前言

多模態(tài)信息通常用于診斷或研究的目的，因為每種成像技術提供了互補的信息，例如有關解剖學、生理學或代謝的信息。正電子發(fā)射斷層掃描(PET)測量體內(nèi)特定分子的分布和濃度，磁共振成像(MRI)反映質(zhì)子密度和組織弛豫時間，計算機斷層掃描(CT)繪制組織的電子密度。

成像硬件的不斷發(fā)展能夠適應不斷變化的需求。這種技術上的進步帶來了更快的采集速度、更高的空間分辨率和更好的圖像對比度。與此同時，人們也努力開發(fā)一體化設備，可在同一成像過程中結(jié)合兩種不同成像方式來獲取互補信息，以解決各自的技術限制，最大限度地方便患者，并盡量減少兩個數(shù)據(jù)集之間的空間失真。

最初，精確對準分子和解剖圖像的需求促使了PET/CT掃描儀的發(fā)展。雖然PET/CT掃描儀在臨床上迅速得到廣泛應用，但由于技術和方法上的挑戰(zhàn)，一體化PET/MRI的開發(fā)和應用進展卻較慢。事實上，結(jié)合PET和MRI的可能性在1991年被首次提及，同步數(shù)據(jù)采集于1997年首次進行了在體實驗演示。

一體化PET/MRI系統(tǒng)

人們考慮了幾種整合PET和MRI的設計。最早的MR兼容PET系統(tǒng)采用光電倍增管(PMTs)與閃爍晶體相結(jié)合，將湮滅光子轉(zhuǎn)換為電信號。然而，由于PMTs對磁場非常敏感，它們必須位于磁體外部，并使用長光纖將它們與放置在孔內(nèi)的閃爍晶體耦合。Garlick等人(1997)使用該概念的小型動物掃描儀首次同時獲得了PET圖像和31P核磁共振譜。盡管隨后提出了一些改進方法，但基于PMT的方法性能有限，并且僅用于小動物的概念驗證成像研究。實際上，第一臺基于PMT的人體全身PET/MRI掃描儀——Philips TF Ingenuity(Philips Healthcare，Amsterdam，Netherlands)僅允許順序成像。為此，將單獨的、經(jīng)過最小改進的PET和MRI掃描儀放置在同一房間，共用一張轉(zhuǎn)運床但保持足夠的距離以最小化電磁干擾。利用軟件將各模態(tài)獨立采集的數(shù)據(jù)進行融合。

基于固態(tài)半導體的光電傳感器(稱為雪崩光電二極管，APDs)的發(fā)展保持了PMTs的光敏度，而且對磁場不敏感，允許PET探測器放置在MRI掃描儀的孔中。這使得同步數(shù)據(jù)采集成為可能，并最終將其擴展到人類被試。

首先開發(fā)了幾種適用于高場小動物MRI系統(tǒng)的基于APD的PET/MRI插件。在臨床前領域取得這些進展的同時，為了開發(fā)一個完全集成的PET/MRI掃描儀，西門子醫(yī)療(Erlangen，Germany)推出了一種用于人類腦成像的3T MR兼容PET插入物，名為BrainPET。BrainPET原型的內(nèi)徑為36cm，軸向視場約為19cm，可以在一個床位上對整個人腦進行成像。在BrainPET內(nèi)放置兩個MRI頭部射頻線圈，旨在使511 keV光子的衰減最小化。在2007年至2010年間，全球僅安裝了四臺BrainPET原型設備，分別位于德國的圖賓根大學(Tübingen，Germany)、麻省總醫(yī)院Athinoula A. Martinos生物醫(yī)學成像中心(Charlestown，MA. USA)、德國于利希研究中心(Jülich，Germany)和埃默里大學(Atlanta，GA，USA)。

