总局-DiT:双分支门扩散变压器用于多个追踪器和多个扫描器的大脑PET图像去除

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射化学 放射化学是指辐射化学.

背景情况:

• 扩散概率模型 (DPM) 对正电子发射断层扫描 (PET) 显得有希望,但在效率,准确性和通用性方面面临挑战.
• 现有的DPM通常需要多次代,表现出有限的定量准确性,并与来自多个扫描仪和跟踪器的数据变化作斗争.
• 对基本真相的高保真度对于PET无色化至关重要,需要改进模型性能.

研究的目的:

• 开发一个高效和准确的深度学习模型,用于多追踪器和多扫描器PET无声化.
• 解决传统DPM在不同成像条件下的定量准确性和通用性方面的局限性.
• 改进PET成像中复杂数据分布的建模.

主要方法:

• 提出了一个双分支门扩散变压器 (DG-DiT) 网络,集成一个扩散变压器 (DiT) 和一个图像恢复变压器 (IRT).
• DiT 骨干从紧的潜伏空间学习先验,以实现高效的少数步骤扩散.
• 在DiT和IRT中使用双分支门机制,以有效地融合多输入信息.

主要成果:

• 在所有测试的扫描仪和跟踪器中,DG-DiT模型实现了卓越的定量准确性,比最先进的模型提高了高达0.2dB的PSNR.
• 对比与噪音比率的评估表明,该模型能够在减少噪音的同时恢复大脑小区域的对比.
• 在多追踪器和多扫描器数据集上的广泛实验验证实了该模型的一致的无线化性能.

结论:

• 拟议的DG-DiT网络在PET图像无色化方面取得了重大进展,特别是在多追踪器和多扫描器场景中.
• 与现有的深度学习方法相比,DG-DiT提供了增强的定量准确性和优越的降噪能力.
• 该模型的架构促进了高效的学习,并改善了对各种PET成像数据的概括性.