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

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

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

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

提出一种新的多模态条件对抗扩散模型（MCAD），从多模态输入（包括低剂量正电子发射计算机断层摄影图像和临床表格）中重建标准剂量正电子发射计算机断层摄影图像，通过多模态条件编码器（Mc-Encoder）、有噪声与多模态特征融合的条件扩散过程以及多模态掩码文本重建（M3TRec）来实现，实验结果显示该方法在定性和定量上达到了最先进的性能。

Jun, 2024

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

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

提出了 MX-ARM，一种多模态混合专家对齐与重建模型，通过学习可调权重的不同多层感知器（“专家混合”），动态地从不同模态学习相应的特征表示。实验证明该模型在诊断轻度认知障碍的多模态 sf-PET/MR 数据上具有临床可行的精准医学效果。

Mar, 2024

通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

Sep, 2023

提出了一种基于条件扩散模型的新型病理感知图像转换框架 PASTA，通过高度互动的双臂架构和多模态条件集成，PASTA 在保留目标模态中的结构和病理细节方面优于现有方法，并采用循环交换一致性和体积生成策略提高了生成的高质量 3D PET 扫描能力，定性和定量结果证实，通过 PASTA 合成的 PET 扫描不仅达到最佳定量分数，而且正确保留了病理学。对阿尔茨海默病分类而言，合成扫描的性能比 MRI 提高了 4%，几乎达到实际 PET 的性能。

May, 2024