positron emission tomography
PulseAugur coverage of positron emission tomography — every cluster mentioning positron emission tomography across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的三维流方法大幅缩短PET图像去噪时间
研究人员开发了一种新的三维条件校正流框架，称为3D Flow，用于高效去噪正电子发射断层扫描（PET）图像。该方法将推理时间显著缩短至约30秒，远优于现有需要数小时的3D深度扩散模型。该框架利用了优化的非均匀采样策略和单通道线性插值速度匹配目标。评估表明，即使在超低辐射剂量下，3D Flow也能实现良好的图像质量和病灶可见性，并且在独立临床数据集和不同剂量水平上显示出有希望的零样本迁移能力。
-
新的3D CT到PET翻译使用潜在扩散模型
研究人员开发了一种新颖的3D CT到PET翻译框架，使用了潜在布朗桥扩散（BBDM）。这种两阶段方法首先采用具有对比学习的变分自编码器（VAE）来对齐解剖（CT）和代谢（PET）数据的潜在表示。随后，BBDM翻译这些对齐的潜在表示，从而能够从CT扫描中合成类似PET的信息。该方法旨在减少PET成像相关的辐射暴露和成本，与现有方法相比，在保持代谢活性和病灶检测方面表现出更高的性能。
-
新框架增强跨模态图像翻译以改进重建
两篇新研究论文介绍了一种用于跨模态图像翻译的新型框架，该技术利用一种成像数据类型的信息来改进另一种成像数据的重建。第一个框架“生成式翻译先验”（GTP）将基于扩散的图像到图像翻译模型改编为病态成像问题的贝叶斯先验，并结合目标域测量以获得更准确的后验分布。第二个框架“图像翻译前学习目标先验”（LTP-BIT）提出了一种解耦的训练范式，该范式在进行跨模态对应微调之前，首先从非配对图像中学习目标域生成先验。这两种方法都证明了在重建保真度方面…
-
AI智能体利用VLM和LLM自动进行PET图像去噪
研究人员开发了一种新颖的多智能体系统，该系统利用视觉语言模型（VLM）和大型语言模型（LLM）来自动化和增强正电子发射断层扫描（PET）图像的去噪。该框架旨在通过动态评估图像质量和病灶状态、自主选择最佳去噪模型和参数，并纳入用于闭环反馈的回滚机制来复制专家工作流程。在西门子Biograph Vision Quadra PET/CT数据上的实验表明，所提出的系统在提高PET图像质量方面优于U-Net、GAN和DDPM等传统方法。
-
新方法创建可逆的不可学习样本以实现人工智能版权保护
研究人员开发了一种新的深度学习版权保护方法，通过创建“可逆的不可学习样本”。该方法旨在通过使数据对人工智能模型不可学习来防止未经授权的模型训练，同时解决数据泄露的风险。该技术包括生成扰动，使模型学习输入图像的不相关特征，并利用双重提取策略确保水印提取不受影响。在ImageNet和CIFAR-10等数据集上的实验证明了其在为图像提供全面版权保护方面的有效性。
-
新的TRIO算法通过三光子探测增强PET成像精度
研究人员开发了一种名为TRIO的新型三光子贝叶斯成像算法，旨在提高正电子发射断层扫描（PET）的准确性。这种新方法利用了三光子湮灭事件（正电子-电子湮灭的副产品）的额外信息来重建图像。与现有方法相比，TRIO在定位精度方面有了显著提高，有可能增强各种疾病的诊断能力。
-
FlowPET 框架采用物理信息方法增强低计数 PET 重建
研究人员开发了 FlowPET，一种新颖的、用于正电子发射断层扫描 (PET) 重建的物理信息框架，专门用于解决低计数场景下的挑战。与可能导致信号“冲淡”的传统生成模型不同，FlowPET 在辛相空间中利用保体积传输，理论上可以防止弱信号的衰减。该框架通过 PET 算子的独特分解来强制执行数据一致性并管理不确定性。实验表明，FlowPET 在图像质量指标上优于现有方法，并显著提高了低对比度病灶的恢复能力。
-
新框架ReMAP-PET通过代谢语义增强脑PET扫描分析
研究人员开发了ReMAP-PET，一个旨在增强对脑正电子发射断层扫描（PET）理解的新型框架。与将PET数据视为通用体积信息的现有模型不同，ReMAP-PET专注于学习结构化的区域代谢语义。这是通过使用回归和对比目标，对脑区域标准化摄取值比（SUVR）谱进行MedicalNet 3D ResNet-50模型的微调来实现的。该框架在SUVR预测和召回率方面表现出显著的改进，优于基线模型。此外，ReMAP-PET与BioClinicalB…
