Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jan 9, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723

一项试点研究:PET/CT跨模态多头融合基于PET图像超分辨率的注意力生成对抗网络 (MHFA-GAN).

Xin Tian1,2, Xuetai Chen3, Kishore Krishnagiri Manoj Doss4

  • 1School of Medical Imaging, Xuzhou Medical University, Xuzhou, 221004, China.

Journal of imaging informatics in medicine
|December 9, 2025
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

From Single-cell Insights to Clinical Relevance: An M2 Macrophagebased Prognostic Model for Osteosarcoma.

Current medicinal chemistry·2026
Same author

A Foundation Model for Generalisable Detection of Maxillary Sinus Abnormalities: A Multicentre and Clinical Applicability Study.

Journal of oral rehabilitation·2026
Same author

Innovation and Research Master Lecture Series: A Feasible Flexible Voluntary Module Associated With Basic Research Engagement: A 2-Year Retrospective Observational Study.

European journal of dental education : official journal of the Association for Dental Education in Europe·2026
Same author

OsCDR1 Mediates ABA-BR Antagonism to Enhance Drought Tolerance in Rice.

Journal of agricultural and food chemistry·2026
Same author

Stereoselective C1-Arylation of Native Sugars via Ligand-Promoted Nickel Catalysis.

Journal of the American Chemical Society·2026
Same author

From Environmental Exposure to Intervertebral Disc Degeneration: First Evidence of Pro-Degenerative Effects of Polyamide 6 Microplastics.

Biomedicines·2026

本研究引入了一种新型的生成对抗网络 (MHFA-GAN),以提高正电子发射断层扫描 (PET) 图像分辨率,而无需硬件升级. 该方法以经济有效的方式提高图像质量和诊断准确性.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能

背景情况:

  • 定子发射断层扫描 (PET) 对于疾病检测至关重要,但高分辨率 (HR) 成像需要昂贵的设备和漫长的重建.
  • 当前的方法在平衡PET成像中的空间分辨率和重建效率方面面临挑战.

研究的目的:

  • 引入一个新的多头融合注意力生成对抗网络 (MHFA-GAN),以提高PET图像的空间分辨率和重建效率.
  • 为了提高PET图像质量和诊断能力,而不需要硬件升级.

主要方法:

  • 开发了一个多头融合注意力生成对抗网络 (MHFA-GAN),包括多头混合卷积和增强的多头融合注意力模块 (EMHFA).
  • 在重建过程中使用全球残余块 (GRB) 来平衡本地细节和全球背景.
  • 整合了PET和计算机断层扫描 (CT) 图像的互补功能,以改善跨模式信息对齐.

主要成果:

  • 在各种数据集 (小动物,幻影,毛细血管,Na) 的定性和定量评估中,MHFA-GAN在各种数据集 (小动物,幻影,毛细血管,Na) 的定性和定量评估中表现出优越的性能.
  • 在毛细血管数据集上实现了0.625mm (FWHM) 的空间分辨率,接近扫描仪的物理极限,并且优于HR图像 (0.871mm).
  • 在不同设备数据集上的超分辨率任务中展示了显著的结果,证实了跨设备的适用性和稳定性.
关键词:
深度学习是一种深度学习.没有了,没有了,没有了.多模式成像技术多模式成像技术在PET/CT成像中使用PET/CT成像超级分辨率的超级分辨率

更多相关视频

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.3K

相关实验视频

Last Updated: Jan 9, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.3K

结论:

  • MHFA-GAN有效地提高了PET图像的空间分辨率和重建效率,为改善临床诊断提供了具有成本效益的解决方案.
  • 拟议的方法为硬件升级提供了可行的替代方案,以实现高质量的PET成像.
  • 该模型的稳定性和跨设备的适用性凸显了其在医学成像中广泛采用的潜力.