DDPET-3D: Dose-aware Diffusion Model for 3D Ultra Low-dose PET Imaging

PET成像伴随着大量辐射暴露和癌症风险，降低PET扫描的辐射剂量是一个重要的课题。近年来，扩散模型已经成为新的最先进的生成模型，可以生成高质量的样本，并在医学成像的各种任务中展示出强大的潜力。然而，由于内存负担大，将扩散模型扩展到三维图像重建是困难的。直接将2D切片叠加在一起创建3D图像体会导致切片之间的严重不一致。以前的工作尝试过在z轴上应用惩罚项来消除不一致性，或者用两个预训练的垂直2D扩散模型重建3D图像体，但这些以前的方法在PET图像去噪的挑战性案例中未能产生令人满意的结果。除了给药剂量外，PET图像中的噪声水平还受到临床环境中其他几个因素的影响，例如扫描时间、病史、患者大小和体重等。因此，需要一种同时去噪不同噪声水平PET图像的方法。在这里，我们提出了一种用于解决这些挑战的3D低剂量PET成像的剂量感知扩散模型（DDPET-3D）。我们在100名患者的6个不同低剂量水平（共计600个测试研究）上广泛评估了DDPET-3D，并展示了其在3D成像问题以及以前的噪声感知医学图像去噪模型方面的优越性能。该代码可在以下网址获得：https://github.com/xxx/xxx。

减少PET扫描中的辐射剂量和癌症风险，同时处理不同噪声水平的PET图像去噪是该论文试图解决的问题。

该论文提出了一种Dose-aware Diffusion model for 3D low-dose PET imaging (DDPET-3D)的方法来解决这个问题，该方法使用扩散模型生成高质量的样本，并在3D图像重建中展现了强大的潜力。该方法通过考虑不同的剂量水平和噪声水平，同时处理不同噪声水平的PET图像去噪。

该论文在100个患者的6个不同低剂量水平（共计600个测试研究）上进行了广泛评估，并展示了优于先前扩散模型和噪声感知医学图像去噪模型的性能。该论文提供了开源代码。

最近在这个领域中，也有一些相关的研究，如：Noise2Noise PET denoising with transfer learning，PET Image Denoising Using a Deep Learning Framework with Generative Adversarial Networks，Deep learning-based image denoising in positron emission tomography。