基于深度学习方法实现SPECT放射性核素定量测量（一）

基于深度学习方法实现SPECT放射性核素定量测量（一）——课题介绍

放射治疗是目前癌症三大治疗手段之一，当前，世界上约有70%的癌症患者使用放射治疗。放射治疗技术包括普通X射线治疗、硼中子俘获治疗、质子重离子治疗和放射性核素内照射治疗。其中放射性核素内照射治疗相比于其它治疗手段有一些独特的优势。放射性核素内照射治疗是将放射性核素引入体内，使其大量聚集在病变部位，利用核素衰变产生的α、β粒子的电离辐射生物学效应破坏病变组织。放射性核素内照射治疗只杀伤病变区域的恶性细胞，而对正常组织和器官的损伤较小。因此放射性核素内照射治疗具有无创伤、对正常组织无损伤或损伤轻微、以及治疗疗效好等优点。放射性核素的引入主要是通过向人体注射放射性药物进行的。放射性药物是用放射性核素标记的医用化合物及生物制品的总称。选择的放射性药物一般对恶性肿瘤具有高度的靶向特异性，可以使用==单光子发射计算机断层扫描（Single Photon Emission Computer Tomography, SPECT）==或正电子发射计算机断层扫描（Positron Emission Computed Tomography, PET）实现非侵入性成像，能够对病变区域细胞进行精准杀伤，对使用手术不能切除或不能完全切除的肿瘤具有不可替代的疗效。

为了将放射性核素治疗安全广泛的应用到临床肿瘤的治疗中，对放射性核素治疗进行精准的剂量评价十分重要。而对放射性药物在体内的活度分布进行精准定量分析是进行准确内照射剂量评价的关键。放射性核素治疗中对靶区和正常组织的吸收剂量及其分布的准确确定可以有效的评估治疗效果和危害，目前有MIRD法、剂量点核卷积方法（Dose Point Kernel）、Monte Carlo等方法进行剂量测定。三种内照射剂量计算方法如下图所示：

目前SPECT定量分析主要是致力于尽可能扣除物理干扰，使得图像的像素值与生物体内的放射性药物浓度呈正相关的线性关系，后使用$kBq/c{m}^3$单位量对放射性药物分布进行定量描述。SPECT成像空间分辨率较低，而且受散射和衰减等影响，定量精度较低，目前SPECT定量分析误差可以控制在10%以内，但仍需要进一步降低，因此有必要研究精确的SPECT活度定量分析方法，从而可以进行准确的内照射剂量计算。

目前SPECT活度定量过程如图所示：

目前SPECT定量主要是使用刻度的方法实现计数分布到活度分布的计算，考虑使用目前很热门的深度学习方法代替刻度过程。

工作思路：考虑使用GATE进行仿真，获取SPECT扫描数据，数据类型为projection data（SPECT投影数据），对projection投影数据进行图像重建活度SPECT计数分布图并进行衰减校正，然后使用人工神经网络模型进行放射性核素活度预测，实现SPECT计数分布图像到放射性核素活度分布图像的计算。