任怡璇?崔容宇

【摘要】 人工智能深度學習技術(shù)在醫(yī)學影像領域中的應用是近年來的研究熱點。單光子計算機斷層顯像（SPECT）作為核醫(yī)學影像診斷中的重要分支，為臨床提供可靠的影像信息，特別是在功能顯像方面具有獨特優(yōu)勢。該文回顧近年來深度學習在SPECT中主要研究方向、研究價值和應用現(xiàn)狀，總結(jié)現(xiàn)階段各研究中存在的不足，并對未來的研究進行展望。

【關(guān)鍵詞】 深度學習；人工智能；單光子計算機斷層顯像；核醫(yī)學；研究進展

Research progress in deep learning in single-photon computed tomography Ren Yixuan， Cui Rongyu△.△Chengdu Neusoft University， Dujianyan 681844， China

Corresponding author， Cui Rongyu， E-mail： 18661072213@163.com

【Abstract】 The research of artificial intelligence deep learning technology has become a hot topic in the field of medical imaging in recent years. As an important branch of nuclear medicine imaging diagnosis， single-photon emission computer tomography （SPECT） has unique advantages in providing reliable image information for clinicians， especially in functional imaging. In this article， the main research directions， values and application status of deep learning in SPECT in recent years were reviewed， the main problems existing in current research were summarized， and the future research was predicted.

【Key words】 Deep learning； Artificial intelligence； Single-photon computed tomography； Nuclear medicine；

Research progress

隨著計算機硬件設備和算法模型不斷更新?lián)Q代，一種通過構(gòu)建多層神經(jīng)網(wǎng)絡來對數(shù)據(jù)進行學習并進行分析和預測的人工智能技術(shù)——深度學習（DL），徹底改變了計算機視覺領域，從圖像分類、目標檢測、語義分割到醫(yī)學圖像分析都有廣泛的應用［1］。DL是機器學習（ML）中的一個新的研究方向，主要是通過學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，讓機器能夠具有類似于人類的分析學習能力。其核心在于通過構(gòu)建多層次的神經(jīng)網(wǎng)絡模型來模擬人類大腦的神經(jīng)傳導和處理機制，相比于其他ML模型，更加靈活且適應性更強［1-2］。單光子計算機斷層顯像（SPECT）是核醫(yī)學影像診斷中的重要分支，其功能成像的特點為疾病診斷提供關(guān)鍵信息，然而其分辨率有限，并且對診斷醫(yī)師的經(jīng)驗有較高要求，仍需進一步優(yōu)化。DL在SPECT圖像分析中的應用是近年來的研究熱點，其在診斷的準確性、工作效率和一致性等方面顯示出巨大潛力，在一些研究中表現(xiàn)出超越人類專家的水平［3］。本文主要對DL在SPECT影像診斷中的最新研究進展進行綜述，總結(jié)現(xiàn)階段各研究的主要方向和成果，并對未來的研究進行展望。

一、DL概述

DL的核心流程涵蓋多個精細步驟，從數(shù)據(jù)的前期準備、模型構(gòu)建、訓練與優(yōu)化到最終模型的測試和評估。DL模型作為一種基于神經(jīng)網(wǎng)絡的ML算法，通過模擬人腦神經(jīng)網(wǎng)絡的工作機制來實現(xiàn)數(shù)據(jù)的處理與解析。它能夠從海量數(shù)據(jù)中自動學習并提取有用的特征，進而應用于分類、回歸等多種任務。

在SPECT圖像分析領域，幾種主流的DL模型被廣泛采用，它們各自具有獨特的優(yōu)勢和應用場景。卷積神經(jīng)網(wǎng)絡（CNN）通過其特有的卷積層設計，能夠有效地捕捉圖像的局部特征，同時利用池化層實現(xiàn)數(shù)據(jù)的降維處理，因此在圖像識別和分類任務中表現(xiàn)出色。循環(huán)神經(jīng)網(wǎng)絡（RNN）及其衍生變體如長短時記憶網(wǎng)絡（LSTM），擅長處理文本、時間序列等類型的數(shù)據(jù)。生成對抗網(wǎng)絡（GAN）作為一種生成式模型，通過生成器和判別器的對抗訓練，能夠生成具有高度真實感的新數(shù)據(jù)樣本。殘差網(wǎng)絡（ResNet）、Transformer等模型和變體也在各自的應用領域中取得了顯著成效［4］。

