Image2Points：用于高质量 PET 图像重建的基于三维点上下文聚类 GAN
图像与视频处理
2024-04-10 v1 计算机视觉与模式识别
机器学习
摘要
为了在最小化辐射暴露的同时获取高质量正电子发射断层扫描（PET）图像，已有许多方法被提出用于从相应的低剂量 PET（LPET）图像重建标准剂量 PET（SPET）图像。然而，这些方法严重依赖基于体素的表示，无法充分顾及精确结构和细粒度上下文，导致重建质量受损。在本文中，我们提出了一种基于三维点的上下文聚类 GAN，即 PCC-GAN，以从 LPET 重建高质量 SPET 图像。具体而言，受点的几何表示能力的启发，我们采用基于点的表示来增强图像结构的显式表达，从而促进具有更精细细节的重建。此外，应用上下文聚类策略来探索点之间的上下文关系，这减轻了重建图像中小结构的模糊性。在临床和体模数据集上的实验表明，我们的 PCC-GAN 在定性和定量上均优于现有最先进的重建方法。代码可在 https://github.com/gluucose/PCCGAN 获取。
引用
@article{arxiv.2402.00376,
title = {Image2Points:A 3D Point-based Context Clusters GAN for High-Quality PET Image Reconstruction},
author = {Jiaqi Cui and Yan Wang and Lu Wen and Pinxian Zeng and Xi Wu and Jiliu Zhou and Dinggang Shen},
journal= {arXiv preprint arXiv:2402.00376},
year = {2024}
}
备注
Accepted by ICASSP 2024