PET-MRI脑部定量准确性对比研究：MRI与PET脑分区对SUVR计算的影响

李再升 宋双双 曾天翼 卢 洁,7 胡凌志 陈 群2,

1（中国科学院上海高等研究院 上海 201210）

2（上海科技大学信息科学与技术学院 上海 201210）

3（中国科学院大学 北京 100049）

4（上海联影医疗科技有限公司 上海 201807）

5（首都医科大学宣武医院放射科 北京 100053）

6（磁共振成像脑信息学北京市重点实验室 北京 100053）

7（首都医科大学宣武医院核医学科 北京 100053）

在正电子发射断层成像（Positron Emission Tomography，PET）的临床诊断和科研中，标准化摄取值（Standard Uptake Value，SUV）的使用非常普遍，在疾病评估中具有特定的作用［1-4］。理想情况下，使用SUV可以消除因受试者体重、放射性药物注射量等因素引起的差异。但实际上，在测量受试者放射性药物的摄取以及将图像灰度值转换为SUV时，引入了多种偏差和方差源，因此SUV通常被认为是半定量的［5-8］。为了减小SUV在不同受试者间的差异，通常会选取特定的参考区域（如小脑灰质），将感兴趣区域的SUV平均值除以参考区域的SUV平均值，获得标准化摄取值比（Standard Uptake Value Ratio，SUVR）［9-14］。

计算SUVR的关键步骤是准确地从PET图像中分割出参考区域。由于PET图像的分辨率低且噪声较大，作为功能性成像无法反应脑部结构信息，很难准确地利用PET图像分割出参考区域，从而影响了SUVR的准确性。随着一体化正电子发射断层成像/磁共振成像（Positron Emission Tomography-Magnetic Resonance Imaging，PET-MRI）的出 现 ，PET和MRI实现了等中心、相同容积、同步扫描，保证了PET与MRI图像的高精度配准，两者的误差不超过1 mm。利用PET-MRI同步扫描PET图像和MRI图像，基于准确反映脑部结构信息的MRI图像分割出参考区域并映射到对应的PET图像上，比直接从PET图像中分割出的参考区域更加准确，有望提高SUVR的准确性。尽管这种SUVR计算方式在一体化PET-MRI的临床诊断和科研中已被广泛采用，但目前还没有专门的文章来定量地比较上述方法算出的SUVR与利用PET分割参考区域算出的SUVR之间的差异。

因此，本文利用一体化PET-MRI同步采集了一组年龄相似的健康志愿者的PET和MRI数据，分别利用PET图像和MRI图像分割出参考区域并进行SUVR的计算，比较两组SUVR之间的差异性以及每组SUVR在健康志愿者间的一致性。

1 材料和方法

1.1 实验数据

本文使用的实验数据为12名志愿者（6名男性，6名女性）的高清脑部PET-MRI数据，由首都医科大学宣武医院采集。所有志愿者均为健康人群，没有任何脑部疾病，平均年龄（47±6）岁。使用上海联影医疗科技有限公司的uPMR 790采集数据，MRI图像采用3D T1W序列，相关参数见表1。所有受试者均静脉注射18F标记的氟代脱氧葡萄糖（2-Deoxy-2-（18F）Fluoro-D-Glucose，18F-FDG），注射后的平均摄取时间为（48±5）min，采集的PET图像分辨率为2mm×2mm×2mm。

表1 序列参数表Table 1 Sequence parameter list

原始的实验数据已在工作站上进行了预处理，通过线性插值的方式，将每例健康志愿者的PET图像和MRI图像调整至相同的体素大小，均为0.50mm×0.50mm×0.67mm。

1.2 参考区域分割

在18F-FDG PET的临床诊断中，大多数神经退行性疾病都与小脑代谢无关，无论受试者是否患有疾病，小脑代谢都不会发生明显变化，故而临床上经常选择小脑灰质或者小脑作为参考区域［12-14］。从完整的脑图像中分割出参考区域是计算SUVR的关键步骤，本文使用FSL（FMRIB Software Library）［15］和SPM（Statistical Parametric Mapping），基于脑图谱法分别对PET图像和MRI图像进行脑区分割。

1.2.1 基于图谱法的脑图像分割

图谱法是目前脑图像分割中最常用的方法之一，既适用于PET图像，也适用于MRI图像，具有重要的医学研究与临床价值。其原理是利用配准将需要分割的脑图像映射到已经分割好的标准脑模板上，然后通过数学逆变换算子将标准脑模板的分割结果变换到原图空间，从而获得原始输入图像的分割结果，整体流程如图1所示［16-17］。

