用于3D医学图像翻译的2.5D多视图平均扩散模型：在无CT衰减校正的低计数PET重建中的应用
计算机视觉与模式识别
2024-06-18 v2 人工智能
图像与视频处理
摘要
正电子发射断层扫描(PET)是一种重要的临床成像工具，但不可避免地会给患者和医护人员带来辐射危害。减少示踪剂注射剂量并取消用于衰减校正的CT采集可以降低总辐射剂量，但通常会导致PET图像具有高噪声和偏差。因此，开发3D方法将非衰减校正的低剂量PET(NAC-LDPET)转换为衰减校正的标准剂量PET(AC-SDPET)是可取的。最近，扩散模型已成为一种新的最先进的图像到图像翻译深度学习方法，优于传统的基于CNN的方法。然而，由于高计算成本和内存负担，它很大程度上局限于2D应用。为了解决这些挑战，我们开发了一种新颖的2.5D多视图平均扩散模型(MADM)，用于3D图像到图像翻译，并应用于NAC-LDPET到AC-SDPET的转换。具体来说，MADM为轴向、冠状和矢状视图分别采用独立的扩散模型，其输出在每个采样步骤中进行平均，以确保从多个视图的3D生成质量。为了加速3D采样过程，我们还提出了一种策略，将基于CNN的3D生成作为扩散模型的先验。我们在人体患者研究上的实验结果表明，MADM可以生成高质量的3D翻译图像，优于先前基于CNN和基于扩散的基线方法。
引用
@article{arxiv.2406.08374,
title = {2.5D Multi-view Averaging Diffusion Model for 3D Medical Image Translation: Application to Low-count PET Reconstruction with CT-less Attenuation Correction},
author = {Tianqi Chen and Jun Hou and Yinchi Zhou and Huidong Xie and Xiongchao Chen and Qiong Liu and Xueqi Guo and Menghua Xia and James S. Duncan and Chi Liu and Bo Zhou},
journal= {arXiv preprint arXiv:2406.08374},
year = {2024}
}
备注
15 pages, 7 figures