2.5D Multi-view Averaging Diffusion Model for 3D Medical Image Translation: Application to Low-count PET Reconstruction with CT-less Attenuation Correction

正电子发射断层扫描（PET）是一种重要的临床成像工具，但不可避免地会给患者和医护人员带来辐射危害。减少示踪剂注射剂量和消除CT采集进行衰减校正可以减少总辐射剂量，但往往会导致PET噪声和偏差较大。因此，开发3D方法将非衰减校正低剂量PET（NAC-LDPET）转换为衰减校正标准剂量PET（AC-SDPET）是可取的。最近，扩散模型已成为图像到图像翻译的一种新的最先进的深度学习方法，比传统的基于CNN的方法更好。然而，由于计算成本高和内存负担大，它在2D应用方面受到很大限制。为了解决这些挑战，我们开发了一种新颖的2.5D多视角平均扩散模型（MADM）用于3D图像到图像翻译，并应用于NAC-LDPET到AC-SDPET的翻译。具体而言，MADM采用分别用于轴向、冠状和矢状视图的单独扩散模型，其输出在每个采样步骤中平均，以确保从多个视图生成高质量的3D图像。为了加速3D采样过程，我们还提出了一种策略，即使用基于CNN的3D生成作为扩散模型的先验。我们在人体患者研究中的实验结果表明，MADM可以生成高质量的3D翻译图像，优于以前的基于CNN和扩散的基线方法。

研究如何将低剂量PET图像转化为标准剂量PET图像，以减少患者和医护人员的辐射风险。

提出了一种新的2.5D多视角平均扩散模型（MADM），用于3D图像转换。该模型采用沿轴向、冠状面和矢状面分别进行扩散，以确保从多个视角生成高质量的3D图像。同时，还提出了一种使用基于CNN的3D生成模型作为扩散模型先验的策略，加速3D采样过程。

实验结果表明，MADM可以生成高质量的3D转换图像，优于以前的基于CNN和扩散模型的基准方法。使用了人类患者数据集。

最近的相关研究包括：1.基于CNN的图像到图像翻译方法；2.扩散模型在图像处理中的应用。