自监督自适应残差估计生成对抗网络下的 PET 合成
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
本研究提出一种使用全卷积网络和条件生成对抗网络从 CT 扫描中导出 PET 数据的新系统,并在测试中通过对肝脏区域的恶性肿瘤检测表现出高检出性能,未来工作包括使用更大的数据集将当前系统扩展到整个身体,以在 CT 唯一环境中用于肿瘤检测和药物治疗评估。
Jul, 2017
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
使用深度学习方法,在无 CT 检查的情况下,通过生成具有连续值的 CT 图像,实现脑 PET 成像的正子发射断层扫描(PET)校正,比其他现有的校正模型表现更好,展示了该方法的潜力和实现脑 PET 图片校正的可行性。
Oct, 2023
开发一种 3D 图像转换模型,能够从 T1 加权 MRI 合成淀粉样蛋白 PET 图像,通过模型训练和验证,证明了从结构性 MRI 图像中合成淀粉样蛋白 PET 图像的可行性,大大提高了大型队列研究和早期痴呆症检测的可访问性,同时降低成本、侵入性和辐射暴露。
May, 2024
本文提出了一种基于深度学习的方法,通过后验抽样在 PET 图像重建中进行不确定性量化。该方法基于条件生成对抗网络,其生成器近似于采样自贝叶斯反演中的后验。该文表明,所提出的模型生成高质量的后验样本,并产生具有物理意义的不确定性估计。
Jun, 2023
本文介绍了采用基于流的生成模型从 MRI 数据中生成 PET 图像的新框架:DUAL-GLOW,该框架依赖于两个可逆网络和一个关系网络,它们能够在小样本大小的情况下表现出色,并且还将该框架扩展到当可用 “side” 信息时支持,我们在 Alzheimers Disease Neuroimaging Initiative (ADNI) 数据集上进行实验,在合成 PET 图像方面表现出色,从年龄方面控制的 PET 生成效果也很好。
Aug, 2019
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
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
本文提出了一种数据驱动的全卷积神经网络,利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系,进而生成与之对应的 CT 图像,实验证明其准确性和稳健性,并且表现优于已有的三种方法。
Dec, 2016