-
新的HDDPM模型增强了低计数PET图像恢复能力
研究人员开发了一种名为HDDPM（异方差去噪扩散概率模型）的新方法，以改进低计数正电子发射断层扫描（PET）图像的恢复。与假设噪声均匀的标准扩散模型不同，HDDPM考虑了PET扫描中固有的非高斯和空间依赖性噪声，尤其是在低辐射剂量下。该模型包含一个基于泊松分布的方差模块，用于生成体素级别的噪声图，反映了与活动相关的噪声结构。在不同扫描仪和剂量水平下的评估表明，HDDPM在整体图像质量上与标准模型相当，但在低剂量情况下显著降低了测量误差…
-
新的ReMAP-PET框架增强了PET扫描的脑代谢分析
研究人员开发了ReMAP-PET，一个旨在通过关注区域代谢对齐语义来更好地解释正电子发射断层扫描（PET）的新框架。与将PET扫描视为通用体积数据的现有模型不同，ReMAP-PET使用部分微调的MedicalNet 3D ResNet-50，并以脑区域标准化摄取值比（SUVR）曲线进行监督。这种方法使模型能够学习PET扫描中的特定代谢信息，在1015个样本上实现了0.070的SUVR MAE和77.8%的PET SUVR Recall…
-
新的Delta-Diffusion模型合成纵向脑淀粉样蛋白PET数据
研究人员开发了Delta-Diffusion，一个用于合成纵向脑淀粉样蛋白PET成像数据的新框架。该方法使用条件泊松扩散桥过程，以受试者的基线PET扫描为锚点，来模拟淀粉样蛋白积累的时间演变。该框架结合了具有泊松扰动和自适应调制的扩散Transformer，以考虑临床间隔和结构MRI背景，旨在改进疾病进展的追踪。
-
AI系统ProMUSE通过自适应成像降低阿尔茨海默病诊断成本
研究人员开发了ProMUSE，一个新颖的AI系统，旨在通过自适应地整合多模态数据来改善阿尔茨海默病的早期诊断。该系统最初使用低成本的临床评估并量化诊断不确定性。如果存在高不确定性，ProMUSE会逐步整合更昂贵的数据，如MRI和PET扫描，并利用Dempster-Shafer理论融合信息，减少对昂贵成像的依赖。在基准数据集上的实验表明，ProMUSE可以达到与全模态方法相当的准确性，同时显著减少对MRI/PET扫描的需求，为广泛筛查提…
-
京东旅行上线中国首个一站式宠物旅行预订平台
京东旅行上线了宠物旅行专区，成为中国首个为宠物提供机票、酒店和门票综合预订的平台。此举旨在满足日益增长的宠物友好旅行需求。该平台将为计划出行的宠物主人提供一站式解决方案。
-
新的PETS框架优化AI测试时自洽性
研究人员开发了PETS，一个用于优化AI模型测试时自洽性的新框架。该方法旨在通过有效分配随机推理轨迹的资源来提高模型性能。PETS引入了“自洽率”以理论上支持样本高效分配，并为离线和在线设置提供了算法，在实验中优于均匀分配。
-
深度学习解锁探测器中的皮秒光子计时
研究人员开发了一种新颖的深度学习方法，能够精确测量闪烁探测器中单个光子的到达时间，这在以前受限于多个光子的集体响应。该技术无需修改探测器硬件，并使用无监督学习，实现了皮秒级的时间分辨率，这对于PET扫描等先进的医学成像至关重要。该方法已通过模拟和实验得到验证，展示了改进的时间分辨率，并为光子传输和分类提供了见解。
-
扩散模型从均匀活动图生成逼真的PET图像
研究人员开发了一种新颖的扩散模型，称为PAD，能够从均匀器官活动图生成逼真的异质PET图像。该模型将自然图像文本到图像解码器应用于医学成像，并采用两阶段训练策略来优化图像细节。评估表明，PAD生成的图像在定量准确性、噪声和纹理特征方面与真实PET扫描相当，并在肿瘤分割任务中产生相似的性能。人类观察者发现合成图像在视觉上与实际PET扫描无法区分，凸显了PAD在数据增强和支持各种成像研究方面的潜力。
-
PET-Adapter通过测试时域自适应改进PET图像重建
研究人员开发了PET-Adapter，一个旨在改进正电子发射断层扫描（PET）图像重建的新框架，特别是在有限角度扫描方面。该方法允许预训练的深度学习模型适应新的临床数据集，而无需重新训练或配对的真实数据。通过结合层级解剖学条件和物理信息热启动，PET-Adapter显著减少了重建所需的扩散步数，同时在各种临床场景中保持了高质量的图像。