🔬 physics

Joint Reconstruction of Activity and Attenuation in PET by Diffusion Posterior Sampling in Wavelet Coefficient Space

Este artículo propone un marco de reconstrucción conjunta para la actividad de PET y la atenuación que utiliza modelos de difusión de wavelet y muestreo de posterioridad de difusión para eliminar la necesidad de exploraciones anatómicas auxiliares, demostrando un rendimiento superior sobre los métodos existentes en datos 3D TOF simulados al tiempo que muestra un potencial prometedor para aplicaciones clínicas no TOF.

Autores originales: Clémentine Phung-Ngoc, Alexandre Bousse, Antoine De Paepe, Thibaut Merlin, Baptiste Laurent, Hong-Phuong Dang, Olivier Saut, Catherine Cheze-Le-Rest, Dimitris Visvikis

Publicado 2026-07-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Clémentine Phung-Ngoc, Alexandre Bousse, Antoine De Paepe, Thibaut Merlin, Baptiste Laurent, Hong-Phuong Dang, Olivier Saut, Catherine Cheze-Le-Rest, Dimitris Visvikis

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando resolver un rompecabezas gigante en 3D del interior de un cuerpo humano. Normalmente, para ver la imagen con claridad, necesitas dos cosas: una linterna para mostrar dónde están las piezas brillantes (la "actividad" de un trazador radiactivo) y un mapa de la niebla de cristal a través de la cual debe pasar la luz (el mapa de "atenuación", generalmente obtenido de una tomografía computarizada o CT).

Durante décadas, los médicos han dependido de ese mapa CT adicional para arreglar la imagen. Pero obtener una tomografía computarizada implica radiación adicional, tiempo adicional y costo adicional. ¿Qué pasaría si pudieras resolver el rompecabezas usando solo los datos de la linterna? Esa es la gran pregunta que aborda este artículo.

Los autores proponen un nuevo método llamado JRAA-DPS. Piensa en él como un detective de IA superinteligente que ha estudiado miles de rompecabezas resueltos. Sabe que en el cuerpo humano, las partes "brillantes" (como un tumor) y las partes "neblinosas" (como el hueso o el músculo) suelen encajar de formas específicas y predecibles.

Así es como ocurre la magia:

El Entrenamiento: La IA fue entrenada con pares de imágenes (brillo + niebla) de 360 pacientes reales. Aprendió las "reglas" de cómo estas dos imágenes se ven juntas, de forma similar a como un chef aprende que un pastel perfecto siempre tiene una proporción específica de harina y azúcar.
El Truco de las Wavelets: Para manejar el enorme tamaño 3D de un cuerpo humano sin que la computadora colapse, el equipo no alimentó a la IA con las imágenes puras. En su lugar, descompusieron las imágenes en "coeficientes de wavelet". Imagina tomar una foto de alta resolución y convertirla en un conjunto de notas musicales que describen las formas y texturas. La IA aprende a componer estas notas.
El Muestreo (la parte "DPS"): Cuando la IA recibe un nuevo rompecabezas ruidoso (solo los datos de la linterna), no simplemente adivina. Comienza con una nube de estática aleatoria (ruido blanco blanco) y la refina paso a paso. En cada paso, hace dos preguntas: "¿Esto parece un cuerpo humano realista?" (basado en su entrenamiento) y "¿Esto coincide con los datos de la linterna que realmente medimos?". Ajusta la imagen hasta que ambas respuestas sean "Sí".

Lo que el artículo realmente encontró (y lo que no):
En sus simulaciones (rompecabezas generados por computadora), este nuevo método fue una estrella. Cuando los datos eran de "Conteo Alto" (mucha luz, señal clara), el método JRAA-DPS produjo imágenes de actividad más nítidas y con menos ruido que los métodos estándar antiguos (llamados MLAA y MLAA-UNet). Incluso logró funcionar cuando la información de "Tiempo de Vuelo" (TOF) no estaba presente, aunque la calidad disminuyó un poco.

