新框架DB-SUiT实现MRI到PET图像转换
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究人员提出基于皮层表面的扩散桥框架DB-SUiT，可将MRI图像转换为PET图像。该模型利用球面卷积编码器和Transformer捕捉空间依赖，并融入人口统计学信息。在两项数据集评估中，合成图像质量优于现有基线。在自动痴呆分类任务中，合成PET图像使性能相比MRI提升14.2%，盲读研究中诊断准确率达85.5%，且在外部队列中表现出跨病理泛化能力。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决PET检查痛点
氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）测量的皮层低代谢是痴呆症诊断的高敏感性生物标志物。然而，该技术面临高成本、辐射暴露以及可及性有限等临床应用制约。虽然利用磁共振成像（MRI）进行跨模态合成提供了一种有前景的替代方案，但现有的体积生成方法并未明确考虑高度折叠的皮层几何结构，而疾病相关模式主要存在于这些结构中。
DB-SUiT技术架构
为解决上述问题，研究团队引入了基于皮层表面的扩散桥框架DB-SUiT，用于MRI到PET的转换，该框架在皮层流形上原生运行。模型设计了条件球面U型视觉Transformer（SUiT），旨在建模复杂的跨模态关系并保留表面拓扑。该架构结合了用于多尺度表面特征提取的球面卷积编码器，以及用于捕捉长程空间依赖的瓶颈Transformer，同时融入人口统计学和皮层下条件以优化合成效果。
性能评估与泛化
在包含不同痴呆症类型受试者的两个数据集评估中，DB-SUiT展现了高保真合成能力，大幅优于其他基线模型。在自动痴呆分类任务中，合成的PET表面性能相比MRI提升了14.2%，相比PET体积提升了11.3%，接近真实PET表面的性能水平。在盲读研究中，合成PET的诊断准确率达到85.5%，而MRI为75.8%，真实PET为95.2%。此外，模型在未重新训练的情况下，于包含训练期间未出现的痴呆亚型的外部队列上进行了评估，证明了其跨队列和跨病理的泛化能力。
为什么值得看
降低PET检查成本与辐射风险，提升痴呆症诊断可及性。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。