皮层上的模态桥接：借助扩散桥实现基于表面的 MRI 到 PET 转换

通过氟代脱氧葡萄糖正电子发射断层显像（FDG-PET）测量的皮层低代谢是诊断痴呆的高敏感性生物标志物。然而，高昂的成本、辐射暴露以及有限的可及性限制了其临床应用。尽管基于磁共振成像（MRI）的跨模态合成提供了一种有前景的替代方案，但现有的体积生成方法并未显式考虑高度褶皱的皮层几何结构，而疾病相关模式主要存在于这一结构中。为此，我们提出了一种新颖的基于表面的扩散桥框架 DB-SUiT，用于 MRI 到 PET 的转换，并直接运行于皮层流形上。我们专门设计了条件式 Spherical U-shaped vision Transformer（SUiT），在保持表面拓扑结构的同时，对复杂的跨模态关系进行建模。该模型将球面卷积编码器用于提取多尺度表面特征，并结合瓶颈 Transformers 捕捉长程空间依赖关系，同时引入人口统计学和皮层下条件信息，以优化合成结果。在包括不同类型痴呆受试者的两个数据集上进行评估时，DB-SUiT 展现出高保真度的合成效果，显著优于其他基线方法。在自动化痴呆分类中，合成 PET 表面相较于 MRI 的性能提升了 14.2%，相较于 PET 体积数据的性能提升了 11.3%，接近真实 PET 表面的性能。在盲法阅片者研究中，合成 PET 的诊断准确率达到 85.5%，而 MRI 和真实 PET 分别为 75.8% 和 95.2%。此外，模型在一个外部队列上无需重新训练便进行了评估，该队列包含训练期间未出现的痴呆亚型，进一步证明了其跨队列和跨病理类型的泛化能力。我们的代码可见于 https://github.com/ai-med/DB-SUiT。