針對DL圖像分類任務，準確率、靈敏度和特異度等指標被廣泛采用，它們能夠從不同角度反映模型的分類能力，受試者操作特征（ROC）曲線及曲線下面積（AUC）也是評估分類模型性能的重要工具。在圖像分割任務中，Dice相似系數(shù)和Hausdorff距離是兩個常用的評價指標。Dice相似系數(shù)通過計算兩組樣本的交集與并集之比來評估其相似度，取值范圍0～1，越接近1代表相似度越高。Hausdorff距離則用于描述兩組點集之間的不相似程度，越大表示匹配程度越低。這些評價指標為DL模型在SPECT等領域的性能評估提供有力支持。

二、DL在SPECT圖像分析中的應用

1. 在心肌灌注顯像（MPI）中的應用

MPI是一種廣泛應用于冠狀動脈疾?。–AD）的影像分析方法［5］。傳統(tǒng)的影像解讀方法依靠核醫(yī)學醫(yī)師的視覺分析，具有經(jīng)驗依賴性，且耗時較長［6］。Su等［7］和Liu等［8］分別采用了3D CNN和ResNet-34 DL模型，對MPI圖像進行分類診斷，對CAD的診斷準確度分別為87.08%和82.7%，均具有較高的診斷效能和臨床應用潛力，并且大幅度縮短圖像分析時間。然而，訓練的模型均由核醫(yī)學專家的診斷作為判斷標準而非冠狀動脈造影，具有一定的主觀性。Miller等［9］進行的研究顯示，有CAD-DL輔助的醫(yī)師診斷效能高于無CAD-DL的醫(yī)師（AUC 0.779 vs. 0.747，P =

0.003），DL輔助下醫(yī)師的分類診斷較無DL改善17.2%，提示CAD-DL可作為輔助診斷的工具，但該研究中不同醫(yī)師的診斷水平提高和接受程度是不同的，對于有經(jīng)驗的醫(yī)師（工齡>20年）的診斷水平提高并不顯著，尚不能完全替代醫(yī)師的工作獨立出具報告。DL在CAD預后判斷、冠狀動脈鈣化評分、心肌缺血面積測定、圖像分割等方面的研究均為近年的研究熱點，表1對2021年以來相關(guān)的高質(zhì)量研究進行匯總，可見DL在不降低診斷準確度的同時大幅縮短MPI圖像分析的時間，有助于提高工作效率，但是不同的研究在算法模型、圖像增強和擴增、分類標準等方面均有所不同，目前尚缺乏大樣本、多中心的研究對不同的模型和圖像處理方式等進行橫向評估和形成統(tǒng)一標準，這將是未來的研究方向之一。

2. 在全身骨顯像中的應用

99mTc-亞甲基二磷酸鹽（99mTc-MDP）全身骨顯像是診斷骨骼病變最常用的檢查方法之一，特別是腫瘤骨轉(zhuǎn)移的診斷，但是會因外傷、感染、退行性改變等造成假陽性，對年輕醫(yī)師而言有一定的挑戰(zhàn)。曹傳貴等［15］回顧性分析780例患者的全身骨顯像圖像，基于圖像平移、旋轉(zhuǎn)、扭曲、鏡像的方式進行數(shù)據(jù)擴展，采用VGG-16 DL模型進行訓練，其準確度、AUC值、召回率分別為0.926、0.986、0.934，具有相當出色的診斷效能。Petibon等［16］應用CNN診斷兒童腰椎病變，其診斷效能略高于診斷醫(yī)師，AUC值為0.830，而醫(yī)師組則為0.785。Lin 等［17-18］的研究聚焦于胸骨病變的分割和診斷。雖然這類研究具有非常高的準確度，但是由于訓練的病種較單一，難以運用在其他類型的疾病中，也難以在實際工作中推廣。Pi等［19］提出一種基于深度神經(jīng)網(wǎng)絡參數(shù)化的空間注意特征融合算子技術(shù)，構(gòu)建全身骨顯像輔助診斷模型用于診斷腫瘤骨轉(zhuǎn)移，該模型由三個子網(wǎng)絡組成，以數(shù)據(jù)驅(qū)動的方式提取、聚合和分類高級特征。該研究共納入22類腫瘤共15 474次檢查，準確度達93.17%，但僅用于腫瘤骨轉(zhuǎn)移的診斷，而不能進一步區(qū)分全身骨掃描中的其他異常圖像，如骨折、骨關(guān)節(jié)炎等，DL在全身骨顯像中的研究仍然具有進一步開發(fā)的空間。