在受试者内部实施配准时，通常只需进行全局配准（刚性变换或仿射变换）。例如进行疾病发展变化的纵向研究时，对不同时刻采集的同一受试者的影像进行配准。在受试者之间或者受试者与标准脑模板之间实施配准时，需要使用更复杂的非线性配准算法来捕获不同大脑之间的解剖学差异。此时的配准过程通常分两个步骤进行：首先执行全局配准（刚性变换或仿射变换），以较低的计算成本使待分割脑图像与标准脑模板（或另一位受试者的脑图像）尽可能地对齐；然后执行局部配准（非线性变换），对通用的线性配准模型进行调整，使之适应特定的解剖结构。

图1 基于脑图谱的脑图像自动分割系统框图Fig.1 Block diagram of automatic brain segmentation system based on brain atlas

1.2.2 基于MRI分割参考区域

MRI图像配准时使用的标准脑模板为ICBM152模板［18］，由Andrew Janke提供，模态为T1，分为包含颅骨和不包含颅骨两个版本，如图2（a）、2（b）所示。针对小脑的分割，使用的图谱为MNI结构图谱［19-20］，由Jack Lancaster提供，包含小脑等9个解剖结构（由于只需要利用小脑，故而将其他结构的标记置零），如图2（c）所示。针对小脑灰质的分割，使用的图谱为小脑概率图谱［21］，由Joern Diedrichsen和Narender Ramnani提供，将小脑灰质细分成了28个区域，如图2（d）所示。由于参考区域为完整小脑灰质，无需关注28个区域的具体细节，故而在计算SUVR时需将28个区域合并起来作为完整的参考区域。ICBM152模板与图谱相互匹配，分辨率均为1 mm。

图2 包含颅骨MRI模板(a)、去颅骨MRI模板(b)、完整的小脑图谱(c)和小脑灰质图谱(d)Fig.2 MRI standard template containing skull(a),template without skull(b),atlas of cerebellum(c)and atlas of cerebellar gray matter(d)

配准之前需进行预处理，首先利用Brain Extraction Tool（BET）［22］从完整的头部图像中去除非脑组织，然后利用FAST（FMRIB"s Automated Segmentation Tool）［23］将全脑划分为皮质（灰质）、白质和脑脊液并对脑图像进行偏置场矫正。

配准过程采用§1.2.1中提到的二阶段配准策略。第一阶段将经过偏置场矫正的脑图像刚性配准至不包含颅骨的T1模板，施加的形变场记为f1_l。对完整的头部图像施加形变场f1_l，得到与T1模板大致对齐的头部图像，然后执行第二阶段的配准，将其非线性配准至包含颅骨的T1模板，施加的形变场记为f1_n。配准时使用的相似性度量函数均为归一化互信息（Normalized Mutual Information，NMI），其定义如下：

式中：X和Y分别表示固定图像和移动图像；MI(X，Y)表示两者的互信息；H(X，Y)表示两者的联合熵；H(X)和H(Y)表示固定图像和移动图像的熵。

对脑图谱依次施加f1_n的逆变换和f1_l的逆变换，即可从原始MRI图像中分割出参考区域。由于同一受试者的MRI图像与PET图像相互匹配，参考区域在PET图像中的位置与其在MRI图像中的位置相同。

1.2.3 基于PET分割参考区域

PET图像配准时使用的图谱与MRI图像配准时使用的图谱相同，使用的标准脑模板由哥本哈根大学的Darkner Sune提供［24］，分辨率为1 mm。其制作过程与ICBM152模板完全相同，两者具有相同的分辨率以及空间信息，如图3所示。

图3 PET标准脑模板Fig.3 PET standard brain template

利用PET分割参考区域的流程与MRI大致相同。首先进行预处理，利用SPM从完整的头部图像中去除非脑组织，然采用二阶段配准策略进行配准。第一阶段将去除非脑组织的脑部图像刚性配准至PET模板，施加的形变场记为f2_l。对完整的头部图像施加形变场f2_l，得到与PET模板大致对齐的头部头像，然后执行第二阶段的配准，将其非线性配准至PET模板，施加的形变场记为f2_n。对图谱依次施加f2_n和f2_l的反变换，即可从原始PET图像中分割出参考区域。

1.3 感兴趣区域划分

为了比较每组SUVR在健康志愿者之间的一致性，需要选取特定的感兴趣区域（Region of Interest，ROI）计算SUVR并进行后续分析。本文共选取14个感兴趣区域，包括6个大区域以及针对大脑皮质细分的8个小区域，在两种尺度上共同分析。6个大区域分别是左侧大脑、左侧大脑皮质（灰质）、左侧大脑白质、右侧大脑、右侧大脑皮质（灰质）、右侧大脑白质，8个细分的小区域分别是左侧额叶、左侧顶叶、左侧颞叶、左侧枕叶、右侧额叶、右侧顶叶、右侧颞叶、右侧枕叶。

