ALL-PET：投影域中的低资源低样本 PET 基础模型

构建大规模PET成像基础模型受限于获取标注数据和计算资源不足的限制。为克服数据稀缺和效率瓶颈，我们提出了ALL-PET——一个面向投影域的低资源、低样本PET基础模型。ALL-PET利用潜在扩散模型 (latent diffusion model, LDM)，其包含三个关键创新点。首先，我们设计了Radon掩码增强策略 (Radon mask augmentation strategy, RMAS)，通过将随机化的图像域掩码投影到 sinogram 空间，生成超过20万个结构多样的训练样本，显著提升了仅用极少数据即可获得的泛化能力。这一方法进一步通过动态多掩码机制 (dynamic multi-mask, DMM) 实现，可变掩码数量和分布，从而在不增加模型复杂度的前提下增强数据多样性。其次，我们实施正负掩码约束，以嵌入严格的几何一致性，减少参数负担，同时保持生成质量。最后，我们引入透明医学注意力机制 (transparent medical attention, TMA)，这是一种无参数、由几何驱动的机制，用于增强原始投影数据中与病灶相关的区域。从粗糙分割中导出病灶聚焦注意力图，覆盖双代谢和低代谢区域，并投射到 sinogram 空间以实现物理一致的引导。该系统支持临床医生对感兴趣区域 (ROI) 的调整，确保灵活、可解释且与PET采集物理学一致的任务适应性强调。实验结果表明，ALL-PET仅需500个样本即可实现高质量的 sinogram 生成，其性能与在更大数据集上训练的模型相当。ALL-PET可推广至包括低剂量重建、衰减校正、延迟帧预测和探示剂分离等多个任务，在运行时内存使用低于24GB即可高效运行。