Diffusion Transformer Model With Compact Prior for Low-dose PET Reconstruction

正电子发射断层扫描（PET）是一种先进的医学成像技术，对于无创临床诊断起着至关重要的作用。然而，降低辐射剂量通过低剂量PET扫描对患者安全有益，但往往导致数据不足。这种数据稀缺性对于准确重建高质量图像构成了重大挑战，而这对于可靠的诊断结果至关重要。在本研究中，我们提出了一种由联合紧缩先验（JCP）引导的扩散变换器模型（DTM），以增强低剂量PET成像的重建质量。根据当前的研究发现，我们提出了一种集成扩散和变换器模型进行联合优化的开创性PET重建模型。该模型将扩散模型的强大分布映射能力与变换器捕捉长程依赖的能力相结合，为低剂量PET重建提供了显著的优势。此外，病变细化块和惩罚加权最小二乘（PWLS）的结合增强了病变区域的恢复能力并保留了详细信息，解决了大多数深度学习框架中病变区域和纹理细节的模糊问题。实验结果证明了DTM在增强图像质量和保留关键临床信息方面的有效性，我们的方法不仅减少了辐射暴露风险，还为早期疾病检测和患者管理提供了更可靠的PET成像工具。

本论文旨在解决低剂量PET扫描中数据不足的问题，提高PET图像的重建质量，从而更可靠地进行早期疾病检测和患者管理。

本论文提出了一种结合扩散和变压器模型的PET重建模型，称为扩散变压器模型（DTM），并引入联合紧凑先验（JCP）指导模型训练。DTM模型结合了扩散模型和变压器模型的优势，能够更好地捕捉长程依赖关系，同时通过病变细化块和惩罚加权最小二乘（PWLS）等技术增强了对病变区域的恢复能力和对细节信息的保留能力。

本论文在低剂量PET扫描重建方面提出了一种新的模型，有效地提高了图像质量和关键临床信息的保留。实验结果表明DTM模型的有效性。论文还使用了公开数据集进行实验，并提供了开源代码。

相关研究包括使用深度学习方法进行PET图像重建的研究，以及结合其他模型进行PET图像重建的研究。例如，一些论文使用卷积神经网络进行PET图像重建，而另一些论文则结合了生成对抗网络和变分自编码器等模型进行PET图像重建。