感兴趣区域的划分由FreeSurfer（FreeSurfer Software Suite）［25］完成，所有 ROI只针对大脑，不包含间脑、小脑、脑干、皮层下的基底核以及脑脊液等区域。其中，左（右）侧大脑由左（右）侧大脑皮质及大脑白质构成。

1.4 SUVR计算

分别利用MRI图像和PET图像分割参考区域并计算出参考区域的SUV平均值，然后将各个ROI的SUV平均值后除以参考区域的SUV平均值，得到各个ROI的SUVR，对两组SUVR进行统计学分析。由于SUVR表示的是ROI与参考区域SUV平均值的比值，注射剂量、注射时间以及体重等参数会被消去，只与ROI和参考区域的平均放射性强度之比有关，因此感兴趣区域k的SUVR计算公式可简化为［26］：

式中：Nk表示感兴趣区域k包含的体素个数；xi表示感兴趣区域k中第i个点的灰度值；Nr表示参考区域r包含的体素个数；xj表示感兴趣区域r中第j个点的灰度值。

1.5 统计学处理

利用Dice相似性系数（Dice Similarity Coefficient，DSC）衡量基于MRI分割出的参考区域和基于PET分割出的参考区域的差异性。对基于MRI分割结果算出的SUVR和基于PET分割结果算出的SUVR进行配对两样本t检验，选择α=0.05作为判断判断统计学差异的阈值。

确认两组SUVR具有统计学差异之后，针对每组SUVR，通过绘制误差条形图和散点图的方式直观地展示数据的离散程度，并通过计算每组SUVR的变异系数（Coefficient of Variation，CV）定量地衡量数据的离散程度。由于本文中的数据来源于脑部健康、年龄相似的志愿者且使用相同的采集方式，脑部PET图像具有很强的一致性，故而两组SUVR中，离散程度更小、一致性更强的那组SUVR对应的计算方法更好。

2 结果和讨论

2.1 参考区域分割结果

利用MRI图像分割出的完整小脑以及小脑灰质如图4（a）、4（c）所示，利用PET图像分割出的完整小脑及小脑灰质如图4（b）、4（d）所示。利用两种方法分割出的参考区域之间的DSC平均值及标准差如表2所示。

表2 两种方法分割出的参考区域之间的DSC平均值及标准差Table 2 Mean and standard deviation of DSC between reference regions segmented by two methods

从图4和表2中可以看出，基于MRI分割的参考区域和基于PET分割的参考区域具有一定的差异，这将导致两种方法算得的参考区域SUV平均值不同，进一步导致两种方法算得的SUVR不同。相比于完整的小脑，小脑灰质的平均DSC更小，将其作为参考区域算出的两组SUVR应当具有更大的差异。

2.2 SUVR比较

2.2.1 两组SUVR的差异性

对两种方法算出的SUVR进行配对两样本t检验，选择α=0.05作为判断统计学差异的阈值，检验结果见表3（额叶、顶叶、颞叶和枕叶的SUVR）和表4（大脑、大脑皮质、大脑白质的SUVR）。在每个区域对应的两行中，第一行表示左半脑对应的感兴趣区域，第二行表示右半脑对应的感兴趣区域（如“大脑/小脑灰质”对应的第一行表示以小脑灰质为参考区域时左侧大脑的分析结果，第二行表示以小脑灰质为参考区域时右侧大脑的分析结果）。

从表3和表4中都可以看出，针对所有感兴趣区域和参考区域，利用MRI分割参考区域计算出的SUVR与利用PET分割参考区域计算出的SUVR都具有显著的统计学差异。相对于完整小脑，将小脑灰质作为参考区域时，两组SUVR之间统计学差异更加显著（具有绝对值更大的T值和更小的P值），与§2.1中小脑灰质的平均DSC更小相符合。

表3 两种方法得到的脑叶SUVR之间的统计学差异Table 3 Statistical difference between SUVRs of lobes obtained by two methods

表4 两种方法得到的皮质、白质SUVR之间的统计学差异Table 4 Statistical difference between SUVRs of cortex and white matter obtained by the two methods

2.2.2 每组SUVR的离散程度

采用两种方法算出的左/右侧大脑、左/右侧大脑皮质、左/右侧大脑白质的SUVR平均值及标准差如图5所示，采用两种方法算出的左/右侧额叶、左/右侧顶叶、左/右侧颞叶、左/右侧枕叶的SUVR平均值及标准差如图6所示。其中，图5（a）和图6（a）以小脑灰质为参考区域，图5（b）和图6（b）以小脑为参考区域。图5和图6中，以‘_L’结尾的区域表示左半脑对应的区域，以‘_R’结尾的区域表示右半脑对应的区域，Cerebrum、Cortex和WM分别表示大脑、大脑皮质和大脑白质。MRI表示利用MRI分割参考区域计算出的SUVR，PET表示利用PET分割参考区域计算出的SUVR。

