🔬 physics

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

本文提出了一种用于 PET 活动与衰减联合重建的框架，该框架利用小波扩散模型和扩散后验采样来消除对辅助解剖扫描的需求，在模拟 3D TOF 数据上展示了优于现有方法的性能，并显示出在临床非 TOF 应用中的巨大潜力。

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

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试解决一个巨大的、关于人体内部结构的3D拼图。通常，为了看清图像，你需要两样东西：一盏手电筒来展示那些发光的碎片（即来自放射性示踪剂的“活性”），以及一张描述光线必须穿过的雾气玻璃（即“衰减”图，通常由CT扫描获取）的地图。

几十年来，医生一直依赖这张额外的CT地图来修复图像。但获取CT扫描意味着额外的辐射、额外的时间和额外的成本。如果仅靠“手电筒数据”就能解开这个谜题，会怎样？这正是这篇论文要探讨的核心问题。

作者提出了一种名为 JRAA-DPS 的新方法。你可以把它想象成一个超级聪明的AI侦探，它已经研究过成千上甚至数千个已解开的拼图。它知道在人体内，“发光”的部分（如肿瘤）和“雾气”的部分（如骨骼或肌肉）通常以特定的、可预测的方式组合在一起。

以下是神奇之处是如何发生的：

训练阶段： 该AI是在来自360名真实患者的图像对（发光 + 雾气）上进行训练的。它学习了这两类图像如何共同呈现的“规则”，就像厨师学习到完美的蛋糕总是具有特定的面粉与糖的比例一样。
小波技巧： 为了处理人体如此庞大的3D尺寸而不至于让计算机崩溃，团队并没有直接将原始图像喂给AI。相反，他们将图像分解成了“小波系数”。想象一下，将一张高分辨率照片转化为一组描述形状和纹理的“音符”。AI学习的是如何谱写这些音符。
采样过程（“DPS”部分）： 当AI面对一个新的、带有噪声的拼图（只有手电筒数据）时，它并不只是盲目猜测。它从一团随机的静态噪声（白噪声）开始，通过一步步精细化的过程进行完善。在每一步中，它都会询问两个问题：“这看起来像一个真实的身体吗？”（基于其训练数据）以及“这是否符合我们实际测得的手电筒数据？”它不断微调图像，直到两个答案都是“是”。

这篇论文实际发现了什么（以及没发现什么）：
在模拟实验（计算机生成的拼图）中，这种新方法表现得像个明星选手。当数据为“高计数”（光线充足，信号清晰）时，JRAA-DPS方法生成的活性图像比旧的标准方法（称为MLAA和MLAA-UNet）更清晰、噪声更少。即使在缺失“飞行时间”（TOF）信息的情况下，它也能维持一定的质量，尽管质量会有所下降。

然而，论文对局限性的描述非常诚实。当数据为“低计数”（光线极暗，如同微弱的耳语）时，该方法表现挣扎。重建的“雾气”图（衰减图）会变得有些摇晃和扭曲，尽管“发光”的图像（活性）看起来仍然还可以。

他们还在西门子Biograph mMR扫描仪上测试了真实患者数据。在这里，该方法成功地在没有使用任何CT或MR图作为衰减参考的情况下，重建出了患者的图像。它找到了肿瘤和身体结构。但有一个细节：该方法倾向于稍微高估安静区域（如肝脏）的亮度，因为它对“散射”光的估计略低。

“幻觉”警告
由于这是一个生成式模型（它根据模式从零开始创造事物），它有时会产生“幻觉”。作者注意到，在重建的雾气图中，一些微小的细节——比如肺部微小的气囊或特定的骨骼边缘——有时看起来不太对劲或者缺失了。论文指出，这些误差并未破坏主要的“发光”图像，但它们是真实的局限性。这就像一位艺术家可以画出完美的风景，却可能不小心忘记画出一块特定的碎石。

速度障碍
还有一件事需要注意：速度。旧的方法大约需要2到3分钟来解开拼图，而这个新的AI侦探在处理模拟数据时耗时约 43分钟，在处理真实临床数据时耗时约 77分钟。作者承认这很慢，但他们建议，通过数学上的改进（例如使用一种称为DDIM的不同采样方案），未来可以将这个时间大幅缩减。

底线
这篇论文表明，我们或许有一天可以在不做CT扫描的情况下进行PET检查，从而节省辐射和时间。该方法在模拟中表现良好，并在真实数据上展现了潜力，证明了即使没有预设的地图，它也能重建高质量的图像。但它还不是一个完美的、即时的解决方案。它需要更多的工作来更好地处理低光照情况，消除雾气图中的“幻觉”，并提高运行速度。目前来看，这是一个非常具有前景的步骤，让我们向着一种更简单、更安全的观察人体方式迈进了一步。

技术摘要：基于小波系数空间扩散后验采样（DPS）的 PET 活动与衰减联合重建

问题陈述
正电子发射断层扫描（PET）需要进行衰减校正（AC），以准确量化放射性示踪剂的活性。传统的流程依赖于配准的计算机断层扫描（CT）或磁共나共振（MR）图像来生成衰减图。然而，这些辅助扫描增加了辐射暴露，使工作流程复杂化，并引入了对齐伪影。虽然仅使用发射数据进行活动与衰减联合重建（JRAA）提供了一种解决方案，但现有方法面临显著局限。传统的 MLAA（最大似然活动与衰减）方法在飞行时间（TOF）分辨率不足时会受到活动与衰减串扰的影响，且在缺乏 TOF 信息时完全失效。此外，用于衰减校正的深度学习（DL）方法通常依赖于缺乏与测量发射数据一致性的直接图像到图像映射，或者依赖于不稳定的间接方法（依赖于噪声较大的中间重建），这使得它们对分布外情况（如异常解剖结构或变化的计数水平）非常敏感。

