Jul, 2024

具有紧凑先验的低剂量 PET 重建的扩散变换模型

PDF
TL;DR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。
positron emission tomographylow-dose pet imagingdiffusion transformer modeljoint compact priorreconstruction quality
发现论文，激发创造
  • 辅助引导下的对比扩散模型用于粗到精 PET 重建

    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

  • 扩散先验正则化迭代重建低剂量 CT

    通过将消除噪声扩散概率模型（DDPM）与优先数据保真度的重建过程相结合，我们引入了一种迭代重建算法，以减少医患暴露于电离辐射的剂量，从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点，以及应用 Nesterov 动量加速技术，我们进一步提高了重建过程的效率，为高清晰 CT 图像重建提供了潜在途径。

    Oct, 2023

  • 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

  • 2.5D 多视角平均扩散模型用于 3D 医学图像翻译：应用于无 CT 衰减校正的低计数 PET 重建

    使用新型的 2.5D 多视角平均扩散模型 (MADM) 进行 3D 图像转换，从非衰减校正低剂量 PET (NAC-LDPET) 到校正衰减标准剂量 PET (AC-SDPET)，实现高质量的 3D 图像翻译。

    Jun, 2024

  • 基于分区汉克尔的少样本低剂量 CT 重建模型

    提出了一种利用基于分区汉克尔的扩散模型进行少量剂量 CT 重建的方法，该方法通过结构化张量从多个分区汉克尔矩阵中提取先验知识，利用迭代随机微分方程求解器以及数据一致性约束来更新获得的投影数据，并引入惩罚加权最小二乘和总变差技术以提高图像质量。结果表明，PHD 模型在减少伪影和噪音的同时保持图像质量方面表现出色。

    May, 2024

  • 利用高效扩散去噪概率模型从低剂量 PET 中合成全剂量 PET

    降低 PET 成像的辐射暴露风险，引入以低剂量数据合成高质量 PET 图像的 PCT-CM 方法，通过逆扩散过程和 PET-VIT 网络实现高效的去噪过程，获得与现有扩散合成模型相媲美的合成质量，提升低剂量 PET 图像在临床应用中的质量。

    Aug, 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

  • 非线性 CT 重建的扩散后验抽样

    通过扩散后验抽样的方法，我们提出了一种解决非线性 CT 图像重建的逆问题的新方法，该方法结合了训练先验评分函数的传统无条件扩散模型和根据非线性物理模型导出的测量似然评分函数，可以用于采样逆向扩散过程。此方法允许将扩散为基础的先验与广义的非线性 CT 图像重建结合到具有不同正向模型的多个 CT 系统设计中，无需任何额外的训练。

    Dec, 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

  • 医学图像标准化和增强的潜在扩散模型

    使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。

    Oct, 2023