用于动态 PET 图像去噪的基于核空间的多维稀疏模型
计算机视觉与模式识别
2026-03-24 v2 人工智能
摘要
由于统计信息有限，尤其是对于短时间帧，在动态正电子发射断层扫描 (PET) 中实现高时间帧图像质量是一项挑战。最近的研究表明，深度学习 (DL) 在广泛的医学图像去噪任务中非常有用。在本文中，我们提出了一种用于动态 PET 图像去噪的基于模型的神经网络。动态 PET 中的帧间空间相关性和帧内结构一致性被用于建立基于核空间的多维稀疏 (KMDS) 模型。然后，我们用神经网络替代参数估计的固有形式，以实现自适应参数优化，从而形成端到端的神经 KMDS-Net。来自模拟和真实数据的大量实验结果表明，神经 KMDS-Net 对动态 PET 表现出强大的去噪性能，优于以前的基线方法。所提出的方法可用于有效实现动态 PET 的高时间和空间分辨率。我们的源代码可在 https://github.com/Kuangxd/Neural-KMDS-Net/tree/main 获取。
引用
@article{arxiv.2509.18801,
title = {A Kernel Space-based Multidimensional Sparse Model for Dynamic PET Image Denoising},
author = {Kuang Xiaodong and Li Bingxuan and Li Yuan and Rao Fan and Ma Gege and Xie Qingguo and Mok Greta S P and Liu Huafeng and Zhu Wentao},
journal= {arXiv preprint arXiv:2509.18801},
year = {2026}
}