方法论
作者提出了 JRAA-DPS，这是一个仅通过发射数据，利用由**小波扩散模型（WDM）引导的扩散后验采样（DPS）**来实现活动（ $\lambda$ ）与衰减（ $\mu$ ）联合重建的框架。

小波扩散模型 (WDM)： 为了高效处理大规模 3D 体积，作者采用了在活动与衰减图像对上训练的 WDM。该模型不是在图像空间运行，而是在小波系数空间学习先验。通过正交离散小波变换（DWT），将 3D 图像对分解为八通道小波系数，在保留结构信息的同时降低了计算复杂度。模型使用去噪扩散概率模型（DDPM）目标进行训练，以学习联合概率分布 $p(\lambda, \mu)$ 。
扩散后验采样 (DPS)： 在重建过程中，训练好的 WDM 作为先验而非直接预测器发挥作用。算法从后验分布 $p(\lambda, \mu | y)$ $p (λ, μ ∣ y)$ 中进行采样，其中 $y$ $y$ 代表测得的发射数据。在每个扩散步骤中，算法执行以下操作：
- 基于学习到的先验生成一个带噪声的估计值。
- 利用测量数据的对数似然梯度（数据一致性）分别更新活动和衰减潜变量。
- 显式地结合前向模型，包括扫描仪几何结构、TOF 分辨率、扫描时长和噪声特性，确保重建过程与特定的采集设置保持一致，而无需重新训练模型。
联合散射估计： 该框架集成了一个联合散射估计策略，通过梯度上升在采样过程中逐步细化散射参数，从而消除了对预估衰减图进行计算散射的需求。

核心贡献

新型 JRAA 框架： 引入了一种基于扩散模型的 JRAA 方法（JRAA-DPS），它利用从活动-衰减对中学习到的扩散先验，仅从发射数据重建两类图谱。
先验与采集的解耦： 扩散先验独立于采集模型。只要调整前向模型，单个训练好的模型即可应用于多种设置（不同的扫描时长、TOF 分辨率和扫描仪几何结构），无需重新训练。
通过小波实现可扩展性： 使用 WDM 使处理大型 3D 体积成为可能，克服了通常与 3D 扩散模型相关的计算障碍。
联合散射集成： 在 DPS 循环内进行联合散射估计的能力，进一步减少了对外部解剖学先验的依赖。

实验结果
该方法在模拟数据（实验 1）和来自西门子 Biograph mMR 扫描仪的真实临床数据（实验 2）上进行了评估。

模拟数据： 在高计数（HC）和低计数（LC）设置下，JRAA-DPS 在活动重建的峰值信噪比（PSNR）、结构相似性指数（SSIM）和归一化均方根误差（NRMSE）方面均优于 MLAA 和 MLAA-UNet（一种经过 U-Net 后处理的 MLAA）。
- TOF 与非 TOF： 拥有 TOF 信息时，JRAA-DPS 能产生高质量、无噪声的重建。在非 TOF 设置下，性能有所下降，特别是在 LC 条件下，尽管其在活动恢复方面仍优于 MLAA 和 MLAA-UNet。
- 衰减重建： 在 LC 设置下，MLAA-UNet 生成的衰减图更平滑且指标更好，而 JRAA-DPS 会引入一些错误的细节。然而，这些细节并未显著损害重建活动图像的质量。
- 病灶恢复： JRAA-DPS 展示了鲁棒的病灶强度和对比度恢复能力，特别是在具有足够超参数调优的 LC 设置下。
临床数据： 该方法成功重建了非 TOF 临床数据，恢复了诸如肿瘤等有意义的结构。虽然 MLAA-UNet 取得了更高的图像质量指标（部分归因于使用相同的 OSEM 算法和散射估计的有利比较条件），但 JRAA-DPS 在不依赖 MR 衍生衰减图的情况下完成了活动与衰减的重建。
观察到的局限性：
- 散射低估： 在临床数据中，联合散射估计倾向于低估散射，导致低摄取区域（如肝脏）的活动被高估。
- 幻觉现象： 与生成模型一样，该方法在衰减图中产生了“幻觉”（例如，缺失骨骼细节、不连贯的肺部结构），尽管这些对活动重建的影响很小。
- 计算成本： 重建计算量巨大，处理临床数据约需 1 小时 20 分钟，而基于 MLAA 的方法约为 20 分钟。

意义与主张
本文将 JRAA-DPS 定位为迈向独立 PET 成像的重要一步，旨在减少对解剖学模态（CT/MR）的依赖，同时保持定量准确性。作者声称，通过在前向模型中显式建模采集因素，该方法能够对不同的计数水平和是否存在 TOF 信息提供鲁棒性，且无需重新训练。

作者对该方法的现状持谨慎态度，承认了以下几点：

非 TOF LC 局限性： 在低计数、非 TOF 场景下的重建质量显著下降，限制了其在这些特定设置下的实际有效性。
散射估计： 当前的联合散射估计策略尚不完善，需要进一步优化以防止活动过高估计。
生成式伪影： 衰减图中出现幻觉特征的可能性仍然是一个限制，需要临床验证。
速度： 目前的重建时间是临床应用的一个障碍，尽管作者建议使用加速采样方法（如 DDIM）可以缓解这一问题。

最终，这项工作证明了使用扩散先验进行无 CT PET 重建的可行性，为减少辐射剂量和提高工作流效率提供了路径，前提是需要进一步优化散射估计和采样速度。

技术摘要：基于小波系数空间扩散后验采样（DPS）的 PET 活动与衰减联合重建

类似论文