2025年，随着人工智能（AI）技术和影像组学方法的快速发展，医学影像正从传统的"形态观察"向"信息解析"转变。在一体化PET-MR平台中，结构影像与功能影像的同步获取为深度学习方法提供了多模态数据基础，使其在图像重建、定量优化及疾病诊断等关键环节发挥日益重要的作用。

深度学习辅助衰减校正：提升PET-MR定量稳定性
在一体化PET-MR成像中，传统基于MRI的衰减校正（MRAC）由于MRI信号与真实衰减特性之间缺少直接对应关系，尤其在骨组织区域易产生定量误差，这直接影响SUV值的准确性，进而影响临床诊断和疗效评估的可靠性。上海交通大学医学院附属瑞金医院李彪教授团队开展了基于深度学习优化MRAC的研究。团队通过引入放疗平床板实现PET-CT与PET-MR检查体位一致，并以同一受试者PET-CT数据作为参考，构建了高可信度的MRAC验证体系。

在方法层面，研究团队建立了从MRI图像生成合成CT的深度学习流程，同时生成连续衰减系数图，并与传统离散组织分割方式进行比较。结果显示，该方法在全身、器官及病灶多个层面均表现出更高的定量准确性。在脊柱、股骨等骨组织区域，连续衰减系数图方法有效减少了传统MRAC中SUV值偏低的问题。病灶分析进一步显示，传统方法的定量误差受病灶与骨骼距离影响，而深度学习方法则不受骨组织邻近效应干扰，体现出更稳定的病灶定量能力。

功能信息驱动结构解析：跨模态智能成像
PET图像空间分辨率有限且解剖信息不足，在缺乏直接解剖对比信息的情况下实现稳定的脑区解析，一直是跨模态脑影像研究中的重要挑战。中国科学院深圳先进技术研究院胡战利教授团队与河南省人民医院王梅云教授团队围绕PET代谢信息中潜在的结构组织特征开展了创新性方法学研究。

研究团队提出了一种基于双重交叉注意机制的深度学习模型，实现了由PET数据直接生成MRI图像。该方法通过建立代谢特征与解剖形态之间的跨模态对应关系，并引入结构语义约束引导生成过程，有效保留了结构信息与组织细节。结果显示，该方法在峰值信噪比、结构相似性及像素误差等定量指标上均优于其他3D深度学习模型，为缺乏MRI数据的PET检查提供了一种智能化的解剖参考方案。

多模态融合诊断的未来方向
AI与影像组学在PET-MR平台上的应用正在拓宽多模态诊断的边界。从定量准确性提升到跨模态信息解析，再到智能诊断建模，深度学习正渗透到PET-MR成像的全流程。未来，随着更多临床数据的积累和算法的迭代优化，PET-MR有望实现真正意义上的"智能成像"，从扫描参数自动优化、图像智能重建、病灶自动检测到结构化报告生成，全流程AI赋能将大幅提升诊断效率和一致性，让精准医学影像惠及更多患者。

如需了解PET-MR多模态检查详情或预约咨询，请致电预约咨询热线4000-211-357或添加预约客服微信afxy0329，专业团队将为您提供全方位的医学影像预约服务。