无监督从 MRI 生成伪正常 PET 并采用扩散模型定位癫痫灶
基于模拟现实异常图像的伪健康重建方法的评估程序,旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。
Jan, 2024
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
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
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
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
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
利用 PET/CT 成像技术和 transformers 的多模态融合,提出了一种无监督的异常检测算法,用于检测癌症的存在,并表明该方法可以在缺少正常训练数据的情况下准确地进行癌症定位,进而提高了临床诊疗精确性。
Apr, 2023