3. 在131碘（131I）治療后全身掃描中的應用

分化型甲狀腺癌術(shù)后患者經(jīng)131I治療后行全身平面掃描，對診斷轉(zhuǎn)移性淋巴結(jié)具有重要意義。Kavitha等［20］開發(fā)了一種多層全連接深度網(wǎng)絡（MFDN）用于分化型甲狀腺癌術(shù)后131I治療后全身平面顯像中殘余甲狀腺和轉(zhuǎn)移性淋巴結(jié)的自動識別，并利用SPECT/CT斷層掃描評估診斷效能。該研究將轉(zhuǎn)移性淋巴結(jié)和殘余甲狀腺組織的圖像補丁及其像素位置概率的變化輸入網(wǎng)絡，通過復制信號傳輸?shù)亩鄬臃夯阅?，克服局部最小?yōu)化的約束，總體精確度為93.7%，高于人工方法的精確度74.5%，可以用于判斷甲狀腺癌術(shù)后淋巴結(jié)轉(zhuǎn)移和殘余甲狀腺組織，為臨床決策提供參考依據(jù)。

4. 在甲狀腺靜態(tài)顯像中的應用

甲狀腺靜態(tài)顯像可以提供甲狀腺功能及代謝信息，為甲狀腺疾病的診斷和治療提供依據(jù)。Liu等［21］將甲狀腺靜態(tài)顯像圖像分為甲狀腺功能亢進、正常和甲狀腺功能減退，在預處理中對甲狀腺感興趣區(qū)域進行分割，擴大數(shù)據(jù)樣本量，采用CNN、Inception、VGG-16和RNN這4種CNN模型對DL技術(shù)進行評價。該研究中，DL技術(shù)表現(xiàn)出良好的分類性能，各模型的準確度達到92.9%～96.2%，其中以VGG-16模型的準確度最高。Zhao等［22］比較了AlexNet、ShuffleNetV2、MobileNetV3和ResNet-34

這4種不同的深度CNN模型在甲狀腺疾病分類（Graves病、亞急性甲狀腺炎、甲狀腺腫瘤和正常甲狀腺）中的價值，4種模型均具有超過85%的總體精度，其中以改進后的ResNet-34模型表現(xiàn)最好，準確度高達94.4%。在內(nèi)部驗證集中，ResNet-34模型的準確度高出資深核醫(yī)學醫(yī)師近10%，在外部數(shù)據(jù)集中，準確度高出約6%。DL模型是多種多樣的，并且正在以極快的速度更新和迭代，對不同的模型之間的橫向比較有助于選擇最適宜的算法。

5. 在眼眶99mTc-二乙三胺五乙酸（99mTc-DTPA）SPECT/CT中的應用

99mTc-DTPA SPECT/CT是評估Graves眼病（GO）患者炎癥活動性的重要方法。Yao等［23］提出一種被命名為“GO-Net”的DL方法，用于評估GO患者的炎癥活動性。該方法首先用V-Net圖像語義網(wǎng)絡分割方法提取來自497例GO患者眼眶CT圖像中的眼外肌，然后運用CNN對SPECT/CT和分割結(jié)果的炎性活動進行分類，采用五倍交叉驗證進行訓練和內(nèi)部驗證，其診斷GO的靈敏度為84.63%，特異度為83.87%。GO-Net是一種創(chuàng)新的DL模型，為GO患者的炎癥評估提供新的視角。結(jié)合圖像分割和卷積神經(jīng)網(wǎng)絡，該方法能夠更準確地識別和分類炎癥活動，從而為臨床診斷和治療提供更有價值的參考。

