用定量MRI与数据驱动模型估计SV2A PET突触密度：3D U-Net在灰质区达到Pearson相关0.8838
该研究合并两个多模态qMRI-PET数据集（n=74，含阿尔茨海默病、主观认知下降与健康对照），以[18F]UCB-H PET经Logan图分析得到的分布容积VT作为突触密度参考，用ComBat做跨数据集协调，比较经典机器学习（SVR、PLS、Elastic Net、随机森林）与深度学习（U-Net、ResUNet++、Pix2Pix类条件GAN）从R1、R2*、MTsat、PD等qMRI图预测PET样突触密度图像的能力，结果显示Elastic Net在经典模型中最佳（R²=0.50，RMSE=0.448，MAE=0.331），深度学习整体更优且3D U-Net最稳定，在灰质区z-score数据上预测