Physiological neural representation for personalised tracer kinetic parameter estimation from dynamic PET

📄 arXiv: 2504.17122v1 📥 PDF

作者: Kartikay Tehlan, Thomas Wendler

分类: eess.IV, cs.AI, cs.CV

发布日期: 2025-04-23

备注: The code is available at: https://github.com/tkartikay/PhysNRPET

💡 一句话要点

提出基于生理神经表征的动态PET个性化示踪剂动力学参数估计方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 动态PET 隐式神经表征 示踪剂动力学建模 个性化医疗 肿瘤表征

📋 核心要点

  1. 传统动态PET动力学参数估计计算量大，空间分辨率受限，深度学习方法则需要大量数据。
  2. 利用隐式神经表征学习连续函数，结合CT解剖先验，实现高效、高分辨率的个性化动力学建模。
  3. 实验表明，该方法在空间分辨率、均方误差和解剖一致性方面优于现有方法，尤其在肿瘤区域。

📝 摘要（中文）

本文提出了一种基于隐式神经表征（INRs）的生理神经表征方法，用于个性化动力学参数估计，旨在解决动态正电子发射断层扫描（PET）中利用[$^{18}$F]FDG进行葡萄糖代谢定量分析时，传统方法计算密集、空间分辨率受限以及深度神经网络（DNNs）需要大量训练数据和计算资源的问题。该方法利用INRs学习连续函数，实现高效、高分辨率的参数成像，并减少数据需求。同时，整合来自3D CT基础模型的解剖先验，增强动力学建模的鲁棒性和精度。在[$^{18}$F]FDG动态PET/CT数据集上的评估结果表明，该方法在空间分辨率、均方误差和解剖一致性方面优于现有DNN方法，尤其是在肿瘤和高血管区域。该研究突出了INRs在个性化、数据高效的示踪剂动力学建模中的潜力，可应用于肿瘤表征、分割和预后评估。

🔬 方法详解

问题定义：动态PET利用放射性示踪剂追踪人体生理过程，通过动力学建模估计代谢参数。然而，传统方法（如体素级别的模型拟合）计算量巨大，且受限于PET的空间分辨率。深度学习方法虽然可以加速参数估计，但需要大量的训练数据，这在临床应用中往往难以满足。因此，如何在数据有限的情况下，实现高分辨率、个性化的动力学参数估计是一个关键问题。

核心思路：本文的核心思路是利用隐式神经表征（INRs）来表示动力学参数场。INRs可以将动力学参数视为空间坐标的连续函数，通过训练神经网络来学习这种函数关系。相比于传统的体素表示，INRs具有更高的空间分辨率和更强的泛化能力，可以在有限的数据下实现更精确的参数估计。此外，结合CT图像提供的解剖先验信息，可以进一步提高参数估计的鲁棒性和准确性。

技术框架：该方法主要包含以下几个阶段：1) 数据预处理：对动态PET和CT图像进行配准和预处理。2) INR构建：构建一个以空间坐标为输入，动力学参数为输出的神经网络。3) 模型训练：利用动态PET数据和CT解剖先验信息，训练INR网络，使其能够准确地预测每个空间位置的动力学参数。4) 参数估计：利用训练好的INR网络，估计整个图像区域的动力学参数分布。

关键创新：该方法最重要的创新点在于将隐式神经表征引入到动态PET动力学建模中。与传统的体素级别建模方法相比，INRs可以实现更高的空间分辨率和更强的泛化能力。此外，结合CT解剖先验信息，可以进一步提高参数估计的鲁棒性和准确性。这种方法在数据量有限的情况下，能够实现更精确、个性化的动力学参数估计。

关键设计：INR网络采用多层感知机（MLP）结构，输入为空间坐标(x, y, z)，输出为动力学参数（如K1, k2, k3, k4）。损失函数包括两部分：一部分是基于PET数据的重构损失，另一部分是基于CT解剖先验的正则化项。重构损失用于保证估计的动力学参数能够准确地重构PET信号，正则化项用于约束动力学参数的解剖一致性。具体而言，可以使用L1或L2正则化，鼓励在解剖结构相似的区域，动力学参数也相似。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在空间分辨率上优于传统的体素级别建模方法和现有的深度学习方法。在肿瘤区域，该方法能够更准确地估计动力学参数，并与CT解剖结构具有更好的一致性。与state-of-the-art的DNN相比，该方法在均方误差（MSE）上降低了XX%（具体数值未知），表明其具有更高的参数估计精度。

🎯 应用场景

该研究成果可广泛应用于肿瘤的早期诊断、治疗方案制定和疗效评估。通过更精确地量化肿瘤的葡萄糖代谢，可以更好地进行肿瘤分期和预后预测。此外，该方法还可以应用于其他神经退行性疾病（如阿尔茨海默病）的早期诊断和治疗监测，具有重要的临床应用价值和广阔的市场前景。

📄 摘要（原文）

Dynamic positron emission tomography (PET) with [$^{18}$F]FDG enables non-invasive quantification of glucose metabolism through kinetic analysis, often modelled by the two-tissue compartment model (TCKM). However, voxel-wise kinetic parameter estimation using conventional methods is computationally intensive and limited by spatial resolution. Deep neural networks (DNNs) offer an alternative but require large training datasets and significant computational resources. To address these limitations, we propose a physiological neural representation based on implicit neural representations (INRs) for personalized kinetic parameter estimation. INRs, which learn continuous functions, allow for efficient, high-resolution parametric imaging with reduced data requirements. Our method also integrates anatomical priors from a 3D CT foundation model to enhance robustness and precision in kinetic modelling. We evaluate our approach on an [$^{18}$F]FDG dynamic PET/CT dataset and compare it to state-of-the-art DNNs. Results demonstrate superior spatial resolution, lower mean-squared error, and improved anatomical consistency, particularly in tumour and highly vascularized regions. Our findings highlight the potential of INRs for personalized, data-efficient tracer kinetic modelling, enabling applications in tumour characterization, segmentation, and prognostic assessment.