基于预训练域适应扩散模型的异构 PET 图像生成：从统一器官活动图
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
合成 PET 图像对于定量影像工作流程开发、可扩展的虚拟影像试验以及深度学习模型训练具有重要价值，但传统的基于物理的仿真方法计算密集、解剖可变性有限，常常无法捕捉异构 PET 摄取。本研究开发了一个预训练域适应扩散（PAD）模型，用于从统一器官活动图生成器官条件下的 PET 图像。PAD 采用自然图像预训练的文本到图像解码器，搭配上游条件编码器和下游 PET 域适配器。采用两阶段训练策略，其中第一阶段学习粗糙的摄取分布，第二阶段细化局部图像细节。通过 CT 基础分割生成统一器官活动图，每个器官 assigned 其在配对 PET 图像中的平均摄取值。评估包括定量准确性、噪声分析、放射组学分析、肿瘤分割性能以及人类观察者研究。PAD 生成的图像在器官平均 SUV 与分配活动值之间达到了 0.92 以上的 concordance 相关系数。合成图像表现出与目标 PET 图像相似的噪声水平和纹理特征，并在肿瘤分割方面表现出 comparable 性能。在两选项强制法中，四名读者达到了约 50% 的准确率，表明合成图像与目标图像在视觉上不可区分。PAD 还从 XCAT 派生的活动图生成真实 PET 图像，表明其与基于幽灵的解剖先验兼容。总体而言，PAD 提供了一个基于扩散的框架，用于从临床分割或数字幽灵派生的统一器官活动图生成临床相关的异构 PET 图像，支持数据增强和下游影像研究。
引用
@article{arxiv.2605.20267,
title = {Generation of Heterogeneous PET Images from Uniform Organ Activity Maps Using a Pretrained Domain-Adapted Diffusion Model},
author = {Suya Li and Kaushik Dutta and Debojyoti Pal and Jingqin Luo and Kooresh I. Shoghi},
journal= {arXiv preprint arXiv:2605.20267},
year = {2026}
}
备注
18 pages, 7 figures