网站备案 不备案上海天华建筑设计有限公司官网

网站备案 不备案,上海天华建筑设计有限公司官网,青海住房建设网站,中文网址和中文域名区别2025.12.12这篇文章 2026 年发表于《Medical Image Analysis》期刊#xff0c;由上海科技大学等机构团队完成#xff0c;核心是提出一种名为 HALO 的低剂量 PET 图像重建框架#xff0c;解决临床中剂量 variability 和高频细节丢失两大关键问题。Title题目01HALO: High-freq…2025.12.12这篇文章 2026 年发表于《Medical Image Analysis》期刊由上海科技大学等机构团队完成核心是提出一种名为 HALO 的低剂量 PET 图像重建框架解决临床中剂量 variability 和高频细节丢失两大关键问题。Title题目01HALO: High-frequency enhanced dose-aware diffusion model for arbitrary low-dose PET reconstructionHALO一种用于任意低剂量PET图像重建的高频增强剂量感知扩散模型文献速递介绍02正电子发射断层扫描PET是诊断阿尔茨海默病和各种癌症的常用非侵入性代谢成像技术。尽管其具有实用性但PET成像需要注射放射性核素这给患者带来了固有的辐射风险。减少注射剂量可以降低这些风险但同时也会削弱扫描信号导致重建PET图像质量下降并可能影响诊断准确性。一种有前景的方法是从低剂量PETLPET图像重建标准剂量PETSPET图像以实现具有诊断质量的图像并降低辐射暴露。设计一种临床可行的算法来重建SPET图像面临至少两个挑战首先是PET图像中反映的有效剂量的可变性这受到个体特征、扫描持续时间、扫描仪灵敏度和示踪剂注射方案等多种因素的影响。即使使用相同的单位剂量放射性核素摄取和组织组成的变化也会导致PET图像中有效剂量的差异。其次从LPET图像中恢复SPET图像的高频细节也面临挑战。作为一种基于发射的成像模态PET图像本身易受噪声和伪影影响剂量减少会加剧这些问题导致结构清晰度更低。最近扩散模型在条件生成任务中取得了显著成功但在应用于3D医学图像时面临高计算成本挑战且可能忽视对诊断至关重要的高频细节。为了解决这些挑战本文提出了HALO一种高频增强剂量感知扩散模型用于任意低剂量PET重建。HALO设计了剂量适应DA模块来捕捉LPET图像中的有效剂量并采用高频残差生成策略通过预训练CNN恢复低频分量扩散模型专注于预测高频残差同时引入频率信息分离器FIS和高频调制器HFM以增强高频细节生成。这项工作扩展了之前在MICCAI 2024上接受的研究主要有四个关键改进更深入地研究了LPET重建中的多剂量问题澄清了注射剂量和图像中有效剂量的区别增强了剂量条件化方法结合了注射剂量信息和估计噪声水平扩展了包含多中心数据的实验数据集以及对框架中关键超参数进行了全面分析。Aastract摘要02从低剂量PET扫描中重建标准剂量PET图像是降低PET成像相关辐射风险的有效方法。然而在临床实践中注射剂量水平受多种因素影响且即使注射剂量相同由于个体差异图像中体现的“有效剂量”也存在差异。此外由于PET图像本身缺乏详细结构信息在高频细节的保存方面也面临挑战。为了解决这些问题我们提出了一种名为HALO的高频增强剂量感知低剂量PET重建框架。首先我们引入了一个剂量适应模块通过整合注射剂量信息和估计噪声水平来捕捉图像中呈现的有效剂量并以此控制重建过程。为了进一步增强高频细节我们采用了一种高频残差生成策略其中预训练的CNN用于恢复低频分量而扩散模型专注于预测高频残差。相应地我们引入了频率信息分离器FIS和高频调制器HFM来丰富高频生成。