6. 在泌尿系統(tǒng)中的應用

99mTc-DTPA SPECT檢查常用于腎小球濾過率（GFR）測定，其測定的GFR值與腎臟輪廓勾畫、腎臟深度計算方法等密切相關(guān)。通過SPECT/CT中的低劑量CT圖像繪制腎實質(zhì)感興趣區(qū)（VOI），較傳統(tǒng)平面顯像的勾畫更準確、更可靠。然而，在CT圖像中手動繪制VOI是一項耗時的工作，并且不同繪制者之間存在一定的差異。Park等［24］對腎實質(zhì)SPECT/CT圖像進行自動化三維（3D）分割，與手動分割相比具有非常高的Dice相似系數(shù)（0.89）。人工分割和自動分割得到的GFR值呈強相關(guān)（R2 = 0.96），絕對差值僅為2.90%。運用該方法可實現(xiàn)快速、準確的GFR測量。99mTc-二巰基丁二酸（99mTc-DMSA）SPECT腎靜態(tài)顯像可以清晰顯示腎臟的位置、大小、形態(tài)等。Lin等［25］用DL技術(shù)對兒童99mTc-DMSA SPECT腎靜態(tài)顯像圖像進行訓練，共納入301例患兒，其中訓練集261例，驗證集和測試集均為20例。運用DL模型分別對3D SPECT圖像、2D最大強度投影（MIP）和2.5D MIP（橫切面、矢狀面和冠狀面）進行訓練。結(jié)果顯示，運用2.5D訓練的模型在鑒別正常與異常腎靜態(tài)顯像的性能最高，其準確度、靈敏度和特異度分別為92.5%、90%和95%。與傳統(tǒng)方法相比，DL不僅可以更準確地識別和分類腎臟病變，提高診斷的準確度，還可以自動化完成一些繁瑣和耗時的任務，如VOI的繪制和GFR值的計算，從而提高工作效率和可靠性。

7. 在神經(jīng)系統(tǒng)中的應用

7.1 腦血流灌注顯像

基礎/乙酰唑胺負荷腦血流灌注顯像可以無創(chuàng)評估缺血性腦血管病患者局部腦血流動力學的變化及腦血流儲備能力，應用于腦動脈狹窄、煙霧病等的診斷。Ryoo等［26］收集7 345例基礎/乙酰唑胺負荷腦血流灌注顯像的圖像及其診斷報告，采用長短期記憶（LSTM）網(wǎng)絡模型對圖文信息進行訓練，以判斷基礎灌注異常和每個血管區(qū)域的腦血流儲備，LSTM對9個不同腦血流區(qū)域的總體診斷的AUC值為0.89，該DL模型還可以提供腦血流定量評分，特別是血運重建的患者。研究為腦血流灌注顯像分析提供了一種新的方法，不僅具有較高的診斷效能，還有望成為腦血流動力學定量的實用工具，具有廣闊的應用前景。

7.2 123I-FP-CIT多巴胺轉(zhuǎn)運蛋白顯像

帕金森病（PD）是一種以黑質(zhì)多巴胺能神經(jīng)元變性和紋狀體多巴胺缺乏為特點的中樞神經(jīng)系統(tǒng)退行性疾?。?7］。123I-FP-CIT（131I-氟潘，DaTSCAN）

SPECT顯像能敏感檢測腦內(nèi)多巴胺轉(zhuǎn)運體，于2011年被FDA批準用于PD的早期診斷［28］。Kurmi等［29］提出了一種基于模糊融合邏輯集成方法的DL模型，利用123I-FP-CIT圖像預測PD。該研究數(shù)據(jù)庫來源于Parkinsons Progression Markers Initiative的公開數(shù)據(jù)庫，模型對PD診斷的準確率為98.45%，靈敏度為98.84%，特異度為97.67%，具有非常高的診斷能力。這種基于DL的診斷方法有望為PD的早期診斷和治療提供有力支持。

8. 肺通氣-灌注顯像

肺通氣-灌注顯像是診斷肺栓塞的有效方法。Smith等［30］運用 “AI-RAD companion”醫(yī)學影像人工智能識別軟件，對120例進行了肺通氣-灌注顯像SPECT/CT檢查中的低劑量CT圖像進行分析。軟件采用“深度CNN”的算法，在肺通氣-灌注顯像SPECT/CT中冠狀動脈鈣化和主動脈擴張/動脈瘤的診斷具有較高的臨床應用價值，靈敏度分別為89.8%、100%，特異度分別為96.9%、89.7%；而