Sin embargo, el artículo es muy honesto sobre sus límites. Cuando los datos eran de "Conteo Bajo" (luz muy tenue, como un susurro débil), el método tuvo dificultades. El mapa de la "niebla" reconstruido (atenuación) se volvió un poco inestable y distorsionado, aunque la imagen brillante (actividad) todavía se veía bien.

También probaron esto en datos reales de pacientes de un escáner Siemens Biograph mMR. Aquí, el método reconstruyó con éxito la imagen de un paciente sin utilizar ningún mapa de CT o MR para la atenuación. Encontró tumores y estructuras corporales. Pero había un detalle: el método tendía a sobreestimar ligeramente el brillo en áreas tranquilas (como el hígado) porque su estimación de la luz "dispersada" era un poco baja.

La Advertencia de la "Alucinación"
Debido a que esta IA es un modelo generativo (crea cosas desde cero basándose en patrones), a veces puede "alucinar". Los autores notaron que en los mapas de niebla reconstruidos, los detalles pequeños como diminutas bolsas de aire en los pulmones o bordes específicos de los huesos a veces se veían un poco extraños o faltaban. El artículo sugiere que estos errores no arruinaron la imagen brillante principal, pero son una limitación real. Es como un artista que puede pintar un paisaje perfecto pero podría olvidar accidentalmente dibujar una pequeña piedra específica.

El Obstáculo de la Velocidad
Hay una cosa más que tener en cuenta: la velocidad. Mientras que los métodos antiguos tardaban unos 2 a 3 minutos en resolver el rompecabezas, este nuevo detective de IA tardó unos 43 minutos para los datos simulados y 77 minutos para los datos clínicos reales. Los autores admiten que esto es lento, pero sugieren que con algunos ajustes matemáticos (como usar un programa de muestreo diferente llamado DDIM), este tiempo podría reducirse significamente en el futuro.

La Conclusión
Este artículo sugiere que algún día podríamos realizar escaneos PET sin la tomografía computarizada adicional, ahorrando radiación y tiempo. El método funciona bien en simulaciones y muestra potencial en datos reales, demostrando que puede reconstruir imágenes de alta calidad incluso sin un mapa preestablecido. Pero aún no es una solución perfecta e instantánea. Necesita más trabajo para manejar mejor las situaciones de poca luz, para detener las "alucinaciones" en los mapas de niebla y para ejecutarse más rápido. Por ahora, es un paso muy prometedor hacia una forma más simple y segura de ver el interior del cuerpo.

Resumen Técnico: Reconstrucción Conjunta de Actividad y Atenuación en PET mediante Muestreo de Posterioridad de Difusión en el Espacio de Coeficientes de Wavelet

Planteamiento del Problema
La Tomografía por Emisión de Positrones (PET) requiere la corrección de la atenuación (AC) para cuantificar con precisión la actividad del radiotrazador. Los flujos de trabajo convencionales dependen de exploraciones de Tomografía Computarizada (CT) o Resonancia Magnética (MR) co-registradas para generar mapas de atenuación. Sin embargo, estas exploraciones auxiliares aumentan la exposición a la radiación, complican los flujos de trabajo e introducen artefactos de desalineación. Aunque la Reconstrucción Conjunta de Actividad y Atenuación (JRAA) utilizando únicamente datos de emisión ofrece una solución, los métodos existentes enfrentan limitaciones significativas. Los enfoques tradicionales como el Máximo Verosimilitud de Actividad y Atenuación (MLAA) sufren de un cruce (crosstalk) entre actividad y atenuación cuando la resolución de Tiempo de Vuelo (TOF) es insuficiente, y fallan por completo sin información de TOF. Además, los métodos de aprendizaje profundo (DL) para la AC suelen depender de mapeos directos de imagen a imagen que carecen de consistencia con los datos de emisión medidos, o de métodos indirectos que dependen de reconstrucciones intermedias ruidosas, lo que los hace sensibles a casos fuera de la distribución (por ejemplo, anatomías inusuales o niveles de conteo variables).

