LegoPET：用于 PET 图像重建的分层特征引导条件扩散模型

正电子断层扫描术术（PET）因其能够在体内无创地观察功能和生物学过程而广泛用于癌症检测。PET 图像通常通过对直方图化的原始数据（正弦图）进行重建来获得，常用传统迭代技术（如 OSEM、MLEM）。最近，深度学习（DL）方法通过直接将原始正弦图数据映射到 PET 图像，显示出前景。然是，基于回归或 GAN 的深度学习方法常常产生过度平滑的图像或引入各种失真。图像条件扩散概率模型（cDPM）是另一类基于似然的深度学习技术，能够生成高度真实且可控的图像。虽然 cDPM 有着显著的优势，但仍面临输入图像与输出图像在不同域（如正弦图与图像域）之间保持对应性和一致性，以及收敛速度慢等挑战。为此，我们提出了 LegoPET——一种用于从正弦图重建高感知质量 PET 图像的分层特征引导条件扩散模型。我们进行了多项实验，表明 LegoPET 不仅提升了 cDPM 的性能，还在视觉质量和像素级 PSNR/SSIM 指标上超越了最近的基于深度学习的 PET 图像重建技术。我们的代码已公开于 https://github.com/yransun/LegoPET。