PRGNN：面向脑PET图像分类的位置感知区域图神经网络

PRGNN是一种创新的图神经网络架构，专门针对脑PET图像分类任务设计，通过位置感知机制捕捉医学影像中的空间关系特征。该架构将脑部图像划分为解剖区域作为图节点，建模区域间的空间关系与代谢模式交互，旨在解决传统CNN在长距离空间关系建模上的局限。

正电子发射断层扫描（PET）是神经医学中检测脑部代谢活动的重要成像技术，对神经退行性疾病早期诊断有重要价值。但PET图像分析面临挑战：复杂立体结构下不同脑区间的精细空间关联，病变常为特定区域代谢异常而非全局变化。传统CNN擅长局部纹理特征，但在建模长距离空间关系和区域间交互方面存在局限。

PRGNN的核心思想是将脑部图像划分为有意义的解剖区域作为图节点，通过图神经网络建模区域间空间关系和代谢模式交互。其关键创新在于位置感知机制：通过空间坐标嵌入、相对位置编码、位置-特征融合区分特征及其出现位置；区域图构建采用数据驱动策略，节点包含区域代谢强度、纹理统计等特征，边基于解剖邻近性和功能相似性建立，同时捕捉局部结构与全局功能网络特征。

PRGNN采用改进的消息传递机制，每一层图卷积中节点聚合邻居特征时考虑相对位置关系，使消息传递具有空间选择性。模型引入注意力机制动态调整连接权重，可高亮对诊断决策贡献大的脑区连接，具有可解释性价值。

PRGNN为脑PET图像自动化分析提供新路径，有望在以下方面产生价值：疾病早期筛查（捕捉细微代谢变化，识别临床症状前的病理迹象）；辅助诊断决策（注意力权重提供可解释生物学依据，帮助医生理解AI决策逻辑）；纵向监测（位置感知特性适合追踪特定脑区随时间的代谢变化，评估疾病进展或治疗效果）。

PRGNN体现医学AI从通用模型向领域特定架构演进的趋势，理解成像模态特性和临床需求重要性不亚于模型规模扩大。位置感知图神经网络思想可拓展到CT、MRI多器官分割等三维影像任务，将解剖学先验以图结构融入模型是提升可解释性和可靠性的方向。随着多中心数据集积累和联邦学习发展，此类方法有望在保护隐私前提下从大规模数据学习，提升泛化能力和临床实用性。