西門子還推出了第一個完全集成的全身PET/MRI系統(tǒng)，名為Biograph mMR。在這個掃描儀中，基于APD的PET探測器位于梯度線圈和射頻線圈之間，數(shù)據(jù)采集軟件也完全集成。PET探測器模塊由8×8陣列的4×4×20 mm3?LSO晶體構成，由一個3×3 APDs陣列讀出。這些模塊排列成八個環(huán)，每個環(huán)有56個探測器，橫向視野為59.4cm和軸向視野為25.8cm。該系統(tǒng)還集成了水基冷卻系統(tǒng)，以確保即使在運行最苛刻的MRI序列時也能獲得最佳PET性能。該MRI系統(tǒng)基于西門子Magnetom 3T Verio MRI掃描儀，孔徑為70cm。在性能方面，mMR的PET成像組件與當時的PET/CT掃描儀(例如西門子mCT)相似。西門子Biograph mMR系統(tǒng)于2011年獲得了CE標志和FDA批準。第一臺系統(tǒng)于2010年安裝在慕尼黑工業(yè)大學(Munich，Germany)，第二臺系統(tǒng)于2011年安裝在麻省總醫(yī)院Athinoula A. Martinos生物醫(yī)學成像中心(Charlestown，MA. USA)。

雖然APDs允許開發(fā)用于人體成像的完全集成PET/MRI掃描儀，但其性能與PMTs相比較差，特別是在時間分辨率方面。因此，Biograph mMR不具備飛行時間(TOF)功能，TOF指的是能夠非常準確地測量兩個光子到達時間的差異(＜1ns)，從而估計沿響應線正電子-電子湮滅的位置。在圖像重建中包含TOF信息將減少湮滅位置的不確定性，從整個響應線方向上的分布改變?yōu)閲@真實位置的高斯概率分布，該分布的形狀由FWHM時間分辨率決定。TOF成像需要專門的重建算法，但得到的圖像信噪比更高。

在Biograph mMR開發(fā)的同時，一種名為蓋革模式APD(G-APD，也常被稱為硅光電倍增器，SiPMs)的新型光子探測器成功地應用于PET。它們具有與PMT相當?shù)男阅芴卣?，包括?yōu)良的時間性能，并且不易受磁場的影響。與基于PMT和APD系統(tǒng)的早期發(fā)展相似，一些基于SiPM的原型最初用于小動物成像。最終，通用電氣醫(yī)療集團(Waukesha，WI，USA)推出了第一臺TOF全身一體化PET/MRI掃描儀——Signa TOF PET/MRI。PET探測器機架的橫向視野和軸向視野分別為60cm和25cm。它是為適應GE Discovery 750w 3T MRI掃描儀的機體射頻線圈和MRI梯度集而設計的，由5個環(huán)和112個探測器模塊(LYSO耦合到SiPMs陣列)組成。Signa TOF PET/MRI的PET成像組件在徑向、切向和軸向空間分辨率分別為4.4、4.1和5.3mm FWHM，噪聲等效計數(shù)率在17.8kBq/mL時達到峰值218kcps，散射分數(shù)為43.6%，靈敏度為23.3cps/kBq。時間分辨率＜400ps。GE Signa TOF PET/MRI系統(tǒng)在2014年也獲得了510K認證和CE標志，2014年首次安裝在斯坦福大學(Palo Alto，CA，USA)、加州大學舊金山分校(San Francisco，CA，USA)和蘇黎世大學(Zurich，Switzerland)。

在2017年左右，聯(lián)影醫(yī)療(中國上海)推出的uPMR 790是具有高精度融合的一體化TOF PET/MR系統(tǒng)，該系統(tǒng)將具有TOF功能的SiPM探測器集成到3T MR掃描儀中。PET探測器的橫向視野和軸向視野分別為60cm和32cm。PET探測器系統(tǒng)安裝在uMR 780的梯度線圈和射頻線圈之間，完整的PET環(huán)由20個模塊組成，每個模塊有5×14個blocks，其中14個blocks沿軸向方向；每個單獨的block包含四個SiPM探測器通道，外加15.5×2.76×2.76 mm3的LYSO晶體組成的7×8陣列。uPMR 790 HD TOF PET/MRI的PET成像組件在徑向、切向和軸向空間分辨率分別為2.72、2.86和2.81mm FWHM，噪聲等效計數(shù)率在14.7kBq/mL時達到峰值129.2kcps，散射分數(shù)為37.9%，靈敏度為15.9cps/kBq，時間分辨率為474ps。uPMR 790 HD TOF PET/MRI掃描儀于2019年獲得FDA批準。

