MGTP:通过对抗性扩散模型进行低剂量脑PET图像排斥的多颗粒度文本提示

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:

• 阳位子辐射断层扫描 (PET) 在临床环境中至关重要,但在标准剂量时面临辐射风险和低剂量时质量差的挑战.
• 当前的低剂量PET无色化方法往往忽略了非图像文本数据,导致失去上下文和细节的低于最佳结果.

研究的目的:

• 通过整合文字信息,开发一种先进的方法来消除低剂量PET图像的模糊性.
• 提高低剂量PET扫描的质量和临床效用,从而减少辐射暴露.

主要方法:

• 拟议的多颗粒度文本提示 (MGTP) 使用对抗性扩散模型来消除低剂量的PET图像.
• 引入了一个跨模式选择性调节 (CMSC) 模块,以协调图像和多颗粒度的文本提示.
• 开发了一个掩盖的快速重建网络 (MPR-Net),以保存无色图像中的语义和详细信息.

主要成果:

• 该MGTP方法通过结合各种文本信息,有效地消除了低剂量的PET图像.
• 该CMSC模块成功地整合了语义上下文和从文本提示的退化细节.
• MPR-Net减轻了扭曲,保留了关键的图像语义和细节.

结论:

• 拟议的MGTP方法在低剂量PET图像消噪方面实现了最先进的性能.
• 与仅使用图像的方法相比,整合多颗粒度的文本提示显著提高了无色化质量.
• 这种方法为临床实践中高质量,低剂量PET成像提供了一个有希望的解决方案.