在公开的多剂量PET数据集上进行的大量实验表明HALO在定量和定性方面均优于现有最先进的方法尤其是在超低剂量例如2%条件下突出了其在实际临床应用中的潜力。Method方法03本文提出的HALO方法流程如下给定输入低剂量PET图像x和剂量水平d图像首先通过预训练的CNN生成一个以低频信息为主的初始预测xcnn。高频残差HF Residual通过残差分割模块提取为xresxgt−xcnn作为训练扩散模型的监督信号以恢复精细结构细节。随后预测的HF Residual通过残差合并模块与初始低频估计xcnn融合生成最终重建的SPET图像xfinalxcnnx^res。为了实现任意剂量PET重建本文设计了剂量适应DA模块它通过整合注射剂量信息和估计噪声水平来捕捉PET图像中的有效剂量。粗略剂量控制基于注射剂量信息采用正弦位置编码将注射剂量d编码为剂量嵌入D作为重建过程中的条件因子。精细调整基于图像噪声信息利用离散小波变换DWT从xcnn中分离出HHH系数并结合Canny边缘滤波器生成的边缘图估计出噪声图Nmap。剂量嵌入D和估计噪声图Nmap以及时间步嵌入T被整合到去噪网络的每个卷积块中D与T相加后注入到去噪网络的中间块Nmap则与噪声图像xt沿通道维度连接作为扩散模型第一卷积层的辅助输入。为实现高频细节重建HALO采用高频残差生成策略一个轻量级预训练CNN首先生成xcnn低频内容然后扩散模型专注于重建高频残差。为了进一步增强扩散模型的高频生成能力引入了频率信息分离器FIS模块将xcnn分离为高频xHF和低频xLF分量通过快速傅里叶变换FFT和自适应高通/低通滤波器实现。这些分量与xcnn和xt沿通道维度连接并输入去噪网络。此外基于DWT的高频调制器HFM嵌入在跳跃连接中以将多尺度高频指导整合到去噪过程中通过计算MhfSoftmax(QKTdk)V将高频信息与上采样特征图融合。Discussion讨论04本文进一步评估了HALO在不同成像中心西门子Biograph Vision Quadra扫描仪采集数据上的鲁棒性。该数据集包含197个全身18F-FDG PET样本裁剪后的腹部扫描分辨率为256x256x210使用64x64x64的图像块进行模型开发。结果表明HALO在该额外数据集上的所有指标上均持续优于比较方法突出了模型适应不同成像协议的鲁棒性。HALO在所有剂量水平上均实现最高整体性能且性能随着剂量水平的变化保持稳定降级最小表明其能够很好地适应剂量变化而不显著损失重建质量。这些发现验证了HALO在多样成像条件下的鲁棒性和可靠性。本文还进行了超参数选择实验以确定扩散模型的最佳超参数重点关注时间步数和去噪网络中的卷积块数。在United Imaging uExplorer数据集上的实验显示将正向扩散过程的时间步数增加到2000步时整体性能稳步提高但超过2000步后性能增益微乎其微计算负荷显著增加。因此选择2000个时间步作为最佳配置。去噪网络中的卷积块数影响模型的学习和特征恢复能力。实验表明2个卷积块的配置实现了最高性能在捕获基本图像细节和避免过拟合之间取得了平衡。增加到3个卷积块性能提升很小但显著增加了训练时间和模型参数。因此选择2个卷积块作为最佳配置。此外对复合损失函数LCNN的敏感性分析表明空间域损失LGT、FFT基频域损失LFFT和DWT基频域损失LDWT之间需要平衡的权重贡献。LFFT和LDWT的权重在(0.1, 1)范围内且LFFT的权重是LDWT的两倍即a2b。实验结果显示a0.2和b0.1的配置在SSIM和PSNR方面始终Conclusion结论05本研究解决了当前低剂量PET重建算法在临床应用中的两大主要限制——剂量变异性和高频细节保留问题。我们设计了一种新颖的高频增强剂量感知扩散模型HALO适用于重建任意低剂量输入。首先我们引入了剂量适应模块结合注射剂量信息和噪声水平准确捕捉PET图像中存在的有效剂量从而实现受控的多剂量重建。