綜上所述，西門子、通用電氣和聯(lián)影是目前提供能夠同時采集數(shù)據(jù)的一體化PET/MRI系統(tǒng)的設備制造商(圖1)。表1總結(jié)了這些系統(tǒng)的主要技術和性能特點。

傳統(tǒng)方法

衰減校正

湮滅光子在到達PET探測器之前很有可能與目標發(fā)生相互作用。因此，在特定的響應線中，檢測到的光子數(shù)量會減少或“衰減”。這導致了對位于身體中心附近的結(jié)構中放射性藥物濃度的低估，同時也產(chǎn)生了圖像偽影。與此相關的是，湮滅光子可以發(fā)生康普頓散射，但仍能到達PET探測器。這些散射光子被分配到不同的響應線，導致對比度下降。為了生成反映放射性藥物真實分布的定量圖像并減少偽影，需要對這兩種物理現(xiàn)象進行精確校正。如果已知物體的性質(zhì)，則可以估計出沿每條響應線的光子衰減。然而，這在一體化PET/MRI系統(tǒng)中具有挑戰(zhàn)性，因為組織線性衰減系數(shù)與MRI信號強度之間不存在直接關系。

磁頭衰減校正

早期的研究主要集中在解決頭部問題，可以根據(jù)分割和基于圖譜的方法進行大致分類。前一種方法用于進行組織估計和分類。后一種方法用于生成詳細的偽CT圖。為此，人們提出了多種方法，如用于匹配MRI和CT數(shù)據(jù)的圖像配準和模式識別技術；基于圖譜的方法(依賴于參數(shù)圖譜的非剛性配準)；基于(非參數(shù)多圖譜的)非剛性配準的增強方法；以及基于圖像塊的標簽融合方法。

Ladefoged等人(2017)采用多中心337例腦PET/MRI和同日低劑量CT數(shù)據(jù)，對11種頭部衰減圖生成方法進行了評估。盡管這些方法在穩(wěn)健性和異常值方面存在差異，但總的來說，所有測試的方法與基于CT方法的平均誤差在5%以內(nèi)。該研究表明，在正常解剖結(jié)構的成人大腦中提高MR(衰減校正)準確性的挑戰(zhàn)已經(jīng)達到了一個可接受的量化程度，這比PET成像中量化分析的可重復性要小(如圖2所示)。

全身衰減校正

將這些方法應用到其他身體部位并非易事。因為在形態(tài)、體重指數(shù)、病理學、性別等方面，個體之間的差異更大，使得難以創(chuàng)建令人滿意地能夠描述整個人群的全身圖譜。此外，利用圖譜進行全身衰減校正需要結(jié)合剛性和非剛性配準。因此，當應用于全身衰減校正時，這些方法大多表現(xiàn)不佳。人們已經(jīng)嘗試使用各種方法來應對這一挑戰(zhàn)。例如，使用多個MRI序列(Dixon和零回波時間，ZTE)獲得的數(shù)據(jù)，采用半自動方法生成骨盆的偽CT圖像。

使用上述方法生成胸部的衰減圖時更具挑戰(zhàn)性，因為胸部解剖結(jié)構更加復雜，且存在固有的心臟和呼吸運動。此外，肺的衰減特性在個體內(nèi)部和個體之間都有差異，也受到呼吸相、患者體位、病理變化等因素的影響。呼吸和心臟運動可能會導致衰減圖與發(fā)射數(shù)據(jù)之間的錯位，從而導致PET數(shù)據(jù)量化不當。

雖然在校正過程中應考慮PET視野中所有身體部位的衰減情況，但由于MRI掃描儀的橫軸向視野較小(通常限制在50cm以避免圖像失真)，手臂(甚至對于體型較大的患者，還可能有其他身體部位)通常被截斷。這導致PET測量值被低估了10%-25%。可以使用衰減和活度的最大似然重建(MLAA)，或使用專用MRI序列(如HUGE)來推斷被截斷的手臂。