图5 大脑皮质和白质的SUVR(a)以小脑灰质为参考区域，(b)以小脑为参考区域Fig.5 SUVRs of cerebral cortex and white matter based on cerebellar gray matter(a)and cerebellum(b)

图6 脑叶的SUVR(a)以小脑灰质为参考区域，(b)以小脑为参考区域Fig.6 SUVRs of lobes based on cerebellar gray matter(a)and cerebellum(b)

从图5和图6中可以直观地看出，对于相同的感兴趣区域和参考区域，利用MRI分割参考区域算出的SUVR相比于利用PET算出的SUVR具有更小的标准差，离散程度更小，在健康志愿者之间表现出更好的一致性，表明其归一化效果更好。

绘制出两组SUVR的散点图，以便直观地比较两组SUVR的离散程度，并对左右脑进行对比，如图7所示。其中，黑色的点表示利用MRI分割参考区域计算出的SUVR，灰色的点表示利用PET分割参考区域算出的SUVR，不同的点型代表不同的感兴趣区域。由于额叶、顶叶和枕叶的SUVR数值较为接近，无法直观地看出各自的分布情况，故而图中只画出大脑、大脑灰质以及大脑白质的散点图，图例中分别对应cerebrum、cortex以及WM。横坐标表示左半脑对应区域的SUVR，纵坐标表示右半脑对应区域的SUVR。

从图7中可以直观地看出，针对所有的感兴趣区域，利用MRI分割参考区域算出的SUVR相比于利用PET算出的SUVR都更加集中，表明其离散程度更小，在相似的健康志愿者之间表现出更好的一致性。分别对两种方法算得的SUVR进行线性拟合，基于MRI算出的SUVR的斜率与基于PET算出的SUVR的斜率均为1.01，表明无论是利用MRI还是利用PET分割参考区域算出的SUVR在左半脑和右半脑都近似相等，左右半脑具有很强的一致性，与实际情况相符合。

为了定量地比较两种方法算出的SUVR的离散程度，并与SUV的离散程度进行对比，表5列出了使用不同方法得到的皮质、白质SUVR及其SUV的变异系数，表6列出了使用不同方法得到的脑叶SUVR及其SUV的变异系数。其中，MRI和MRI（GM）分别表示基于MRI分割出的小脑及基于MRI分割出的小脑灰质算出的SUVR，PET和PET（GM）表示利用PET分割参考区域算出的SUVR，SUV表示直接计算的SUV。

从中可以清楚地看出基于MRI提取参考区域算出的SUVR具有最小的变异系数，离散程度最小，一致性最好；SUV具有最大的变异系数，离散程度最大，一致性最差；基于PET提取参考区域算出的SUVR介于两者之间。既表明了对SUV进行归一化的必要性，也表明了利用MRI分割参考区域计算出的SUVR的比利用PET分割参考区域计算出的SUVR具有更小的离散程度，相似的健康志愿者之间表现出了更好的一致性。

图7 SUVR散点图 以小脑灰质为参考区域(a)，以小为参考区域(b)Fig.7 Scatter plots of SUVR based on cerebellar gray matter(a)and cerebellum(b)

表5 不同方法得到的大脑皮质、白质SUVR的变异系数Table 5 CV of SUVRs of cerebral cortex and white matter obtained by different methods

表6 不同方法得到的脑叶SUVR的变异系数Table 6 CV of SUVRs of lobes obtained by different methods

2.3 局限性

本文的不足点在于研究样本只有12例，样本量偏少。这是因为PET-MRI扫描过程中需要注射放射性药物，存在一定的辐射，所以年龄受控的健康志愿者有限，很难在短时间内找到新的志愿者。

3 结语

本文利用一体化PET-MRI同步采集12名年龄相似的健康志愿者的PET和MRI图像，分别利用PET图像和MRI图像分割参考区域并计算PET图像的SUVR。针对小脑灰质和小脑两种参考区域以及14个不同的感兴趣区域，利用MRI分割参考区域计算出的SUVR都具有更小的变异系数，离散程度更低，在相似的健康志愿者之间表现出了更好的一致性。初步表明基于准确反映脑部结构信息的MRI图像能够更准确地分割出参考区域，从而提高了SUVR的准确性，更好地消除了受试者之间的个体差异，获得了更加稳定的SUVR。