使用基于扩散的神经网络,在15秒的屏息PET中恢复图像质量
Jingxi Hu1,2,3, Lianghua Li4, Qiyang Zhang1,2
1Research Center for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Medical physics
|February 28, 2026
概括
这项研究介绍了TAM-DiffPET,这是一种新的深度学习框架,可以在短时间内显著降低噪音,屏住呼吸的PET扫描. 该方法提高了病变的可见性,并保持了定量准确性,以提高诊断潜力.
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:
- 屏住呼吸的PET成像可以减少运动物体,但由于采集时间短,因此受到噪音和病变检测不足的影响.
- 在超短PET扫描中提高图像质量是临床应用的重大技术挑战.
研究的目的:
- 开发一个使用扩散概率模型的深度学习框架,以提高15秒的喘息PET扫描中的图像质量.
- 目标是抑制噪音,提高病变的可见性,同时保持定量准确性.
主要方法:
- 开发了一种具有时间注意调制 (TAM) 的无声扩散概率模型 (DDPM),命名为TAM-DiffPET.
- 该模型通过对联15秒的喘息和5分钟的自由呼吸PET扫描对230名患者进行训练.
- 使用PSNR,SSIM和SUV错误分析评估性能,与U-Net,CycleGAN和香草DDPM进行比较.
主要成果:
- 与其他深度学习方法相比,TAM-DiffPET实现了最高PSNR (40.2 dB) 和SSIM (0.995) 的卓越性能.
- 定量分析显示,病变区域内的SUV误差较低,视觉评估显示病变对比度提高,噪音降低.
- 差异地图和SUV分布分析证实了与参考扫描的最小偏差,并保持了跟踪器吸收的一致性.
结论:
- 拟议的基于扩散的框架有效地拒绝了超短暂的屏息PET图像,提高了视觉清晰度和定量准确性.
- 这项技术有可能在运动易感成像中临床使用,提高诊断准确度,同时减少扫描时间和辐射暴露.
