基于MR结构图像引导的脑部PET直接4D生理学参数图像重建算法研究

Combining an appropriate tracer and kinetic model, dynamic PET imaging can provide physiological parameters, which are very helpful in early diagnosis, treatment monitoring and new drug development for neurodegenerative disease. The conventional way to produce kinetic parameters includes two steps. The first step is to divide the dynamic PET raw data into different time frames and produce 3D activity images using a 3D static reconstruction method, and the second step is to reconstruct kinetic parameter images based on each voxel’s time activity curve using an appropriate tracer kinetic modeling. Due to the amount limit of tracer injection and physical limit of PET system, the reconstructed activity images have poor spatial resolution and low signal-to-noise ratio. Moreover, the following reconstructed kinetic parameter images become worse after tracer kinetic modeling. In order to alleviate this problem, direct 4D kinetic parameters reconstruction method from dynamic PET raw data have been proposed by incorporating the tracer kinetic model into the projection model of PET. Typically, structural MR image has much higher spatial resolution and signal-to-noise ratio than PET image. This project aims to improve kinetic parameters estimation for brain imaging by a MR-guided direct 4D parametric image reconstruction method and to develop a practical scatter correction for 4D PET, which potentially lowers injected dose and radiation exposure to subjects and expands PET/MR applications.

结合合适的示踪剂和动力学模型，正电子发射断层成像（PET）动态扫描所重建的生理学参数是神经退化性疾病的早期精准诊断、疗效评估以及新药研发的一种重要评估指标。传统方法包括两个步骤：1. PET原始数据分成不同时间帧，然后进行每帧静态3D图像重建；2. 依据动力学模型，对每个像素的时间示踪剂浓度曲线进行数据拟合产生生理学参数。由于PET系统物理性能限制，重建所得到浓度分布图像信噪比和分辨率较差，而由此得到的生理学参数图像质量进一步变差。直接4D生理学参数图像重建算法旨在解决这一问题，它是将动力学模型嵌入到PET成像投影物理模型，通过统计学方法从PET原始数据直接产生生理学参数。相对PET来说，磁共振（MR）在脑部结构成像方面更具高分辨率和高信噪比的优势。本项目拟开展MR结构图像引导的直接4D重建算法和动态散射校正研究，以提高重建图像质量、减少示踪剂注射量、减少辐射以及扩展PET/MR用途。

背景：.PET动态扫描能够无创地反映脑内的生物化学过程，对探测脑部疾病的病因，早期诊断和指导治疗有重要价值。相比传统方法，将动力学模型嵌入到PET成像投影物理模型形成的直接4D成像算法能够更好地得到生理学参数图像，但将4D PET成像进行实际应用面临很多挑战，包括动态散射校正、提高图像质量和低剂量成像，基于此，本项目主要对动态散射校正、利用人工智能算法和高分辨率的MR图像提升脑PET成像质量进行了相关研究。..主要研究内容：.围绕着制约4D PET成像在临床应用中的瓶颈问题，展开数据采集、物理因素校正、图像重建算法和图像分析方面的研究工作，主要研究内容包括：.1.散射校正是实现定量化PET成像的关键物理因素校正，本部分研究建立了一种用于直接四维PET图像重建的散射校正方法。.2.受制于现有硬件条件，相比于结构成像（CT或MRI），PET图像信噪比和分辨率要差，本部分研究通过利用高分辨率MRI图像以及人工智能技术提升PET图像分辨率和实现低剂量PET成像。.3.开发基于脑PET定量分析算法研究，从而拓展4D 脑PET成像的临床应用。..重要结果和关键数据及科学意义：提出了一种深度学习模型来实现快速而精准的四维PET显像的动态散射校正方法。 该方法的计算效率比单次散射模拟法快10倍，精度与单次散射模拟法类似，误差小于1%；提出一种监督式卷积神经网络用于全身PET低剂量成像研究，在不影响诊断和定量分析指标的情况下能够显著降低剂量；提出一种基于MR梯度信息和深度学习方法引导的PET图像部分容积校正方法，提升PET图像分别率；在4D方法中，动态散射校正采用本研究团队前期提出的技术，并利用深度学习网络技术降低剂量，结果表明无论是偏差和噪音，在降低剂量10倍的情况下，结合卷积神经网络算法的直接4D方法要优于传统的方法，大幅度降低辐射；针对PET脑影像数据提出了一种新的图论分析算法。这些研究有助于直接4D PET脑成像应用于临床和利用PET成像研究脑科学健康人群队列奠定基础。