🔬 physics

Supervised Diffusion-Model-Based PET Image Reconstruction

本文提出了一种监督式扩散模型 PET 图像重建算法，通过强制满足泊松似然非负性并适应 PET 图像宽动态范围，在定量重建精度、不确定性估计及真实 3D 数据应用上均优于现有无监督方法。

原作者： George Webber, Alexander Hammers, Andrew P King, Andrew J Reader

发布于 2026-03-18

📖 1 分钟阅读☕ 轻松阅读

原作者： George Webber, Alexander Hammers, Andrew P King, Andrew J Reader

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

这篇论文介绍了一种利用“扩散模型”（Diffusion Models）来重建 PET 医学图像的新技术。为了让你更容易理解，我们可以把 PET 扫描想象成在大雾天里用相机拍一张珍贵的照片。

1. 背景：为什么需要这项技术？

PET 扫描的困境：PET 扫描能看清人体内部的代谢活动（比如癌细胞），但为了减少辐射，医生往往只能收集很少的“信号”（就像大雾天里光线很暗）。
结果：用这些微弱的信号直接成像，照片会全是噪点（雪花屏），看不清细节。
传统方法：以前的算法就像是一个只会修图的普通修图师。它试图把噪点抹平，但往往会把重要的细节（比如肿瘤的边缘）也一起抹掉，或者把照片变得像马赛克一样模糊。
扩散模型（DM）的潜力：扩散模型是现在最火的 AI 技术（比如生成逼真图片的 AI）。它就像一位拥有丰富艺术经验的画家。它看过成千上万张清晰的 PET 照片，知道人体结构“应该”长什么样。

2. 以前的问题：画家和侦探没配合好

之前的研究尝试让这位“画家”（扩散模型）去修复“侦探”（测量到的噪点数据）提供的线索。

旧方法（无监督）：画家和侦探各干各的。画家说：“我觉得这里应该有个肿瘤”，侦探说：“但我没测到信号”。他们互相不沟通，导致画出来的图虽然好看，但不符合真实的测量数据，或者丢失了真实的细节。这就好比画家凭想象画画，却不管现场到底发生了什么。

3. 本文的突破：PET-DEFT（ supervised 监督式方法）

作者提出了一种新方法，叫 PET-DEFT。我们可以把它想象成让画家和侦探坐在一起，实时开会，共同完成修复工作。

核心创新点（用比喻解释）：

统一语言（测量归一化）：
- 问题：PET 图像的信号强度变化极大（有的地方亮如白昼，有的地方暗如黑夜），就像画家习惯画油画，但侦探给的数据却是用“分贝”表示的声音。两者语言不通。
- 解决：作者设计了一个“翻译官”（归一化模块），把侦探的原始数据转换成画家能听懂的“标准语言”，确保画家在理解数据时不会晕头转向。
遵守物理定律（非负性模块）：
- 问题：放射性物质（信号）的数量不能是负数（你不能有 -5 个原子）。但普通的 AI 在计算时可能会算出负数，这就像画出一块“负颜色的阴影”，在物理上是不可能的。
- 解决：作者加了一个“物理规则检查员”（非负性模块）。每次画家想画出一个负数的像素时，检查员立刻把它拉回零。这保证了重建出来的图像在物理上是真实的。
真正的合作（监督式学习）：
- 以前的方法是画家自己猜，现在的方法是画家看着侦探手里的原始数据（正弦图），一边猜一边修正。
- 这就好比：侦探说“这里有个模糊的影子”，画家说“根据我的经验，这应该是个肿瘤”，然后他们一起调整，直到既符合侦探的数据，又符合画家的经验。

4. 这项技术好在哪里？

更清晰、更准确：在实验中，这种方法重建的图像比以前的“马赛克”算法（如 FBSEMnet）更清晰，细节保留得更好，尤其是在信号很少（低剂量）的情况下。
不仅能画图，还能“猜”不确定性：
- 以前的算法只给你一张确定的图（平均值）。
- 这项技术可以生成多张可能的图。如果这多张图里，某个位置总是有肿瘤，那医生就可以确信“这里肯定有问题”；如果有的图有肿瘤，有的没有，医生就知道“这里不确定，需要进一步检查”。这就像画家画了 12 张草图，如果 11 张都画了树，那这里肯定有树。
适应真实世界：作者不仅在电脑模拟的数据上测试成功，还在真实的病人脑部 PET 数据上进行了验证，证明它是真的能用。

