扩散模型与低计数PET脱氧化器变压器骨干的脱氧化研究.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 图像恢复 图像恢复

背景情况:

• 扩散模型 (DM) 是一种先进的生成模型,越来越多地应用于图像恢复 (IR).
• 像Restormer这样的视觉转换器已经成为IR任务的强大骨干,从UNet架构演变.
• DMs的有效性,特别是以变压器为基础的DMs,对于正子发射断层扫描 (PET) 无效仍然未被充分探索.

研究的目的:

• 调查扩散模型是否作为一个一般的附加生成学习方案,以在使用强大的骨干时促进PET排泄.
• 解开骨干网络与PET解密中生成性学习方案的贡献.
• 通过比较不同的模型架构和扩散策略来确定PET染的最佳实践.

主要方法:

• 基于Restormer骨干的潜在扩散模型 (DiffIR) 被评估为F-FDG全身PET消噪.
• 与UNet,SR3 (UNet + pixel-space DM) 和Restormer对低剂量 (25%) PET数据进行了比较.
• 这项研究包括对93名受试者进行培训,对12名受试者进行测试,每名受试者分别接受了644个切片.

主要成果:

• 恢复器在基于峰值信号对噪声比率 (PSNR) 和平均平方误差 (MSE) 的拒绝性能方面显著超过了UNet.
• 将隐性扩散添加到Restormer并没有改善MSE,结构相似度指数 (SSIM) 或PSNR,并且低于UNet.
• 带有像素空间扩散的SR3产生了不稳定和不令人满意的结果,类似于在自然图像超分辨率任务中的发现.

结论:

• 像Restormer这样的强大的骨干对于PET无雾化至关重要,其性能优于简单的UNet架构.
• 隐性扩散模型可能不是对PET无色化的普遍有益的补充,可能在细节结构和纹理恢复方面扎.
• 在低剂量PET和超分辨率任务中空间信息有限,这给扩散模型在恢复细节方面的性能带来了挑战.