβ状态提供了良好且稳定的诊断准确性。在Aβ PET SUVR分析中,合成PET与真实PET表现出高度一致性,并与随访数据中的纵向变化呈现强相关性。这些发现表明,所提出的模型可作为AD诊断和监测的辅助工具,帮助识别需要进一步进行Aβ PET成像的患者。

就定量图像评估指标(包括SSIM、PSNR和MAE)而言,我们的合成PET对Aβ PET具有高度的再现性。SSIM反映图像在结构、亮度和对比度方面的整体表现,而PSNR是基于图像像素差异使用最广泛的评估指标[33]。与既往合成Aβ PET研究(SSIM = 0.905,PSNR = 22.685)[34]相比,我们的研究具有相似的SSIM(0.898)和显著提升的PSNR(34.690)。重要的是,他们研究中的合成Aβ PET是在二维空间中使用轴位图像训练的2D图像。相比之下,我们的方法生成了与临床3D PET高度相似的3D合成PET,从而保留了所有平面的关键信息。这突显了本研究对实现全面3D分析的重视,从而确保结果的精确性。Ou等人[35]同样从3D T1WI生成Aβ PET,使用的数据集包含82例AD患者、125例MCI患者和303名HC参与者。与他们的模型相比,我们的模型在PSNR上实现了33.5%的提升,同时在SSIM和MAE方面保持了相当的性能。在Aβ状态的诊断准确性方面,他们的模型达到了86.6%的准确率,而我们的为88.5%,表明诊断效能相当。重要的是,我们的研究更进一步,对MCI患者进行了亚组分析,证明我们的模型在AD早期阶段的应用也具有前景。此外,对其他痴呆亚型的评估为模型在不同痴呆人群中潜在的可推广性提供了初步支持。

Bland–Altman分析显示合成的与真实的PET SUVR值之间具有良好一致性,一致性界限相对较窄。图中观察到的正斜率可能归因于模型中的强度归一化步骤,该步骤将SUVR值截断于第99.7百分位数,以稳定训练并减少极端离群值的影响,从而增强模型的稳健性。此外,我们观察到合成PET中的SUVR分布比真实PET更为紧凑,这很可能出于同一原因。然而,这并未影响图像的视觉可判读性,合成PET的整体诊断性能仍然很高,支持其在AD中用于Aβ评估的适用性。值得注意的是,MCI组的诊断特异度为73.2%,HC组为75.0%,表明在这些人群中存在Aβ分类假阳性的潜在风险。然而,由于所提出的方法旨在作为一种辅助工具而非真实PET的替代品,它可使MCI组中73.2%的个体和HC组中75.0%的个体避免不必要的PET相关辐射暴露。其余分别占26.8%和25.0%的个体可接受确证性PET扫描,以降低假阳性风险。我们的研究在外部测试集1上的总体准确率为88.5%,在外部测试集2上为89.3%。AD、MCI、HC、VaD、bvFTD、DLB和SD组的准确率范围为73.7%至100%。此外,我们的模型在各种类型痴呆中的良好诊断性能表明,通过在更大样本量上训练,我们的合成Aβ PET模型有潜力为无法获得此类成像的痴呆患者补充Aβ PET数据。本研究开发的合成PET能够提供与真实Aβ PET高度相似的Aβ沉积分布。这为视觉诊断和进一步的定量分析提供了可靠性和可解释性。

本研究生成的合成PET也支持定量分析。就Aβ PET SUVR参数而言,合成PET在外部测试集1和外部测试集2中均与真实PET表现出高度一致性和强相关性。此外,我们的纵向随访数据显示,通过合成PET测量的SUVR随时间的变化与通过真实PET测量的变化高度相关。随访组中的所有患者均接受了lecanemab治疗,在6个月随访时,通过真实PET和合成PET测量的平均SUVR值均较基线有所下降。这些发现表明,合成PET可作为监测治疗效果的一种补充工具,同时可能减少患者接受PET相关辐射的暴露。

性别作为AD中的一个关键因素,也显著影响了我们的ShareGAN模型。在AD组中,我们发现男性受试者的SSIM和PSNR(SSIM = 0.899;PSNR = 34.804 dB)高于女性受试者(SSIM = 0.896,p = 0.005;PSNR = 34.587 dB,p = 0.015)。对AD、MCI和HC参与者的进一步分析显示,男性AD患者的SSIM(SSIM = 0.897)高于女性AD患者(SSIM = 0.894,p = 0.026)。既往研究表明,女性面临更高的AD风险和严重程度[36–38]。这提示图像质量的差异可能是由于女性AD患者因AD导致的更严重的脑萎缩所致。这也解释了我们的研究结果,即SSIM和PSNR在HC、MCI和AD中随疾病进展呈下降趋势(p < 0.001)。在MCI和HC中未观察到图像质量的性别差异,可能是由于其疾病阶段较早且参与者数量较AD少。尽管如此,我们强调这些统计学差异不太可能影响临床实用性或对生成图像的人眼视觉判读。

本研究存在若干局限性。首先,VaD、bvFTD、DLB和SD患者的数量仅占招募受试者的一小部分。因此,本研究中基于ShareGAN的图像到图像模型在非AD痴呆中的普适性需要更大的样本量来验证。其次,尽管我们的模型展示了追踪纵向Aβ变化的能力,但纵向评估基于适度的样本量(n = 36),需要更大规模随访队列的进一步研究来确认时间性能的稳健性。最后,由于所提出的方法旨在作为辅助工具而非真实PET的替代品,合成PET用于识别MCI中Aβ状态的诊断特异性需要通过增加样本量和算法优化来进一步提高。

总之,我们构建了一个基于ShareGAN的图像到图像模型,用于从3D T1WI生成3D合成Aβ PET,展示了与真实PET相当的图像质量,并取得了令人满意的Aβ状态诊断准确性。随着进一步的完善和验证,该模型有潜力成为一种有前景的、快速且具有成本效益的辅助工具,用于在临床环境中进行类似Aβ PET的成像。它可以帮助在那些作为PET候选者的具有主观或疑似的认知障碍高风险个体中,识别出真正需要真实Aβ PET扫描的人,从而提高早期AD筛查的可及性。

补充信息

电子补充材料

引用

  1. Chen, Bi, Shan, et al. MRI-to-PET synthesis via deep learning for amyloid-β quantification in Alzheimer's disease. Eur Radiol. 2026. PMID: 41495456. doi:10.1007/s00330-025-12251-3
  2. 全文:PMC13212758(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212758/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。