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并消除CT采集的衰减校正可以降低总辐射剂量，但往往导致PET噪声和偏差较高。因此，开发3D方法将非衰减校正低剂量PET（NAC-LDPET）转化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转换的新型深度学习方法，比传统的基于CNN的方法更好。然而，由于高计算成本和内存负担，它很大程度上受到2D应用的限制。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图像到图像转换，并应用于NAC-LDPET到AC-SDPET的转换。具体而言，MADM采用轴向、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，将基于CNN的3D生成用作扩散模型的先验。我们对人体患者研究的实验结果表明，MADM可以生成高质量的3D转换图像，优于以前的基于CNN和扩散的基线方法。

将非衰减校正低剂量PET（NAC-LDPET）转化为衰减校正标准剂量PET（AC-SDPET）是一项重要的临床诊断任务，但会引入辐射危害。本文旨在解决这个问题。

本文提出了一种新的2.5D多视角平均扩散模型（MADM）用于3D图像转换，其通过分别处理轴向、冠状面和矢状面视图来提高3D图像的生成质量。此外，还提出了一种将基于CNN的3D生成用作扩散模型的先验知识的策略，以加速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和扩散模型的基线方法。本文提出的方法可以减少PET扫描的辐射剂量，为临床医学提供了更好的服务。

最近的相关研究包括：1.基于深度学习的图像转换方法；2.使用CNN的3D图像生成方法；3.扩散模型在图像处理中的应用。