基于深度学习的无CT肾脏SPECT成像技术实现肾小球滤过率精准量化

本研究针对传统SPECT/CT在肾小球滤过率(GFR)测量中存在的辐射暴露高、人工分割耗时等问题，开发了基于深度学习的无CT肾脏SPECT定量技术。通过残差U-Net网络结合边缘注意力机制，利用合成衰减图(μ-map)实现全自动肾脏分割，GFR计算结果与传统SPECT/CT高度一致(109.3±17.3 vs 109.2±18.4 mL/min)，同时降低78.8%辐射剂量并将分割时间从40分钟缩短至1分钟内，为肾脏功能评估提供了更安全高效的解决方案。

　　

肾脏功能的精准评估一直是临床医学的重要课题，其中肾小球滤过率(GFR)作为衡量肾功能的关键指标，其准确测量直接影响慢性肾脏病(CKD)患者的诊疗决策。传统采用锝-99m二乙三胺五乙酸(Tc-99m DTPA)进行SPECT/CT成像的方法虽然较平面显像更准确，但计算机断层扫描(CT)组件带来的额外辐射暴露（可达6.75 mSv）以及耗时的人工肾脏分割（每例约40分钟）成为临床应用的瓶颈。

针对这一技术痛点，首尔国立大学盆唐医院核医学科的研究团队在《Scientific Reports》发表创新成果，开发了完全基于人工智能的无CT肾脏SPECT定量技术。该研究通过两个关键神经网络架构的协同作用：首先利用散射校正SPECT数据生成合成衰减图(μ-map)，随后采用带有边缘注意力模块的残差U-Net(ResU-Net)实现全自动肾脏分割。在1000例SPECT/CT数据的训练验证中，模型展现出0.818±0.056的Dice相似系数，体积差异仅17.9±43.6 mL。特别值得注意的是，在50例独立验证集中，AI计算的GFR(109.3±17.3 mL/min)与传统方法(109.2±18.4 mL/min)无统计学差异(p=0.9396)，证实了该技术的临床等效性。

关键技术方法包括：1) 使用1000例Tc-99m DTPA SPECT/CT数据集开发深度学习模型；2) 采用窗口-最大归一化(windowing-maximum normalization)预处理μ-map；3) 构建残差U-Net与边缘注意力模块结合的架构；4) 应用广义Dice相似度损失函数(GDSC)解决类别不平衡问题；5) 通过%注射剂量(%ID)转换公式计算GFR值。

主要研究结果体现在：
SPECT输入支持验证：证实单独使用μ-map输入即可获得最佳分割效果，添加SPECT数据支持反而导致分割失败率升高。
归一化策略优化：窗口-最大归一化(上限0.5)配合GDSC损失函数的三分类方案，在保持较高Dice分数(0.808±0.061)的同时，实现略大于真实值的预测体积(-23.0±43.6 mL)，更有利于放射性活度捕获。
模型架构选择：带注意力模块的ResU-Net相较传统U-Net将Dice分数提升至0.810±0.058，边缘检测能力显著增强。
临床验证：合成μ-map与真实CT的衰减系数相关性达R²=0.9772，最终GFR计算结果证实与金标准无显著差异。

这项研究的突破性在于首次实现肾脏SPECT成像中CT组件的完全替代，通过深度学习同步解决了衰减校正(AC)和器官分割(OS)两大核心问题。从临床价值看，该技术使患者辐射剂量降低45.3-78.8%，同时将人工操作时间从40分钟级压缩至秒级，为肾功能动态监测创造了更安全便捷的条件。方法论上提出的窗口-最大归一化策略和边缘注意力机制，为其他医学图像分割任务提供了新思路。尽管存在单中心数据的局限性，但这项研究标志着人工智能在核医学定量分析中的应用迈入新阶段，为开发更多"无CT化"的SPECT检查方案树立了技术范式。