5. 总结

简单来说，这篇论文发明了一种聪明的“双人舞”算法：

一位是经验丰富的画家（扩散模型，知道人体长什么样）；
一位是严谨的侦探（测量数据，知道现场有什么）；
通过翻译官和规则检查员的协助，他们完美配合。

结果是：医生能用更少的辐射剂量，得到更清晰、更可信的 PET 图像，甚至还能知道哪些地方是“确定的”，哪些地方是“存疑的”。这对于癌症诊断和减少病人辐射伤害来说，是一个巨大的进步。

这是一份关于《基于监督扩散模型的 PET 图像重建》（Supervised Diffusion-Model-Based PET Image Reconstruction）论文的详细技术总结。该论文提出了一种名为 PET-DEFT 的新方法，旨在解决正电子发射断层扫描（PET）图像重建中的病态逆问题，特别是在低剂量条件下。

1. 研究背景与问题 (Problem)

核心挑战：PET 图像重建是一个病态逆问题，特别是当使用低放射性计数（低剂量）时，数据中固有的高方差泊松噪声会导致重建图像质量下降。
现有方法的局限性：
- 传统模型：如 MLEM 或 MAP-EM，虽然能处理噪声，但在极低剂量下往往过度平滑或产生伪影。
- 无监督扩散模型 (Unsupervised DMs)：近期研究利用在高质量图像上训练的扩散模型作为先验，结合无监督方案（如条件引导）进行重建。虽然这些方法具有泛化优势（不依赖特定扫描仪几何结构或注射剂量），但它们未能显式建模扩散先验与噪声测量数据之间的交互。这导致重建精度受限，且无法充分利用数据一致性更新与去噪更新之间的相互作用。
- 监督深度学习方法：虽然性能优异，但通常只能估计后验均值，难以提供不确定性量化（后验采样）。

2. 方法论 (Methodology)

作者提出了一种监督式扩散模型框架 (PET-DEFT)，基于 Denker 等人提出的 DEFT (Doob's h-transform Efficient Fine Tuning) 框架，并针对 PET 成像特性进行了关键改进。

2.1 核心架构

该方法采用两阶段策略：

预训练 (Pre-training)：在高质量 PET 图像上预训练一个无条件扩散模型（分数网络 $s_\theta$ ），学习图像流形。
监督微调 (Supervised Fine-tuning)：冻结预训练的 $s_\theta$ ，引入一个新的条件分数网络 $s_\phi$ ，利用成对的（图像 $x$ , 测量数据 $m$ ）数据集进行训练，学习测量条件对重建的修正。

2.2 针对 PET 特性的关键创新

为了解决 PET 重建中的具体物理约束，作者引入了以下机制：

测量归一化 (Measurement Normalization)：
- 问题：PET 图像具有极宽的动态范围，且不同剂量下的强度差异巨大。
- 解决：在扩散更新中使用归一化空间，而在数据保真度更新中反归一化。
- 实现：计算缩放因子 $c$ 。训练时基于图像 $x$ 计算；重建时基于测量数据 $m$ （通过少量 MLEM 迭代估计）计算 $\hat{c}$ 。将 Tweedie 估计值乘以 $\hat{c}$ 转换回校准的测量空间，确保数据保真度梯度的准确性。
非负性约束模块 (Non-negativity Module)：
- 问题：PET 的泊松似然模型要求图像值非负（ $x \ge 0$ ）。扩散过程中的中间步骤可能产生负值，破坏泊松似然计算。
- 解决：提出了一种新颖机制，在计算条件 Tweedie 估计后，应用 $pReLU$（参数化线性整流）并逆变换回分数估计。
- 公式： $\epsilon^{(t)}_\phi = (\mu_t \cdot \text{pReLU}(\hat{x}_0(x_t, s_\theta + s_\phi)) - x_t) / \sigma_t$ 。这确保了迭代值 $x_t$ 保持为正，从而改善测试时的条件分数估计。
3D 扩展策略：
- 为了处理全 3D PET 数据并节省显存，作者将物理算子（ $A$ ）与神经网络解耦。
- 训练一个 2.5D 网络：输入为 3 个连续的横断面切片，输出为中间切片的分数估计。
- 3D 重建通过拼接切片级的输出实现。