其次我们采用了高频残差生成策略并进一步将频率信息分离器FIS和高频调制器HFM组件整合到扩散模型中以有效地重建PET图像中的高频细节。在公共数据集上进行的广泛实验表明HALO在定量指标和定性评估方面均优于现有最先进的技术。Results结果06数据集来自Ultra Low Dose PET Imaging Challenge Dataset包含189个全身18F-FDG PET成像样本裁剪为腹部区域256x256x128分辨率。70%用于训练10%用于验证20%用于测试。为解决GPU内存限制采用集中采样策略提取重叠的64x64x64块。强度归一化至[0,1]。评估指标为PSNR和SSIM。扩散模型采用标准DDPM训练范式T2000个时间步。HALO与五种最先进的方法3D U-Net、3D-cGAN、DISGAN、PET-Diff、Con-Diff进行了比较。量化结果显示HALO在所有剂量水平1%至50%计数上均表现出最佳的整体性能特别是在超低剂量例如2%计数下保持了卓越的图像清晰度。HALO在剂量降低时表现出显著的稳定性。与竞争方法相比HALO在超低剂量水平1%-5%上在PSNR和SSIM两项指标上均实现了统计学显著改进p0.05。在较高剂量水平10%-50%下HALO仍优于大多数基线方法但与最近的基于扩散模型的方法PET-Diff、Con-Diff相比统计优势不那么明显这符合PET重建中性能饱和效应。定性比较图4显示HALO在生成局部高频细节方面表现出优势其误差图中的浅色区域表示与SPET参考误差最小。消融研究证实了各模块的有效性CNN-Diff优于标准扩散模型Diff通过CNN处理低频分量扩散模型专注于高频细节提高了结构清晰度。高频指导CNN-Diff-HF引入FIS和HFM进一步提高了性能增强了精细纹理的保留。结合剂量适应模块的HALO模型实现了最高性能能够更好地适应剂量波动和噪声变化。对3D U-Net基线模型的剂量信息影响研究表4表明结合注射剂量和估计有效剂量剂量适应变体的模型在PSNR和SSIM方面始终优于仅使用注射剂量或不使用剂量信息的模型并具有更低的变化性证明了有效剂量建模的价值。Figure图07图1. 三个受试者对应三列的矢状面、冠状面和轴向面1%计数LPET图像对比。尽管所有三个受试者的注射剂量相同但噪声水平显著不同突出了LPET图像质量的内在变异性。图2. 所提出方法的概述其管道图在(a)中展示。最初一个预训练的CNN生成一个粗略的预测xcnn它主要捕获低频信息。为了增强这个输出一个扩散模型被用于在频率信息分离器FIS图2. 所提出方法的概述其管道图在(a)中展示。最初一个预训练的CNN生成一个粗略的预测xcnn它主要捕获低频信息。为了增强这个输出一个扩散模型被用于在频率信息分离器FIS模块和剂量适应DA模块的指导下重建高频残差HF残差。最终图像通过将重建的HF残差添加回粗略预测xcnn获得。DA模块的机制在(b)中描绘去噪网络的结构在(c)中展示。图3. CNN中使用的损失函数组件图示。复合损失函数是基于转换图像与其对应的真实图像之间的均方误差MSE计算的。图4. 在联影uEXPLORER采集的数据上六种不同方法生成的PET图像的视觉比较。从左到右依次是SPET、LPET、五种比较方法第3-7列的结果以及我们的HALO第8列。生成结果与SPET之间的相应误差图分别显示在第2、4和6行。图5. 消融研究的视觉比较。关键感兴趣区域用圆圈和箭头突出显示表明了评估组件的影响。图6. 在六个剂量水平下不同时间步数顶部蓝色条和卷积块数底部绿色条的实验结果以SSIM评估。图7. 在LFFT和LDWT不同权重设置下的性能比较。蓝线表示SSIM值对应左y轴橙线表示PSNR值对应右y轴。