在肺結(jié)節(jié)、椎體高度損失的特異度較低，分別為45.6%、34.6%，尚需要進一步優(yōu)化算法。DL技術(shù)還可將其他胸部的影像學檢查，如CT、18F-氟代葡萄糖（FDG）PET等自動合成肺灌注顯像圖像，并且與真實肺灌注顯像的圖像具有相當高的一致性。Ren等［31］回顧性分析73例99mTc-大聚集白蛋白SPECT/CT肺灌注顯像結(jié)果，構(gòu)建一個3D注意力殘差神經(jīng)網(wǎng)絡，基于DL的計算機斷層掃描灌注成像（DL-CTPM）與99mTc-大聚集白蛋白SPECT肺灌注顯像的體素相關(guān)系數(shù)為0.67，呈中-高程度相關(guān)，結(jié)構(gòu)相似性指數(shù)（SSIM）為0.76，呈高程度相關(guān)。Gu等［32］ 的研究則是運用 3D U-net DL模型，利用18F-FDG PET/CT合成肺灌注圖像。與SPECT肺灌注顯像相比，其體素相關(guān)系數(shù)為0.78，多尺度結(jié)構(gòu)相似性指數(shù)（MS-SSIM）為0.93。雖然研究尚不能從病理層面解釋兩種不同影像方法之間的關(guān)聯(lián)，但為人工智能在核醫(yī)學影像方面的研究提供了新的思路。

三、DL在SPECT應用中存在的挑戰(zhàn)

DL在SPECT中已經(jīng)有廣泛的應用研究，然而也存在一些局限性和挑戰(zhàn)。第一，DL需要大樣本量的數(shù)據(jù)集進行訓練，否則其研究結(jié)果傾向于欠擬合，學習不相關(guān)的特征，變得無法泛化。目前，大多數(shù)報道的研究樣本量較小，并且數(shù)據(jù)來自特定的SPECT掃描儀。多中心和多設備的研究是未來評估DL在SPECT影像診斷效能的必要條件和研究方向。此外，還可以通過建立多中心的核醫(yī)學圖像數(shù)據(jù)庫，讓科研工作者可以獲得更多全面的數(shù)據(jù)信息，將有利于人工智能影像的發(fā)展。第二，DL算法對數(shù)據(jù)質(zhì)量和標注的準確度要求較高，需要專業(yè)的醫(yī)學知識和技能，不同的標注者間也存在一定的差異，其標注的準確度難以評價。第三，DL模型的可解釋性較差。SPECT是一種復雜的醫(yī)學成像技術(shù)，其結(jié)果解釋需要醫(yī)師具備一定的專業(yè)知識和經(jīng)驗。第四，醫(yī)學診斷是一個綜合分析的過程，除了SPECT圖像，還需要整合臨床因素以提高模型的診斷準確度，有助于模型的解釋。另外，DL模型在處理大樣本SPECT數(shù)據(jù)時需要大量的計算資源和時間進行模型的訓練和推斷。同時，DL模型的訓練也需要大量的迭代和優(yōu)化，這可能會增加模型的訓練時間和成本。最后，目前的研究均是針對某一部位或某一種疾病進行分類、預后判斷等，作者尚未檢索到有研究提供一個應用于SPECT較全面的DL模型，這對算法、樣本量、病種量均是一大挑戰(zhàn)，也是下一代人工智能圖像分析領域的發(fā)展方向。

四、結(jié) 語

DL在核醫(yī)學SPECT影像診斷中的應用，涵蓋了疾病的診斷和鑒別診斷、目標組織或器官的自動化分割、療效觀察和預后判斷等多方面，且在SPECT影像診斷中表現(xiàn)出色。將DL技術(shù)應用于實際工作中，能顯著提升圖像分析的準確性和效率，并為醫(yī)師報告的撰寫提供有力支持，極大地提高診斷效率，大幅縮短工作時間。然而，當前階段DL在SPECT影像診斷中的應用還存在諸多不足，需要后續(xù)研究持續(xù)優(yōu)化和完善，通過進一步的深入研究和技術(shù)創(chuàng)新，充分發(fā)揮DL在SPECT影像診斷中的作用，推動核醫(yī)學領域的技術(shù)進步。

參 考 文 獻

［1］ 袁波， 代華， 伍佳， 等. 人工智能在全科醫(yī)學領域的應用［J］. 中華全科醫(yī)學， 2021， 19（9）：1433-1436， 1572.

