上海交大黄秋团队在医学影像领域顶级期刊IEEE TMI上发文实现双示踪剂动态PET成像

上海交大生物医学工程学院黄秋副教授在18F-FDG和68Ga-DOTATATE双示踪剂同时成像内分泌肿瘤的研究中取得了重要的科研成果《Machine Learning-Based Noninvasive Quantification of Single-Imaging Session Dual-Tracer 18F-FDG and 68Ga-DOTATATE Dynamic PET-CT in Oncology》（IF=11.037）。

研究背景

利用具有不同的功能和性质的示踪剂对同一种疾病进行成像，能够量化疾病不同的生理和病理特征，进而提高疾病的诊断和治疗效果。例如，18F-FDG和68Ga-DOTATATE作为临床常用的成像内分泌肿瘤的示踪剂，能为肿瘤的检测、表征、分期和预测提供互补的信息。常规的检查需要分两次分别对这两种示踪剂成像，且两次扫描之间要间隔足够长的时间以防止前者对后者的干扰。这种检查方式效率低下，尤其是一些需要做动态定量的场景。

研究成果

本研究提出基于机器学习的双示踪剂参数成像算法，极大缩短了扫描时间。在一次动态扫描中按照一定的时间间隔依次注射两种示踪剂；然后，用循环的XGBoost算法依次预测腹主动脉单示踪剂时间活度曲线（输入函数）；随后，结合分离出的输入函数，将18F-FDG和68Ga-DOTATATE在各个时刻的活度从混叠的信号中分离出来；最后，分别估计两种示踪剂的动力学参数。 结果表明，本方法使用18F-FDG+68Ga-DOTATATE（5min）的注射方案，便能够实现输入函数和组织活度曲线的精确分离，且随着两种示踪剂注射间隔时间的增长，分离的活度曲线精确度越高。 本算法估计出的动力学参数与单示踪剂扫描的相关性在各个扫描方案下都高于传统的平行房室模型非线性拟合的方法。