ReMAP-PET：超越视觉理解——从大脑 PET 中学习区域引导代谢对齐语义

正电子发射断层扫描 (PET) 可揭示大脑代谢，并且在临床上对于神经退行性疾病评估至关重要，但现有的 3D 大脑基础模型将 PET 视为通用体积数据，缺少将其与结构神经影像区分开来的结构化区域代谢信息。为了解决这些限制，我们提出了 ReMAP-PET，这是一个超越视觉编码的框架，通过联合回归和对比目标来监督部分调整的 MedicalNet 3D ResNet-50 和大脑区域标准化摄取值比 (SUVR) 配置文件，使编码器能够学习 PET 模态的代谢语义。在 1015 个配对 PET-SUVR 样本上，ReMAP-PET 实现了 0.070 SUVR MAE 和 77.8% PET SUVR Recall@1，大大优于五个冻结的预训练基线。我们通过与冷冻 BioClinicalBERT 的对比对齐进一步将代谢嵌入与临床语言联系起来，并通过 SUVR 约束的语言表达演示端到端 PET 到报告的生成。对诊断分类和认知回归任务的线性探测证实，嵌入保留了临床相关信息，而无需特定于任务的 微调。我们的结果表明，将 PET 编码器扎根于区域代谢语义——而不是将 PET 视为通用体积数据——产生结构化、可解释和语言兼容的表示，为代谢感知 PET 理解指明了新方向。