2.3 重建流程

在重建阶段，使用 DDIM（去噪扩散隐式模型）方案进行反向扩散。条件分数网络 $s_\phi$ 被用来引导去噪方向，结合预训练的无条件分数 $s_\theta$ 和数据保真度更新（基于泊松对数似然梯度），生成最终图像。

3. 主要贡献 (Key Contributions)

首个监督式扩散模型 PET 重建方法：提出了 PET-DEFT，首次将监督学习框架引入基于扩散模型的 PET 重建，显式建模了数据与先验的交互。
针对 PET 的特定改进：设计了测量归一化和非负性模块，解决了 PET 图像宽动态范围和泊松统计特性的难题。
性能与后验采样的平衡：在模拟实验中，其定量性能（NRMSE, SSIM）与最先进的监督深度学习方法（如 FBSEMnet）相当，甚至优于无监督扩散方法；同时，它保留了生成模型的优势，能够进行后验采样以量化不确定性。
真实数据验证：成功将方法扩展到全 3D 临床数据，并在真实的 $[^{18}F]FDG$ 脑 PET 数据上展示了重建效果。

4. 实验结果 (Results)

定量评估：
- 在 5 个不同剂量水平（从 0.1x 到 10x 标准剂量）的脑 PET 体模测试中，PET-DEFT 的表现优于或等同于无监督扩散方法（PET-DDS, PET-LiSch）和传统模型方法（MLEM, MAP-EM）。
- 在大多数剂量下，其性能与最先进的监督深度学习方法 FBSEMnet 相当，但在低剂量下保持了更好的纹理细节。
定性评估：
- 随着剂量降低，FBSEMnet 倾向于产生块状、低分辨率的图像（因其训练损失为 L2 且未建模后验分布），而 PET-DEFT 生成的图像虽然略显模糊（由于多样本平均），但保留了更精细的特征，且更符合真实图像流形。
不确定性量化：
- 通过从后验分布中采样，PET-DEFT 能够生成多个重建样本。实验显示，其采样结果比无监督方法更紧密地贴合真实图像流形（LPIPS 分数更低），表明其不确定性估计更准确。
消融实验：
- 归一化：移除测量归一化步骤导致 NRMSE 显著上升（从 22.1% 升至 30.0%），证明其必要性。
- 非负性模块：引入该模块后，仅需 5 步反向扩散即可达到峰值精度，而无需该模块则需要 8 步。
- 数据依赖性：模型对训练数据量和参数数量的减少表现出一定的鲁棒性。

5. 意义与结论 (Significance)

临床价值：该方法为低剂量 PET 成像提供了一种高质量的解决方案，有助于减少患者辐射暴露或缩短扫描时间，同时保持诊断所需的图像质量。
技术突破：打破了扩散模型在医学图像逆问题中主要依赖无监督条件的局限，证明了通过监督微调结合物理约束（泊松似然、非负性）可以显著提升重建精度。
不确定性分析：提供了比传统点估计方法更丰富的信息（后验分布），有助于医生评估图像特征的可靠性，对临床决策至关重要。
效率：提出的 2.5D 训练策略和物理算子解耦方法，使得在消费级 GPU（如 RTX 3090）上处理全 3D 临床数据成为可能，具有实际部署潜力。

综上所述，PET-DEFT 通过创新的监督学习框架和针对 PET 物理特性的定制模块，在重建精度、图像质量和不确定性量化方面取得了显著进展，代表了 PET 图像重建领域的一个重要发展方向。