针对可变剂量减少的低剂量PET-MR成像的潜在空间特征深核表示
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文介绍了多种基于深度学习的方法来提高正电子发射断层扫描（PET）成像质量，包括生成对抗网络、条件变分自编码器和多模态条件对抗扩散模型。这些方法通过优化低剂量数据处理，改善图像质量和临床可靠性，降低辐射风险，展现了在PET成像中的应用潜力。
❓
Q&A
如何提高低剂量PET成像的质量？
可以通过基于分类引导生成对抗网络和超分辨率细化的方法来提高低剂量PET成像的质量。
什么是TriDo-Former模型，它的优势是什么？
TriDo-Former模型是一种基于Transformer的模型，能够通过sinogram、图像和频域直接重建PET图像，实验结果显示其在临床数据集上优于现有方法。
PCT-CM方法如何提升低剂量PET图像的质量？
PCT-CM方法通过逆扩散过程和PET-VIT网络实现高效去噪，从而提升低剂量PET图像的质量。
SS-AEGAN在低剂量PET成像中有什么创新？
SS-AEGAN引入了自适应残差估计映射机制，并通过自我监督的预训练策略提高特征表示，实验证明其在各种剂量降低因素下优于最先进的合成方法。
条件变分自编码器在动态PET成像中的应用是什么？
条件变分自编码器用于有效估计动态PET的运动动力学参数的后验分布，验证结果使用无偏MCMC作为参考。
多模态条件对抗扩散模型的功能是什么？
多模态条件对抗扩散模型从多模态输入中重建标准剂量PET图像，实验结果显示其在定性和定量上达到了最先进的性能。
🏷️