Yuan B， Dai H， Wu J， et al. Application of artificial intelligence applications in general practice［J］. Chin J Gen Pract， 2021， 19（9）： 1433-1436， 1572.

［2］ Koh D M， Papanikolaou N， Bick U， et al. Artificial intelligence and machine learning in cancer imaging［J］. Commun Med， 2022， 2： 133.

［3］ Jimenez-Mesa C， Arco J E， Martinez-Murcia F J， et al. Applications of machine learning and deep learning in SPECT and PET imaging： general overview， challenges and future prospects［J］. Pharmacol Res， 2023， 197： 106984.

［4］ 黃雯珂， 滕飛， 王子丹， 等. 基于深度學習的圖像分割綜述［J］. 計算機科學， 2024， 51（2）： 107-116.

Huang W K， Teng F， Wang Z D， et al. Image segmentation based on deep learning： a study［J］. Comp Sci， 2024， 51（2）： 107-116.

［5］ 中華醫(yī)學會核醫(yī)學分會， 中華醫(yī)學會心血管病學分會. 核素心肌顯像臨床應用指南（2018）［J］. 中華心血管病雜志， 2019， 47（7）： 519-527.

Chinese Society of Nuclear Medicine， Chinese Society of Cardiology. Guideline for the clinical use of myocardial radionuclide imaging （2018） ［J］. Chin J Cardiol， 2019， 47 （7）： 519-527.

［6］ Papandrianos N I， Apostolopoulos I D， Feleki A， et al. AI-based classification algorithms in SPECT myocardial perfusion imaging for cardiovascular diagnosis： a review［J］. Nucl Med Commun， 2023， 44（1）： 1-11.

［7］ Su T Y， Chen J J， Chen W S， et al. Deep learning for myocardial ischemia auxiliary diagnosis using CZT SPECT myocardial perfusion imaging［J］. J Chin Med Assoc， 2023， 86（1）： 122-130.

［8］ Liu H， Wu J， Miller E J， et al. Diagnostic accuracy of stress-only myocardial perfusion SPECT improved by deep learning［J］. Eur J Nucl Med Mol Imaging， 2021， 48（9）： 2793-2800.

［9］ Miller R J H， Kuronuma K， Singh A， et al. Explainable deep learning improves physician interpretation of myocardial perfusion imaging［J］. J Nucl Med， 2022， 63（11）： 1768-1774.

［10］ Singh A， Miller R J H， Otaki Y， et al. Direct risk assessment from myocardial perfusion imaging using explainable deep learning［J］. JACC Cardiovasc Imaging， 2023， 16（2）： 209-220.

［11］ Ko C L， Lin S S， Huang C W， et al. Polar map-free 3D deep learning algorithm to predict obstructive coronary artery disease with myocardial perfusion CZT-SPECT［J］. Eur J Nucl Med Mol Imaging， 2023， 50（2）： 376-386.

［12］ Otaki Y， Singh A， Kavanagh P， et al. Clinical deployment of explainable artificial intelligence of SPECT for diagnosis of coronary artery disease［J］. JACC Cardiovasc Imaging， 2022， 15（6）： 1091-1102.

［13］ Miller R J H， Pieszko K， Shanbhag A， et al. Deep learning coronary artery calcium scores from SPECT/CT attenuation maps improve prediction of major adverse cardiac events［J］. J Nucl Med， 2023， 64（4）： 652-658.

［14］ Zhu F， Li L， Zhao J， et al. A new method incorporating deep learning with shape priors for left ventricular segmentation in myocardial perfusion SPECT images［J］. Comput Biol Med， 2023， 160： 106954.

［15］ 曹傳貴， 林強， 滿正行， 等. 基于VGG的SPECT骨掃描圖像關(guān)節(jié)炎分類［J］. 西北民族大學學報（自然科學版）， 2021， 42：36-45.

