[论文解读] Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET

Francesca De Benetti, Walter Simson+6 more|arXiv (Cornell University)|May 17, 2023

Medical Imaging Techniques and Applications被引用 4

一句话总结

该论文提出了一种自监督的时空3D UNet，用于从动态F-18-FDG PET数据中估计基于生理学的药代动力学（PBPK）模型参数，通过物理信息损失直接强制预测与测量的时间活性曲线（TACs）保持一致。该方法在参数图像质量上与传统曲线拟合相当，但速度最快可达快一个数量级，无需真实标签即可生成生物上合理的体素级动力学图谱。

ABSTRACT

Dynamic positron emission tomography imaging (dPET) provides temporally resolved images of a tracer enabling a quantitative measure of physiological processes. Voxel-wise physiologically-based pharmacokinetic (PBPK) modeling of the time activity curves (TAC) can provide relevant diagnostic information for clinical workflow. Conventional fitting strategies for TACs are slow and ignore the spatial relation between neighboring voxels. We train a spatio-temporal UNet to estimate the kinetic parameters given TAC from F-18-fluorodeoxyglucose (FDG) dPET. This work introduces a self-supervised loss formulation to enforce the similarity between the measured TAC and those generated with the learned kinetic parameters. Our method provides quantitatively comparable results at organ-level to the significantly slower conventional approaches, while generating pixel-wise parametric images which are consistent with expected physiology. To the best of our knowledge, this is the first self-supervised network that allows voxel-wise computation of kinetic parameters consistent with a non-linear kinetic model. The code will become publicly available upon acceptance.

研究动机与目标

• 解决动态PET中体素级PBPK参数估计速度慢、噪声大且临床不切实际的挑战。
• 开发一种深度学习框架，利用自监督学习在动力学参数预测中强制实现生理一致性。
• 在体素水平生成高质量的参数图像，反映预期的生理模式。
• 实现实时、可扩展的动力学建模，与临床工作流程兼容。
• 克服传统曲线拟合的局限性，如陷入局部最小值及对噪声的敏感性。

提出的方法

• 训练一种带有独立空间与时间卷积核的定制3D UNet，用于预测四个动力学参数：K1、k2、k3和VB。
• 网络使用自监督损失，最小化测量TAC与由预测参数重构的TAC之间的均方误差。
• 损失函数将2组织室（2TC）PBPK模型作为可微分约束嵌入，以强制实现物理上的合理性。
• 利用空间与时间卷积以捕捉dPET数据中的邻域与时间依赖性。
• 模型在真实dPET数据上端到端训练，无需真实参数标签，仅依赖TAC重构保真度。
• 该架构相比标准UNet将参数量减少了99.6%，提升了收敛速度与效率。

实验结果

研究问题

• RQ1 自监督深度学习模型能否在无真实标签的情况下准确估计动态PET中的PBPK动力学参数？
• RQ2 在损失函数中强制使用可微分的PBPK模型是否能提升参数图像的生理合理性？
• RQ3 与传统曲线拟合相比，该方法在准确性和速度方面的表现如何？
• RQ4 该模型能否在具有不同TAC动态的解剖区域（如肝脏、心脏和肺）之间实现泛化？
• RQ5 呼吸与心脏运动伪影对参数估计有何影响？该模型能否减轻这些影响？

主要发现

• 在肝脏中，该方法的余弦相似度（CS）达到0.87，在心脏/肺部为0.71，表明TAC重构保真度高。
• DNN生成的参数图像在空间分布上比传统曲线拟合更接近真实生理模式，尤其在肝脏中胆囊结构清晰可见。
• DNN模型的运行速度显著快于传统曲线拟合，支持实时或近实时的参数成像。
• 该模型对K1、k2、k3和VB的预测结果与参考曲线拟合结果总体一致，但脾脏的K1和肾脏的k2略超出置信区间。
• 心脏和主动脉中VB的低估（分别为0.376和0.622）表明运动伪影影响了准确性，尤其在高运动区域。
• 尽管缺乏真实标签，该方法生成的参数图像在定性上比传统方法更符合预期生理特征。