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

该研究介绍了一种新方法，利用深度学习模型从颈动脉进行非侵入性计算，并应用 PV 校正，以消除对侵入性动脉采样的需求。该方法在脑扫描中得到应用，成功定位癫痫起始区，为临床疗效的取得做出了贡献，患者在治疗后达到了无癫痫发作的状态。

Feb, 2024

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

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

使用荧光脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 结合计算机断层扫描 (CT) 在精准肿瘤分割方面提高了肿瘤分段的精度，FDG-PET/CT 扫描通过标记放射性荧光脱氧葡萄糖突出代谢活跃区域，对癌症分期和再评估至关重要，AutoPET 挑战通过提供 1014 例 FDG-PET/CT 研究数据集，鼓励在 FDG-PET/CT 领域内精确肿瘤分割和分析方面的进展。

Sep, 2023

研究中使用 [$^{18}$F] 荧光脱氧葡萄糖（FDG）正电子发射断层扫描（PET）的无监督学习方法，实现对癫痫焦点的定位，并取得了改进的性能。

Feb, 2024

本论文介绍了使用自监督方法构建环境下的动态正电子发射断层成像 (dPET) 成像技术，采用基于生理的药物动力学建模和空时域 UNet 来估计动力学参数的方法，以及像 FDG 这样的放射性示踪剂的时间活动曲线来实现诊断性信息提取，产生与预期生理一致的像素级参数图像。

May, 2023

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

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

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