May, 2024

功能成像约束下的脑 PET 合成与结构 MRI

PDF
TL;DR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。
mripetneurodegenerative disordersdeep generative modelsficd
发现论文，激发创造
  • 基于扩散概率模型的伪 MRI 引导 PET 图像重建方法

    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

  • 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

  • 联合扩散：PET-MRI 协同重建的相互一致驱动扩散模型

    该研究提出了一种新的 PET-MRI 联合重建模型，名为 MC-Diffusion，利用互补信息学习 PET 和 MRI 的联合概率分布，加速 MRI 并提高 PET 图像质量，实验证明 MC-Diffusion 在 ADNI 数据集上取得了显著的定性和定量改进，超过了现有方法。

    Nov, 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

  • 基于条件生成对抗网络的结构性 MRI 三维淀粉样蛋白质 PET 合成

    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

  • 无监督从 MRI 生成伪正常 PET 并采用扩散模型定位癫痫灶

    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

  • DUAL-GLOW：用于模态转换的条件流式生成模型

    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

  • 通过同时进行功能性 PET/MR 和深度整合的脑代谢、血流动力学和灌注网络，革命性地改变疾病诊断

    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

  • MindDiffuser：基于语义和结构扩散的人脑活动控制图像重建

    本文提出了一种名为 MindDiffuser 的两阶段图像重构模型，利用了稳定扩散技术，成功地同时实现了语义和结构信息的重构，并在自然场景数据集方面的重建结果超过了当前最先进模型。

    Mar, 2023

  • 用于自动参数化脑 PET 映射的带有体积校正的端到端深度学习管道

    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