联合扩散:用于PET-MRI联合重建的相互一致性驱动的扩散模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算科学 计算科学

背景情况:

• pozitron发射断层扫描 (PET) 和磁共振成像 (MRI) 系统提供了互补的功能和解剖数据.
• PET成像面临的挑战是信号与噪声比较低,而MRI采集是耗时的.
• 减少MRI数据收集 (k-space) 以节省时间往往会损害图像质量.

研究的目的:

• 为了提高PET-MRI扫描组合的图像质量.
• 解决 PET-MRI 中获取速度和图像质量之间的权衡问题.
• 利用PET和MRI数据的固有互补性,以改善重建.

主要方法:

• 开发了一种新的贝叶斯框架PET-MRI关节重建模型,MC-扩散.
• 该模型将关节重建转化为具有独立数据忠实性条款的联合规范化问题.
• 采用基于联合分数的扩散模型来学习PET和MRI数据的联合概率分布.

主要成果:

• 该MC-扩散模型在PET-MRI图像重建中表现出质量和数量上的改进.
• 对ADNI数据集的比较分析显示,与LPLS和联合ISAT-net.net相比,性能优越.
• 该模型有效地提高了扫描的PET和MRI组件的质量.

结论:

• 通过整合模式原则和利用数据互补性,MC-扩散模型成功提高了PET-MRI图像质量.
• 利用扩散模型来学习联合概率分布,阐明了PET和MRI之间的潜在相关性.
• 与黑盒子方法相比,这种方法可以更深入地了解深度学习的先验.