Metodología
Los autores proponen JRAA-DPS, un marco que realiza la reconstrucción conjunta de la actividad ( $\lambda$ ) y la atenuación ( $\mu$ ) únicamente a partir de datos de emisión utilizando el Muestreo de Posterioridad de Difusión (DPS) guiado por un Modelo de Difusión de Wavelets (WDM).

Modelo de Difusión de Wavelets (WDM): Para manejar volúmenes 3D de gran tamaño de manera eficiente, los autores emplean un WDM entrenado en pares de imágenes de actividad y atenuación. En lugar de operar en el espacio de la imagen, el modelo aprende un prior en el espacio de los coeficientes de wavelet. Una Transformada de Wavelet Discreta (DWT) ortogonal descompone los pares de imágenes 3D en ocho canales de coeficientes de wavelet, reduciendo la complejidad computacional mientras preserva la información estructural. El modelo se entrena utilizando un objetivo de Modelo Probabilístico de Difusión de Eliminación de Ruido (DDPM) para aprender la distribución de probabilidad conjunta $p(\lambda, \mu)$ .
Muestreo de Posterioridad de Difusión (DPS): Durante la reconstrucción, el WDM entrenado actúa como un prior en lugar de un predictor directo. El algoritmo muestrea de la distribución posterior $p(\lambda, \mu | y)$ $p (λ, μ ∣ y)$ , donde $y$ $y$ representa los datos de emisión medidos. En cada paso de difusión, el algoritmo:
- Genera una estimación ruidosa basada en el prior aprendido.
- Actualiza las variables latentes de actividad y atenuación por separado utilizando gradientes de la log-verosimilitud de los datos medidos (consistencia de datos).
- Incorpora explícitamente el modelo de adquisición, incluyendo la geometría del escáner, la resolución de TOF, la duración del escaneo y las características de ruido, asegurando que la reconstrucción sea consistente con la configuración de adquisición específica sin necesidad de reentrenar el modelo.
Estimación Conjunta de Dispersión (Scatter): El marco integra una estrategia de estimación conjunta de dispersión donde los parámetros de dispersión se refinan progresivamente durante el proceso de muestreo mediante el ascenso de gradiente, eliminando la necesidad de un mapa de atenuación preestimado para calcular la dispersión.

Contribuciones Clave

Nuevo Marco JRAA: Introducción de un método de JRAA basado en modelos de difusión (JRAA-DPS) que aprovecha un prior de difusión aprendido de pares de actividad-atenuación para reconstruir ambos mapas únicamente a partir de datos de emisión.
Desacoplamiento de Prior y Adquisición: El prior de difusión es independiente del modelo de adquisición. Un único modelo entrenado puede aplicarse a diversos entornos (diferentes duraciones de escaneo, resoluciones de TOF y geometrías de escáner) siempre que el modelo de propagación (forward model) se adapte a los datos específicos, eliminando la necesidad de reentrenamiento.
Escalabilidad mediante Wavelets: El uso de un WDM permite el procesamiento de grandes volúmenes 3D, superando las barreras computacionales típicamente asociadas con los modelos de difusión 3D.
Integración de Dispersión Conjunta: La capacidad de realizar la estimación conjunta de la dispersión dentro del bucle de DPS, reduciendo aún más la dependencia de priors anatómicos externos.

Resultados Experimentales
El método fue evaluado tanto en datos simulados (Experimento 1) como en datos clínicos reales de un escáner Siemens Biograph mMR (Experimento 2).

