以先前知识为导向的三域变压器-GAN,用于从低计数的协同图直接进行PET重建

科学领域:

• 医疗成像医学成像
• 核医学是一种核医学.
• 医疗保健中的人工智能

背景情况:

• pozitron发射断层扫描 (PET) 图像的目标是高质量,最小的辐射暴露.
• 目前用于从低计数PET (LPET) 中重建标准计数PET (SPET) 的方法通常会丢失关键细节,因为它们无法充分利用多域信息 (共振图,图像,频率).
• 现有的方法忽视了阴影图的独特内部结构,限制了捕捉它们的特征和关系.

研究的目的:

• 提出一种新的方法,PK-TriDo,用于从LPET共振图片直接重建SPET图像.
• 通过整合来自sinogram,图像和频率领域的信息来提高PET图像质量.
• 解决当前方法在保存细节和sinogram结构特征方面的局限性.

主要方法:

• 开发了一个以先前知识为导向的变压器生成对抗网络 (GAN),命名为PK-TriDo.
• 集成了一个基于内部结构的Sinogram无效化变压器 (SISD-Former) 用于对LPET无效化.
• 使用了适应频率的图像重建变压器 (FaIR-Former) 与全球局部频率解析器 (GLFPs) 进行高质量的图像重建,以图像先验和对抗训练 (AdvNet) 为指导.
• 引入了一个sinogram嵌入模块,通过分割成1D序列来保存sinogram的内部结构.

主要成果:

• 通过整合三域信息,PK-TriDo可以有效地从LPET信号图片中重建高质量的SPET图像.
• 该方法成功地保留了关键细节和sinogram结构特征,超过了现有的最先进的技术.
• 对各种数据集的评估证实了PK-TriDo在不同辐射剂量水平和成像场景中的卓越性能.

结论:

• 在PET图像重建方面,PK-TriDo提供了显著的进步,使得在减少辐射暴露的情况下能够进行高质量的成像.
• 整合多域信息和关注sinogram结构是提高重建准确性的关键.
• 这种方法有望提高PET成像诊断的诊断准确性和患者安全性.