利用联合扩散注意力模型从高场与超高场MR图像合成PET图像
机器学习
2024-06-21 v2
摘要
MRI和PET是脑疾病诊断的重要工具，因为它们提供脑结构和功能的互补信息。然而，PET扫描成本高且涉及放射性暴露，导致PET缺乏。此外，超高场同步PET和MRI目前几乎不可行。超高场成像无疑已在临床和学术环境中证明有价值，尤其在认知神经成像领域。这些促使我们提出一种从高场MRI和超高场MRI合成PET的方法。从统计角度看，联合概率分布（JPD）是刻画PET与MRI之间相关性最直接和基本的手段。本文提出一种具有联合概率分布和注意力策略的新型联合扩散注意力模型，命名为JDAM。JDAM包含扩散过程与采样过程。扩散过程通过添加高斯噪声将PET逐渐扩散为高斯噪声，而MRI保持固定。在扩散过程中学习MRI与加噪PET的JPD。采样过程为预测器-校正器。通过MRI与加噪PET的JPD从MRI生成PET图像。预测器为反向扩散过程，校正器为朗之万动力学。在公共阿尔茨海默病神经成像倡议（ADNI）数据集上的实验结果表明，所提方法优于最先进的CycleGAN用于高场MRI（3T MRI）。最后，尝试从超高场（5T MRI和7T MRI）合成PET图像，为超高场PET-MRI成像提供可能性。
引用
@article{arxiv.2305.03901,
title = {Synthesizing PET images from High-field and Ultra-high-field MR images Using Joint Diffusion Attention Model},
author = {Taofeng Xie and Chentao Cao and Zhuoxu Cui and Yu Guo and Caiying Wu and Xuemei Wang and Qingneng Li and Zhanli Hu and Tao Sun and Ziru Sang and Yihang Zhou and Yanjie Zhu and Dong Liang and Qiyu Jin and Hongwu Zeng and Guoqing Chen and Haifeng Wang},
journal= {arXiv preprint arXiv:2305.03901},
year = {2024}
}