利用变量增强可逆网络实现PET示踪剂转换

沈博徽¹, 耿孟晓¹, 张薇¹, 许飞鸿¹, 李炳轩², 刘且根¹

（1. 南昌大学 信息工程学院，南昌330031；2. 合肥综合性国家科学中心 人工智能研究院，合肥230088） 

摘要：正电子发射断层扫描（PET）是诊断脑病和进行脑科学研究的重要工具。然而，其应用受限于示踪剂的可获得性。随着PET成像在神经精神疾病治疗中的应用日益增多，6-18F-氟-3,4-二羟基-L-苯丙氨酸（DOPA）已被证明比18F标记的氟脱氧葡萄糖（FDG）更有效。尽管如此，由于制备复杂和其他限制，DOPA的使用频率仍低于FDG。为解决这一问题，我们提出了一种基于示踪剂转换的可逆神经网络（TC-INN），旨在通过深度学习将FDG图像映射到DOPA图像。这种方法能够从FDG生成PET图像至DOPA图像，从而提供更多诊断信息。具体而言，所提出的TC-INN包含两个独立阶段：一个用于训练数据，另一个用于重建数据。在示踪剂转换训练过程中，参考DOPA PET图像是对应网络的学习目标。同时，可逆网络迭代估算所得DOPA PET数据，并与参考DOPA PET数据进行比较。值得注意的是，可逆模型采用变量增强技术以实现更佳的生成效果。此外，由于获取的FDG和DOPA数据信息存在角度偏差，在训练前需要进行图像配准。实验结果展现了在FDG和DOPA映射之间出色的生成能力；表明在示踪剂应用受限的情况下，PET示踪剂转换具有巨大潜力。在3通道条件下，大脑合成DOPA图像的平均绝对误差（MAE）和均方根误差（RMSE）分别约为2.72%和5.34%。合成DOPA与参考DOPA的强度相似性令人满意。在示踪剂可用性有限的情况下，TC-INN方法在PET投影成像方面显示出相当大的前景。

关键词：正电子发射断层扫描，图像生成/合成，示踪剂映射，可逆网络

扫描二维码全文浏览

Cite this article

Shen, B., Geng, M., Zhang, W. et al. Positron Emission Tomography Tracer Conversion via Variable Augmented Invertible Network. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2844-2