還應該注意的是，金屬植入物會導致基于MR的衰減圖失真。這些問題可以通過使用專門的MRI序列(例如，MAVRIC或SEMAC序列)對金屬植入物附近進行成像，通過圖像后處理方法恢復丟失的信號，或基于發(fā)射和衰減的聯(lián)合估計來完善衰減圖，從而最小化這些問題。

運動校正

由于患者難以在長時間內(nèi)保持靜止，從而導致自主或非自主的運動，以及生理過程(例如，由于心臟收縮而發(fā)生的形變、呼吸引起的內(nèi)臟位移、吞咽、膀胱充盈、蠕動等)所引起的運動。運動會導致PET圖像模糊，從而抵消了使用高空間分辨率掃描儀帶來的好處，造成定量結(jié)果偏差，當運動幅度較大時會產(chǎn)生嚴重的偽影，并造成PET和MRI數(shù)據(jù)之間不匹配的情況。同時采集的MRI數(shù)據(jù)可用于獲得高時間分辨率的運動估計，并用于PET運動校正。為此，發(fā)射數(shù)據(jù)通常分為受運動影響最小的短frames/bins。利用MRI數(shù)據(jù)來表征感興趣器官相對于每個無運動幀(參考位置)的位移。隨后，使用各種算法在圖像重建之前、期間或之后執(zhí)行PET運動校正。

頭動校正

腦成像主要受頭部剛體運動的影響，該運動可以用六個自由度來描述(即沿主軸的三個平移和三個旋轉(zhuǎn))。雖然MRI射頻線圈和一體化PET/MRI掃描儀中使用的頭部約束裝置(墊子和墊片)可以限制頭部運動，但在常規(guī)研究中仍然可能出現(xiàn)高達20mm的平移和4度的旋轉(zhuǎn)。

最初的MRI輔助PET運動校正研究是使用BrainPET原型進行的，該原型使用了從同時采集的回波平面成像(EPI)序列和嵌入式導航器中提取的運動估計。在這兩種情況下，PET圖像重建之前都使用運動估計對響應線進行變換。在運動校正后，PET圖像得到了顯著改善。運動估計也可以從在其他MRI序列之間獲得的基于EPI的導航器或直接從標準形態(tài)學MRI序列獲得的數(shù)據(jù)中推導出來。雖然這些方法只需要對標準數(shù)據(jù)采集協(xié)議進行最小改動，但運動估計的時間分辨率較低，并且無法考慮序列內(nèi)的運動。

呼吸運動矯正

全身PET成像受呼吸運動的影響。在正常呼吸過程中，橫隔膜在上下方向移動7-28mm，導致胸腹部內(nèi)臟發(fā)生位移和變形。即使在自由呼吸時，心臟也會在4.9-9mm的范圍內(nèi)進行剛體運動。盡管呼吸具有明顯的周期性，但胸腔器官在吸氣和呼氣過程中沿不同的路徑移動，這使得呼吸建模更具挑戰(zhàn)性。此外，在深吸氣時，上述范圍會大大增加。采用門控技術可以減輕呼吸運動帶來的影響，但代價是增加了重建圖像中的噪聲或采集時間。

在早期的MR輔助PET運動校正方法中，使用從2D和3D MRI序列導出的運動估計來進行呼吸運動補償已在模擬PET數(shù)據(jù)和體模研究中得到證實。然后，根據(jù)標記的MRI數(shù)據(jù)進行運動估計。為了增加這些方法的臨床適用性，研究的重點已經(jīng)轉(zhuǎn)向開發(fā)既不增加總體MRI采集時間，也不降低MRI圖像質(zhì)量的技術上。例如，在PET呼吸運動校正過程中，可以使用耦合系統(tǒng)反演方法和由此產(chǎn)生的變形矩陣進行廣義重建，從而在MRI圖像重建過程中對運動進行聯(lián)合估計?；趶较蛐嵌裋IBE序列的新方法已用于PET圖像的運動校正。為了最小化徑向k-空間數(shù)據(jù)的方位欠采樣而導致的條紋偽影，需要在重建過程中應用抗偽影方法(如壓縮感知)?；蛘?，可以從每個床位1分鐘的PET數(shù)據(jù)和動態(tài)2D多層MRI數(shù)據(jù)中獲得聯(lián)合PET/MRI呼吸運動模型。

