用于动态 PET 重建的混合动力学嵌入框架

在动态正电子发射断层扫描（PET）重建中，利用数据的时间依赖性的重要性已得到充分认可。当前的深度学习解决方案在建模时间动力学方面可分为两类：数据驱动方法使用时空神经网络从数据中学习示踪剂动力学的时序动态，这严重依赖于数据监督；基于物理的方法利用先验示踪剂动力学模型来专注于推断其参数，这严重依赖于先验动力学模型的准确性。在本文中，我们将这两种方法的优势结合在一个用于动态 PET 重建的混合动力学嵌入（HyKE-Net）框架中。我们首先引入一种新颖的示踪剂动力学混合模型，该模型由基于物理的函数 augmented by 一个神经组件构成，以解释其与数据生成示踪剂动力学之间的差距，两者均可从数据中识别。随后，我们将此混合模型嵌入到编码 - 解码框架的潜在空间中，以实现对混合动力学的监督和无监督识别，进而实现动态 PET 重建。通过体模和真实数据实验，我们展示了 HyKE-Net 的优势——特别是在无监督重建中——优于现有的基于物理和数据驱动的基线方法，以及其消融变体（其中嵌入的示踪剂动力学纯为基于物理的、纯为神经的、或混合但具有不可适应神经组件的）。