基于 ControlNet 的 3D 扩散模型全身 PET 图像自适应去噪
图像与视频处理
2024-11-11 v1 计算机视觉与模式识别
医学物理
摘要
正电子断层扫描（PET）是临床诊断和前临床研究中广泛使用的重要成像模态，但由于固有的物理退化因素，面临图像分辨率和信噪比低下的局限。当前的深度学习去噪方法在适应临床环境的多样性方面面临挑战，这些环境受制于扫描仪类型、tracer 选择、剂量水平和获取时间等因素。本文提出了一种用于全身 PET 成像的 novel 3D ControlNet-based 去噪方法。我们首先使用大量高品质常规剂量 PET 图像预训练 3D 去噪扩散概率模型（DDPM）。随后，在较小的配对低剂量和正常剂量 PET 图像集上进行微调，集成通过 3D ControlNet 架构的低剂量输入，从而使模型适应多样化临床场景下的去噪任务。基于临床 PET 数据集的实验结果表明，所提出的框架在视觉质量和定量指标方面均优于其他最先进的 PET 图像去噪方法。该插即用方法允许大规模扩散模型针对不同获取协议的 PET 图像进行微调和适应。
引用
@article{arxiv.2411.05302,
title = {Adaptive Whole-Body PET Image Denoising Using 3D Diffusion Models with ControlNet},
author = {Boxiao Yu and Kuang Gong},
journal= {arXiv preprint arXiv:2411.05302},
year = {2024}
}