深度學習方法

深度學習是機器學習的一個特定領域，它專注于開發(fā)基于全連接神經(jīng)網(wǎng)絡的模型，通過模式學習來解決問題。神經(jīng)網(wǎng)絡是處理輸入信息并提取相關特征以生成或預測特定類型輸出的一種計算系統(tǒng)。卷積神經(jīng)網(wǎng)絡(CNN)是專為圖像數(shù)據(jù)而設計的神經(jīng)網(wǎng)絡。CNN的結(jié)構以層為特征，并執(zhí)行卷積運算。卷積運算的結(jié)果被稱為特征圖，并成為下一個卷積層的輸入。連續(xù)層中卷積的連接允許提取越來越抽象和復雜的特征和模式。其靈活性結(jié)合最新一代圖形處理單元(GPU)的計算能力，使CNN能夠成功應用于PET/MRI領域的多個應用，包括PET衰減校正、運動校正和圖像增強。

衰減校正

如前所述的基于MR的標準衰減校正方法存在一些局限性，包括需要對模板空間進行準確的空間歸一化、假定解剖結(jié)構基本正常，或者需要使用大量數(shù)據(jù)來創(chuàng)建圖譜。作為替代方法，可以使用深度學習方法從MRI數(shù)據(jù)中生成衰減圖。

深度學習方法最初被用于合成頭部的分割衰減圖或偽CT圖像。使用多個序列收集的MRI數(shù)據(jù)已用于此目的。例如，使用標準U-net架構從Dixon圖像中獲得連續(xù)值衰減圖。當將ZTE MRI圖像作為輸入添加到基于組卷積模塊的改進U-net架構中時，可以獲得更精確的衰減圖。所有腦區(qū)PET重建圖像的平均相對誤差均小于~3%，使用多個對比度的方法產(chǎn)生了最佳結(jié)果。另一個以ZTE數(shù)據(jù)作為輸入的3D U-net CNN顯示，與基于圖譜和標準ZTE方法相比，其PET數(shù)據(jù)量化偏差更小。使用基于U-net架構的網(wǎng)絡，在兒童腦腫瘤患者中獲得了臨床可接受的衰減圖。這些網(wǎng)絡大多使用相對較少的數(shù)據(jù)集進行訓練。最近，利用在Biograph mMR上掃描的1037名成年受試者的大型隊列數(shù)據(jù)，評估了基于Dixon、T1加權MPRAGE和UTE數(shù)據(jù)的三種不同網(wǎng)絡。盡管三個網(wǎng)絡都取得了出色的結(jié)果(即與基于CT的方法相比，在所有腦區(qū)中的偏差小于1%)，但異常值的數(shù)量取決于訓練數(shù)據(jù)集的大小和MRI序列輸入的選擇。

運動校正

基于深度學習的運動校正在PET/MRI領域仍處于初級階段。在最近一項關于大腦的研究中，使用基于MR的運動估計來對Biograph mMR上同時獲得的PET數(shù)據(jù)進行對齊，以便在動態(tài)FDG大腦研究中訓練一個PET數(shù)據(jù)驅(qū)動的運動估計網(wǎng)絡。配準早期和晚期PET幀后，使用條件生成對抗網(wǎng)絡計算低計數(shù)和高計數(shù)PET圖像之間的映射關系。然后利用這些映射從動態(tài)數(shù)據(jù)中生成合成PET圖像。最后，將人工生成的高計數(shù)圖像進行配準以估計研究過程中的頭部運動情況。