Datos Simulados: JRAA-DPS superó tanto a MLAA como a MLAA-UNet (un post-procesamiento de U-Net para MLAA) en términos de Relación Señal-Ruido de Pico (PSNR), Índice de Similitud Estructural (SSIM) y Error Cuadrático Medio Normalizado (NRMSE) para la reconstrucción de actividad tanto en configuraciones de Alto Conteo (HC) como de Bajo Conteo (LC).
- TOF vs. No-TOF: Con información de TOF, JRAA-DPS produjo reconstrucciones de alta calidad y libres de ruido. En configuraciones sin TOF, el rendimiento se degradó, particularmente en condiciones de LC, aunque aun así superó a MLAA y MLAA-UNet en la recuperación de actividad.
- Reconstrucción de la Atenuación: En configuraciones de LC, MLAA-UNet produjo mapas de atenuación más suaves con mejores métricas, mientras que JRAA-DPS introdujo algunos detalles erróneos. Sin embargo, estos detalles no comprometieron significativamente la calidad de la imagen de actividad reconstruida.
- Recuperación de Lesiones: JRAA-DPS demostró una recuperación robusta de la intensidad y el contraste de las lesiones, particularmente en configuraciones de LC con un ajuste de hiperparámetros adecuado.
Datos Clínicos: El método reconstruyó con éxito datos clínicos sin TOF, recuperando estructuras significativas como tumores. Aunque MLAA-UNet logró métricas de calidad de imagen más altas (parcialmente debido a comparaciones favorables utilizando el mismo algoritmo OSEM y estimaciones de dispersión), JRAA-DPS reconstruyó tanto la actividad como la atenuación sin depender de mapas de atenuación derivados de MR.
Limitaciones Observadas:
- Subestimación de la Dispersión: En los datos clínicos, la estimación conjunta de la dispersión tendió a subestimar la dispersión, lo que provocó una sobreestimación de la actividad en regiones de baja captación (por ejemplo, el hígado).
- Alucinaciones: Al igual que los modelos generativos, el método produjo "alucinaciones" en los mapas de atenuación (por ejemplo, falta de detalles óseos, estructuras pulmonares incoherentes), aunque esto tuvo un impacto mínimo en la reconstrucción de la actividad.
- Costo Computacional: La reconstrucción es computacionalmente costosa, tomando aproximadamente 1 hora y 20 minutos para datos clínicos, en comparación con los ~20 minutos de los métodos basados en MLAA.

Significancia y Reivindicaciones
El artículo posiciona a JRAA-DPS como un paso significativo hacia la imagen PET autónoma (stand-alone), con el objetivo de reducir la dependencia de modalidades anatómicas (CT/MR) manteniendo la precisión de la cuantificación. Los autores afirman que, al modelar explícitamente los factores de adquisición en el modelo de propagación, el método ofrece robustez ante variaciones en los niveles de conteo y la presencia o ausencia de información de TOF sin requerir reentrenamiento.

Los autores son modestos respecto al estado actual del método, reconociendo que:

Limitaciones de No-TOF en LC: La calidad de la reconstrucción en escenarios de bajo conteo (LC) y sin TOF se degrada significativamente, lo que limita su efectividad práctica en estos entornos específicos.
Estimación de la Dispersión: La estrategia actual de estimación conjunta de la dispersión es imperfecta y requiere mayor refinamiento para evitar la sobreestimación de la actividad.
Artefactos Generativos: El potencial de alucinación de características en los mapas de atenuación sigue siendo una limitación que requiere validación clínica.
Velocidad: El tiempo de reconstrucción es actualmente una barrera para la adopción clínica, aunque los autores sugieren que los métodos de muestreo acelerado (por ejemplo, DDIM) podrían mitigarlo.

En última instancia, el trabajo demuestra la viabilidad del uso de priors de difusión para la reconstrucción de PET sin CT, ofreciendo una vía para la reducción de la dosis de radiación y la mejora de la eficiencia del flujo de trabajo, siempre que la estimación de la dispersión y la velocidad de muestreo se optimicen aún más.

Más como este