用于恢复不完整环形 PET 图像的两阶段深度学习框架

正电子断层扫描 (PET) 是医学中广泛使用的重要分子成像工具。传统 PET 系统依赖于完整的探测器环以实现全角度覆盖和可靠的数据收集。然而，由于硬件故障、成本限制或特定临床需求，出现了不完整环形 PET 扫描仪。标准重建算法因数据完整性减少和几何不一致性常常表现性能下降。我们提出了一个两阶段深度学习框架，在不包含时间离焦 (TOF) 信息的情况下，从约 50% 缺失的同位点数据恢复高质量图像——这已解决了以前 CNN 方法所能处理的损失水平的两倍。该管道包含两个阶段：首先，投影域注意力 U-Net 利用相邻切片的空间上下文预测 sinogram 的缺失部分；随后，使用 OSEM 算法进行重建，并将数据传递给级联 U-Net 与温启动扩散模型进行图像细化。该模块从 U-Net 粗糙预测开始，而非纯高斯噪声，启动逆扩散过程。使用来自真实扫描的 613 个模拟大脑体积进行训练（包括 196 个健康大脑样本、217 个阿尔茨海默病样本和 200 个轻度认知障碍样本），结果表明我们的模型在 PSNR 为 38.18 到 38.59 dB、SSIM 为 0.9904 到 0.9925 的情况下成功保留了大部分解剖结构和示踪剂分布特征。我们的两阶段深度学习框架有效地从超过 50% 不完整环形数据中恢复高质量 PET 图像，实现了接近完整的解剖真实性和稳健的性能，而无需 TOF 信息。