基于自监督自适应残差估计生成对抗网络的 PET 合成
图像与视频处理
2024-10-28 v1 计算机视觉与模式识别
机器学习
摘要
正电子发射断层扫描(PET)是临床诊断中广泛使用、灵敏度高的分子成像技术。人们有兴趣在降低 PET 辐射暴露的同时保持足够的图像质量。近期使用卷积神经网络(CNN)从低剂量 counterpart 生成合成高质量 PET 图像的方法被报道为低到高图像恢复方法的当前最优(state-of-the-art)。然而,这些方法易于在合成图像与真实图像之间表现出纹理和结构上的差异。此外,低剂量 PET 与标准 PET 之间的分布偏移尚未被充分研究。为解决这些问题,我们开发了自监督自适应残差估计生成对抗网络(SS-AEGAN)。我们引入(1)一种自适应残差估计映射机制 AE-Net,旨在通过以低剂量 PET 与合成输出之间的残差图作为输入,动态校正初步合成的 PET 图像;(2)一种自监督预训练策略,以增强粗生成器的特征表示。我们在全身 PET 图像公开基准数据集上的实验表明,SS-AEGAN 在各种剂量降低因子下始终优于当前最优合成方法。
引用
@article{arxiv.2310.15550,
title = {PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network},
author = {Yuxin Xue and Lei Bi and Yige Peng and Michael Fulham and David Dagan Feng and Jinman Kim},
journal= {arXiv preprint arXiv:2310.15550},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication