Aug, 2023

利用高效扩散去噪概率模型从低剂量 PET 中合成全剂量 PET

PDF
TL;DR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。
ionizing radiationpet imaginglow-dose petpet-cmimage quality
发现论文，激发创造
  • 辅助引导下的对比扩散模型用于粗到精 PET 重建

    通过粗略到精细的正电子发射断层扫描重建框架，结合辅助指导策略和对比扩散策略，本文提出了一种优化低剂量 PET 图像的方法，改善了 LPET 图像与重建 PET 图像之间的对应关系，提高了临床可靠性。

    Aug, 2023

  • 低剂量 CT 图像去噪的扩散概率先验

    本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。

    May, 2023

  • 配对扩散：使用链接去噪扩散概率模型生成相关的合成 PET-CT 分割扫描

    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

  • 具有紧凑先验的低剂量 PET 重建的扩散变换模型

    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

  • 基于 3D 变压器去噪扩散模型的合成磁共振成像计算机断层成像

    使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

    May, 2023

  • 2.5D 多视角平均扩散模型用于 3D 医学图像翻译：应用于无 CT 衰减校正的低计数 PET 重建

    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

  • 基于周期引导的去噪扩散概率模型用于 3D 交叉模态 MRI 合成

    该研究旨在发展一种新型的循环引导去噪扩散概率模型（Cycle-guided Denoising Diffusion Probability Model，CG-DDPM），用于跨模态 MRI 合成，并使用 BraTS2020 数据集定量评估。该方法在 MRI 合成中具有很高的准确性，并与几种现有最先进的网络进行了比较，证明了合成 MRIs 的图像质量的显著改进。该方法增强了当前多模态 MRI 合成方法的能力，为患者的更精确诊断和更好的治疗规划做出贡献。

    Apr, 2023

  • 利用联合扩散注意力模型从高场和超高场 MR 图像合成 PET 图像

    提出了一种基于高场 MRI 和超高场 MRI 的 PET 合成方法。采用的模型为有扩散过程和采样过程的联合扩散注意力模型，并学习了 MRI 和添加高斯噪声的 PET 的联合概率分布。实验证明该方法在高场 MRI 上优于目前最先进的 CycleGAN 方法，并尝试使用该方法生成来自超高场 MRI 的 PET 图像，为超高场 PET-MRI 成像提供了可能。

    May, 2023

  • 功能成像约束下的脑 PET 合成与结构 MRI

    通过提出一种功能成像受限扩散（FICD）框架，该框架利用配对结构 MRI 对三维脑 PET 图像进行合成，引入了一种新的约束扩散模型（CDM），并通过稳定的训练阶段在高输出保真度的同时确保大脑功能信息的保留。定量和定性分析表明，FICD 在生成 FDG-PET 数据方面的性能优于现有的方法，并通过三个下游任务在共计 1,262 个受试者的数据上验证了所提出的 FICD 的有效性和通用性。

    May, 2024

  • 自监督自适应残差估计生成对抗网络下的 PET 合成

    通过自我监督的自适应残差估计生成对抗网络（SS-AEGAN），我们引入了自适应残差估计映射机制 AE-Net，并采用自我监督的预训练策略来提高粗糙生成器的特征表示，实验证明 SS-AEGAN 在各种剂量降低因素下，始终优于最先进的合成方法。

    Oct, 2023