使用基于MR合成的FDG-PET體積訓練了一個網(wǎng)絡，用于估計PET體積中的呼吸運動。然而，這種方法并沒有超越現(xiàn)有的方法，可能是由于可用的訓練集較小，這也突出了基于深度學習方法的主要限制之一。其他研究致力于改進通過徑向采集獲得的自由呼吸MRI圖像的質(zhì)量。這些方法已經(jīng)成功地學習了如何從高度欠采樣的數(shù)據(jù)中重建清晰、無偽影和高對比度的呼吸運動圖像，而無需真實值。

在心臟運動估計方面也取得了令人鼓舞的結(jié)果。例如，使用無監(jiān)督的三維心臟運動估計網(wǎng)絡(CarMEN)可以從常規(guī)的二維cine MRI圖像中獲取心臟的3D形變信息。模擬實驗也證明了CarMEN推導的運動估計可用于在一體化PET/MRI掃描儀中同步采集的PET數(shù)據(jù)的心臟運動校正(圖3)。

圖像增強

卷積神經(jīng)網(wǎng)絡(CNNs)還可以用于提高數(shù)據(jù)的質(zhì)量和信息內(nèi)容，或者用于減少偽影。傳統(tǒng)的解剖學輔助重建方法存在以下局限性：耗時較長，特別是應用于動態(tài)研究時；實施過程是特定于掃描儀的，并且需要訪問原始數(shù)據(jù)。相比之下，深度學習方法可以在圖像域中實現(xiàn)類似的改進。為此，使用標準和解剖導向的PET重建(使用不對稱的Bowsher先驗)以及形態(tài)學MRI圖像作為輸入來訓練CNN。使用Biograph mMR和Signa PET/MRI掃描儀收集的數(shù)據(jù)，在三種不同的放射性藥物上展示了優(yōu)異的結(jié)果(圖4)。

在圖像增強方面，提高圖像表觀空間分辨率(即超分辨率)的技術已被廣泛應用于PET、MRI以及PET/MRI聯(lián)合成像中。有研究表明，使用基于MR先驗訓練的CNNs來重建PET圖像或PET/MRI聯(lián)合數(shù)據(jù)的性能大大優(yōu)于傳統(tǒng)方法。許多深度學習方法也致力于減少MRI圖像的采集和重建時間。這主要是因為MRI圖像的采集過程比較耗時，比PET掃描時間更長。減少采集的原始數(shù)據(jù)量或?qū)空間進行欠采樣可以加快采集速度，但會降低最終MRI圖像的質(zhì)量。而CNNs可以在不進行任何硬件調(diào)整的情況下增強圖像分辨率，同時縮短總體掃描時間。

結(jié)論

經(jīng)過幾十年的技術發(fā)展，PET/MRI現(xiàn)已成為一種成熟的成像方式。一體化PET/MRI掃描儀的性能特征可與獨立設備相媲美，能夠在互不干擾的情況下獲得高質(zhì)量的數(shù)據(jù)。在業(yè)界主導整合全身同步PET/MRI硬件的同時，還需要方法學的發(fā)展來應對尚未解決的挑戰(zhàn)。衰減校正從一開始就是PET/MRI領域中最大的方法學挑戰(zhàn)。多年來，已經(jīng)開發(fā)了許多方法，可以從MRI數(shù)據(jù)中生成更精確的衰減圖。供應商提供的方法現(xiàn)已足夠準確，可用于常規(guī)臨床和研究應用。然而，對于某些應用(如骨病變的定量成像、兒科患者的成像、肺部成像等)來說仍需要更為先進的方法。深度學習在解決衰減校正挑戰(zhàn)方面的作用可能會繼續(xù)擴大，因為這些方法的優(yōu)勢是，一旦經(jīng)過訓練和驗證，它們幾乎可以立即生成非常準確的全身衰減圖。MR輔助PET運動校正被視為是同步采集的主要方法學優(yōu)勢之一。但需要注意的是，這些方法在臨床實踐中的實際應用仍然有限，未來需要更多的努力來提高其穩(wěn)健性和臨床實用性。

參考文獻：Angel Torrado-Carvajal, Ciprian Catana, PET/MRI: technical and methodological aspects, 2023, P1-33.

小伙伴們關注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～