基于半监督残差注意力引导卷积神经网络的 ASL 到 PET 图像翻译

正电子发射断层扫描（PET）是一种通过测量脑灌注或葡萄糖消耗来评估生理功能而非结构异常的成像方法。然而，该成像技术依赖于放射性示踪剂的注射且费用昂贵。相反，动脉自旋标记（ASL）MRI 是一种用于脑血流动力学测量的无创、无放射性且相对廉价的成像技术，可在一定程度上进行量化。本文提出一种基于卷积神经网络（CNN）的模型，用于将 ASL 图像翻译为 PET 图像，这可在费用和不良副作用方面使患者及医疗系统受益。然而，获取足够数量的配对 ASL-PET 扫描以训练 CNN 由于诸多原因而难以实现。为解决此问题，我们提出了一种新的半监督多任务 CNN，其在配对数据（即 ASL 和 PET 扫描）与非配对数据（即仅 ASL 扫描）上训练，从而缓解了在有限配对数据上训练网络的问题。此外，我们提出了一种新的基于残差的注意力引导机制，以在训练过程中改善上下文特征。同时，我们表明，由于 T1 加权扫描具有高分辨率和可用的解剖信息，将其作为输入可改善结果。我们基于定量图像指标进行了两阶段评估，先执行 7 折交叉验证，随后进行双盲观察者研究。所提出的网络在从 2D ASL 和 T1 加权图像翻译到 PET 数据时，结构相似性指数测度（SSIM）、均方误差（MSE）和峰值信噪比（PSNR）分别达到 $0.85\pm0.08$、$0.01\pm0.01$ 和 $21.8\pm4.5$。所提出的模型可通过 https://github.com/yousefis/ASL2PET 公开获取。