该研究使用扩散概率模型 (DPM) 从 FDG-PET 脑部图像中推断出 T1 加权 MRI，进而利用 DPM 生成的 T1w-MRI 指导 PET 重建，表明 MRI 引导的 PET 图像在改善图像质量方面优于 OSEM。

Mar, 2024

采用扩散转换器模型（DTM）和联合紧致先验（JCP）指导的方法，该研究提出了一种改进低剂量 PET 成像的重建质量的方法，它结合了扩散模型的强大分布映射能力和变压器模型捕捉远程相关性的能力，实验证明 DTM 在提高图像质量和保留临床信息方面的有效性。

Jul, 2024

人工智能在生物医学成像和放射治疗方面的快速发展受限于大型成像数据仓库的有限可用性。该研究介绍了一种能够使用成对网络和条件编码器生成多个相关 PET-CT - 肿瘤蒙版配对的新颖架构，通过创新的时间步骤控制机制和 “噪声播种” 策略改善 DDPM 采样一致性。尽管我们的模型需要修改感知损失函数以确保准确的特征对齐，但我们展示了生成清晰对齐的合成图像并通过生成图像改善了分割准确性。

Mar, 2024

本文提出了一种基于分类引导生成对抗网络和超分辨率细化的方法来提高正电子发射断层扫描成像的质量。通过对低剂量数据的噪声水平特征的更全面理解，改进了图像合成，并在各种剂量减少因素下优于现有的方法。

Apr, 2023

降低 PET 成像的辐射暴露风险，引入以低剂量数据合成高质量 PET 图像的 PCT-CM 方法，通过逆扩散过程和 PET-VIT 网络实现高效的去噪过程，获得与现有扩散合成模型相媲美的合成质量，提升低剂量 PET 图像在临床应用中的质量。

Aug, 2023

使用新型的 2.5D 多视角平均扩散模型 (MADM) 进行 3D 图像转换，从非衰减校正低剂量 PET (NAC-LDPET) 到校正衰减标准剂量 PET (AC-SDPET)，实现高质量的 3D 图像翻译。

Jun, 2024

通过将消除噪声扩散概率模型（DDPM）与优先数据保真度的重建过程相结合，我们引入了一种迭代重建算法，以减少医患暴露于电离辐射的剂量，从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点，以及应用 Nesterov 动量加速技术，我们进一步提高了重建过程的效率，为高清晰 CT 图像重建提供了潜在途径。

Oct, 2023

本文提出了一种基于扩散模型的统一条件框架，结合了轻量级 UNet 和固有的差异模型来增强图像恢复的物理约束，采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合，并提出了简单而有效的截距补丁分裂策略，将其用于低光量去噪、去模糊和 JPEG 图像恢复的挑战任务中，得到了显著的感知质量提升和恢复任务的推广。

May, 2023

基于评分的生成模型在医学图像重建任务中，如磁共振成像或计算机断层扫描，已经展现出极具潜力的结果。然而，它们在正电子发射断层扫描（PET）中的应用尚未被广泛探索。为了应对 PET 图像重建中的多个挑战，包括具有高方差和广泛动态范围的泊松噪声，我们提出了几种针对 PET 的评分生成模型的适应性改进。该提出的框架适用于 2D 和 3D PET，并通过使用磁共振图像进行引导重建的扩展。我们通过广泛的 2D 和 3D$ extit {in-silico}$ 实验，利用在没有病变的患者现实数据上训练的模型进行验证，并对没有病变的数据以及含病变的离群数据进行评估。这证明了所提方法的稳健性和显著的 PET 重建改进潜力。

Aug, 2023

该研究提出了一种新的 PET-MRI 联合重建模型，名为 MC-Diffusion，利用互补信息学习 PET 和 MRI 的联合概率分布，加速 MRI 并提高 PET 图像质量，实验证明 MC-Diffusion 在 ADNI 数据集上取得了显著的定性和定量改进，超过了现有方法。

Nov, 2023