Cao C G， Lin Q， Man Z X， et al. VGG-based classification of arthritis in bone SPECT images［J］. J Northwest Minzu Uni （Nat Sci ed）， 2021， 42：36-45.

［16］ Petibon Y， Fahey F， Cao X， et al. Detecting lumbar lesions in 99mTc-MDP SPECT by deep learning： comparison with physicians［J］. Med Phys， 2021， 48（8）： 4249-4261.

［17］ Lin Q， Li T， Cao C， et al. Deep learning based automated diagnosis of bone metastases with SPECT thoracic bone images［J］. Sci Rep， 2021， 11（1）： 4223.

［18］ Lin Q， Luo M， Gao R， et al. Deep learning based automatic segmentation of metastasis hotspots in thorax bone SPECT images［J］. PLoS One， 2020， 15（12）： e0243253.

［19］ Pi Y， Zhao Z， Xiang Y， et al. Automated diagnosis of bone metastasis based on multi-view bone scans using attention-augmented deep neural networks［J］. Med Image Anal， 2020， 65： 101784.

［20］ Kavitha M， Lee C H， Shibudas K， et al. Deep learning enables automated localization of the metastatic lymph node for thyroid cancer on 131I post-ablation whole-body planar scans［J］. Sci Rep， 2020， 10（1）： 7738.

［21］ Liu Y， Xu Y， Meng X， et al. A study on the auxiliary diagnosis of thyroid disease images based on multiple dimensional deep learning algorithms［J］. Curr Med Imaging， 2020， 16（3）： 199-205.

［22］ Zhao H， Zheng C， Zhang H， et al. Diagnosis of thyroid disease using deep convolutional neural network models applied to thyroid scintigraphy images： a multicenter study［J］. Front Endocrinol， 2023， 14： 1224191.

［23］ Yao N， Li L， Gao Z， et al. Deep learning-based diagnosis of disease activity in patients with Graves orbitopathy using orbital SPECT/CT［J］. Eur J Nucl Med Mol Imaging， 2023， 50（12）： 3666-3674.

［24］ Park J， Bae S， Seo S， et al. Measurement of glomerular filtration rate using quantitative SPECT/CT and deep-learning-based kidney segmentation［J］. Sci Rep， 2019， 9（1）： 4223.

［25］ Lin C， Chang Y C， Chiu H Y， et al. Differentiation between normal and abnormal kidneys using 99mTc-DMSA SPECT with deep learning in paediatric patients［J］. Clin Radiol， 2023， 78（8）： 584-589.

［26］ Ryoo H G， Choi H， Lee D S. Deep learning-based interpretation of basal/acetazolamide brain perfusion SPECT leveraging unstructured reading reports［J］. Eur J Nucl Med Mol Imaging， 2020， 47（9）： 2186-2196.

［27］ Ruppert M C， Greuel A， Tahmasian M， et al. Network degeneration in Parkinsons disease： multimodal imaging of nigro-striato-cortical dysfunction［J］. Brain， 2020， 143（3）： 944-959.

［28］ Michopoulou S K， Dickson J C， Gardner G G， et al. Brain PET and SPECT imaging and quantification： a survey of the current status in the UK［J］. Nucl Med Commun， 2023， 44（10）： 834-842.

［29］ Kurmi A， Biswas S， Sen S， et al. An ensemble of CNN models for Parkinsons disease detection using DaTscan images［J］. Diagnostics， 2022， 12（5）： 1173.

［30］ Smith C， Nance S， Chamberlin J H， et al. Application of an artificial intelligence ensemble for detection of important secondary findings on lung ventilation and perfusion SPECT-CT［J］. Clin Imaging， 2023， 100： 24-29.

［31］ Ren G， Zhang J， Li T， et al. Deep learning-based computed tomography perfusion mapping （DL-CTPM） for pulmonary CT-to-perfusion translation［J］. Int J Radiat Oncol， 2021， 110（5）： 1508-1518.

［32］ Gu J， Qiu Q， Zhu J， et al. Deep learning-based combination of 18F-FDG PET and CT images for producing pulmonary perfusion image［J］. Med Phys， 2023， 50（12）： 7779-7790.

（收稿日期：2023-12-05）

（本文編輯：林燕薇）