基于概率预定得分的生成建模,用于完全3D的PET图像重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 核医学是一种核医学.

背景情况:

• 基于分数的生成模型 (SGM) 在医学图像重建中提供了优势,包括扫描器适应性和高级图像分布建模.
• 之前在正子发射断层扫描 (PET) 中的SGM应用显示了改善的对比度恢复,但遭受了缓慢的重建,超参数灵敏度和3D切片不一致.

研究的目的:

• 开发一种使用SGMs对PET数据进行实用,完全3D的重建方法.
• 为了加速基于SGM的PET重建,并最大限度地减少关键超参数.
• 为解决基于3D SGM的PET重建中的切片不一致问题.

主要方法:

• 提出了一种新的方法,将SGM的反向扩散过程概率与最大概率预期最大化 (MLEM) 算法相匹配.
• 应用该方法对低数量模拟的[18F]DPA-714 PET数据集进行评估.
• 集成垂直预训练SGM以解决切片不一致性在真实3D PET数据.

主要成果:

• 与现有的基于最先进的SGM的PET重建相比,拟议的方法实现了可比或优越的正常化根平均平方误差 (NRMSE) 和结构相似度指数 (SSIM) 测量.
• 显著减少了重建时间和对超参数调整的需求.
• 成功实现了第一个基于SGM的真实3D PET数据重建,消除了切片不一致性.

结论:

• 开发的方法为基于3D SGM的PET重建提供了实用和高效的方法.
• 这种方法通过加速重建,减少超参数依赖,提高图像质量来改进现有技术.
• 对真实3DPET数据的成功应用意味着基于SGM的医疗图像分析取得了重大进展.