《Brain Research》：Bridging the gap between structural and metabolic neuroimaging via MRI-to-PET synthesis: A tri-attention enhanced GAN approach
編輯推薦：
為解決多模態神經影像數據缺失問題，研究人員提出基于 3D GAN 的 MRI-to-PET 合成框架，引入 Tri-Attention 模塊融合多尺度空間、通道及頻率注意力。在 ADNI 數據集驗證顯示，該方法顯著提升 SSIM、PSNR 及 SUVR 等指標，為跨模態影像合成及 AD 等疾病診斷提供新工具。
在探索大腦奧秘的征途上，神經影像技術如同探秘者的 “眼睛”，為揭開阿爾茨海默�。ˋD）等神經退行性疾病的面紗提供關鍵線索。磁共振成像（MRI）能清晰呈現大腦的解剖結構，正電子發射斷層掃描（PET）則可捕捉腦內代謝活動的動態信息，二者結合本可大幅提升診斷精度。然而，PET 成像高昂的成本與輻射風險，導致臨床中常面臨多模態數據不全的困境 —— 當僅有 MRI 數據而缺乏 PET 時，如何填補代謝信息的空白成為亟待攻克的難題。
為突破這一技術瓶頸，杭州電子科技大學與北京醫院的研究團隊開展了一項具有創新性的研究。他們開發了一種基于三維生成對抗網絡（3D GAN）的 MRI-to-PET 影像合成框架，并引入全新的三注意力模塊（Tri-Attention），通過融合多尺度的空間、通道及頻率注意力機制，強化模型對復雜神經影像特征的提取能力。這項研究成果發表在國際知名期刊《Brain Research》上，為跨模態神經影像合成領域帶來重要進展。
研究團隊采用阿爾茨海默病神經影像學計劃（ADNI-2 和 ADNI-3）數據庫中主觀認知下降（SCD）患者的配對 MRI 和 PET 數據，構建了包含結構與代謝信息的訓練集。研究的核心技術方法包括：
- 3D GAN 框架：構建條件生成對抗網絡，以 MRI 圖像作為輸入，通過生成器（GM）合成對應的 PET 圖像，判別器則負責區分真實 PET 與合成影像的差異，通過對抗訓練優化模型性能。
- Tri-Attention 模塊：在生成器中嵌入多尺度注意力機制，分別從空間維度（定位關鍵腦區）、通道維度（篩選重要特征通道）和頻率維度（捕捉不同尺度的紋理信息）對特征進行加權，提升合成影像的細節保真度。
- 多指標評估體系：采用結構相似性指數（SSIM）、峰值信噪比（PSNR）等影像質量指標，結合臨床代謝評估指標標準化攝取值比（SUVR），綜合驗證合成 PET 的診斷價值。
研究結果
問題構建與模型設計
研究將 MRI 到 PET 的合成定義為跨域映射問題，假設存在配對數據集 D={(xM,xP)∣xM∈IM,xP∈IP}，目標是訓練生成器 GM:IM→IP，在僅提供 MRI 數據時合成具有診斷價值的 PET 圖像。通過引入 Tri-Attention 模塊，模型能夠自適應地聚焦于不同尺度的關鍵特征，例如在海馬等 AD 敏感腦區增強代謝信號的表達。
實驗驗證與性能對比
在 ADNI 數據集上的實驗顯示，該方法合成的 PET 圖像在 SSIM（0.882）和 PSNR（26.508）指標上顯著優于現有先進方法（如 3D cGAN 系列模型）。臨床指標 SUVR 與真實 PET 的相關性分析表明，合成影像能準確反映腦內葡萄糖代謝水平，尤其在默認模式網絡等 AD 相關腦區表現出高度一致性�？梢暬Y果顯示，模型不僅能還原腦結構的解剖細節，還能精準模擬代謝活動的空間分布模式。
模型優勢與創新點
與傳統 GAN 方法相比，該框架的核心突破在于 Tri-Attention 模塊的引入：
- 空間注意力：通過卷積操作生成空間權重圖，抑制背景噪聲并增強腦區特征的空間定位精度；
- 通道注意力：利用全局平均池化和全連接層捕捉特征通道間的依賴關系，突出代謝相關的關鍵特征；
- 頻率注意力：通過傅里葉變換將特征分解至頻域，分別對低頻（整體結構）和高頻（局部細節）成分進行加權，實現結構與代謝信息的跨域對齊。
結論與討論
這項研究成功構建了一種高效的跨模態神經影像合成工具，通過多維度注意力機制彌合了 MRI 結構信息與 PET 代謝信息之間的鴻溝。實驗結果表明，該方法不僅能生成高質量的合成 PET 圖像，還能為 AD 的早期診斷提供補充代謝證據，尤其適用于 PET 數據匱乏的臨床場景。
從臨床應用角度看，該技術有望降低多模態成像的門檻，通過 MRI 數據無創生成 PET-like 影像，減少患者輻射暴露并節約醫療成本。未來若能進一步優化模型在異質性數據中的泛化能力，或可推廣至帕金森病等其他神經退行性疾病的診斷，為精準神經醫學提供更普適的影像解決方案。
總體而言，這項研究通過技術創新突破了多模態影像獲取的瓶頸，為神經影像領域從 “結構 - 功能割裂” 向 “整合診斷” 的范式轉變奠定了基礎，其方法論與實驗成果對生物醫學工程和臨床神經科學均具有重要參考價值。
