人工智能技术飞速发展推动医学影像技术进入新的历史阶段，在医学影像，AI已经融入到扫描前患者的准备、图像扫描、图像重建、图像分析和报告书写整个影像链每个环节，全面提高医学影像成像效率和图像质量，降低了对患者的辐射剂量。在医学影像AI浪潮下，对于核医学分子影像而言，我们需要积极加入并推动这场浪潮，掌握AI新技术，迈进核医学分子影像新时代。
核医学分子影像AI技术已经在核医学分子影像成像链的各个环节发挥着作用，显著提高PET图像质量、明显降低放射性药物注射剂量、提高扫描速度，并且能够精准检出病灶。以下就对几个最新技术进展做介绍。
基于深度学习全身CT图像的组织脏器分割夯实精准定量分析基础，推动诊疗一体化的发展和实施。
核医学分子影像的PET/CT和SPECT/CT设备的CT实现用CT图像完成γ射线在组织中衰减校正、PET或SPECT与CT图像融合的问题，在疾病临床诊断定位、定性、定量和分期中发挥着重要的作用，推动核医学分子影像从“Nuclear”到“Clear”影像。基于深度学习全身CT（包括局部）组织脏器的分割能够自动提供组织、脏器解剖结构精准信息（比如，除大脏器外，还能够提供甲状腺、肋骨、椎体、肾上腺、前列腺、主要骨骼肌等），从而实现对病灶精准自动定位和精准定量分析。图1是平扫低剂量全身扫描的CT，然后经过深度学习组织脏器分割获得图像，可以看出深度学习能自动、精准确定组织脏器的解剖位置，自动实现精准定量（脏器或病灶的大小、位置、形态、CT值和SUV）。采用深度学习对PET/CT或SPECT/CT中低剂量CT图像精准组织脏器分割为核医学分子影像图像自动分析奠定基础，这将加速核医学分子影像从传统的统计分析朝着基于AI的个体诊疗一体化方向发展。
基于AI技术获得更多信息，推动建立新的检查流程和规范
在核医学分子影像AI技术和方法中，影像组学是基础，深度学习是目标和方向。从对影像组学研究积累的经验来看，只有将影像组学研究获得的成果尽快迁移到深度学习，才能使得核医学AI技术具有临床实用价值。基于影像组学和深度学习方法能够获得图像丰富特征，而这些特征是视觉无法发现的。比如：影像组学能够获得脏器、病灶的影像特征，这些影像特征除现在用在病灶良恶鉴别、预后和疗效评估的基础应用外，影像组学特征可以为静态3D图像提供超空间信息，使得3D图像具有“类似4D图像”的性质，为分子影像代谢组学研究打下基础，从而突破传统的图像分析思路和方法，也将改变核医学影像设备成像流程。这将使得现在静态全身PET/CT图像具有动态扫描图像的信息，无需再进行成本高昂的全身动态扫描，极大节约成本，推动PET/CT朝着普及化方向发展。同样采用深度学习提供的图像特征能够更快速实现图像从3D PET和SPECT转化成类似4D图像。深度学习能够自动获得图像特征，不受人为因素的干扰，因而更加受到学者们的重视。随着计算机硬件成本不断降低，特别是GPU成本降低，深度学习将成为核医学分子影像主要的AI技术和方法。 目前，影像组学和深度学习在核医学分子影像的应用才是起步阶段，相信随着代谢组学研究的深入更多惊喜将会很快出现。
深度学习跨模态图像合成推动核医学分子影像进入新阶段
深度学习图像合成技术和方法将对核医学分子影像产生巨大的影响，就像“Sora”一样。从CT、MR、PET和SPECT跨模态图像合成，特别是从CT或MR合成MR或者CT图像，不但可以解决PET、SPECT图像衰减校正问题，而且也可以获得模型实现PET、SPECT图像自身衰减校正，并通过对MR图像组织分割实现对脑PET精准定量分析。比如，从脑CT合成脑MR T1/T2图像后，再采用深度学习对MR图像进行组织分割，实现PET/CT图像精准定量分析（比如，18F-AV45、11C-PIB等PET/CT图像定量分析）。从MR T1合成FDG PET图像技术进展可能将改变一体化PET/MR设备研发方向和临床应用范围，图2是从患者MR T1合成FDG PET图像，从MR T1能够获得类“FDG PET”图像。深度学习跨模态图像合成将引起医学影像成像设备领域的一场革命，将从根本上改变目前核医学分子影像设备成像结构、成像的方法和流程。
