亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

3D multi-modality Transformer-GAN for high-quality PET reconstruction

计算机科学 人工智能 鉴别器 计算机视觉 迭代重建 编码器 正电子发射断层摄影术 模式识别(心理学) 特征(语言学) 图像质量 模态(人机交互) 体素 核医学 图像(数学) 医学 电信 语言学 哲学 探测器 操作系统
作者
Yan Wang,Yanmei Luo,Chen Zu,Bo Zhan,Zhengyang Jiao,Xi Wu,Jiliu Zhou,Dinggang Shen,Luping Zhou
出处
期刊:Medical Image Analysis [Elsevier]
卷期号:91: 102983-102983 被引量:8
标识
DOI:10.1016/j.media.2023.102983
摘要

Positron emission tomography (PET) scans can reveal abnormal metabolic activities of cells and provide favorable information for clinical patient diagnosis. Generally, standard-dose PET (SPET) images contain more diagnostic information than low-dose PET (LPET) images but higher-dose scans can also bring higher potential radiation risks. To reduce the radiation risk while acquiring high-quality PET images, in this paper, we propose a 3D multi-modality edge-aware Transformer-GAN for high-quality SPET reconstruction using the corresponding LPET images and T1 acquisitions from magnetic resonance imaging (T1-MRI). Specifically, to fully excavate the metabolic distributions in LPET and anatomical structural information in T1-MRI, we first use two separate CNN-based encoders to extract local spatial features from the two modalities, respectively, and design a multimodal feature integration module to effectively integrate the two kinds of features given the diverse contributions of features at different locations. Then, as CNNs can describe local spatial information well but have difficulty in modeling long-range dependencies in images, we further apply a Transformer-based encoder to extract global semantic information in the input images and use a CNN decoder to transform the encoded features into SPET images. Finally, a patch-based discriminator is applied to ensure the similarity of patch-wise data distribution between the reconstructed and real images. Considering the importance of edge information in anatomical structures for clinical disease diagnosis, besides voxel-level estimation error and adversarial loss, we also introduce an edge-aware loss to retain more edge detail information in the reconstructed SPET images. Experiments on the phantom dataset and clinical dataset validate that our proposed method can effectively reconstruct high-quality SPET images and outperform current state-of-the-art methods in terms of qualitative and quantitative metrics.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
五十一笑声应助FIN采纳,获得50
3秒前
10秒前
十三发布了新的文献求助10
16秒前
科研通AI2S应助biubiu26采纳,获得10
19秒前
时尓完成签到,获得积分10
26秒前
QI完成签到,获得积分10
27秒前
Owen应助Ann采纳,获得10
28秒前
cjx完成签到,获得积分10
29秒前
30秒前
oleskarabach完成签到,获得积分20
38秒前
oleskarabach发布了新的文献求助10
43秒前
苏葳蕤完成签到,获得积分10
46秒前
49秒前
SCI发布了新的文献求助10
50秒前
既然寄了,那就开摆完成签到 ,获得积分10
53秒前
QI发布了新的文献求助10
53秒前
煎炒焖煮炸培根完成签到,获得积分10
54秒前
Easypass完成签到 ,获得积分10
55秒前
wtsow完成签到,获得积分0
56秒前
苏葳蕤发布了新的文献求助10
59秒前
59秒前
守正创新是鲜明理论品格完成签到,获得积分10
1分钟前
活泼新儿发布了新的文献求助10
1分钟前
英俊的铭应助科研通管家采纳,获得10
1分钟前
彭于晏应助科研通管家采纳,获得10
1分钟前
1分钟前
wbs13521发布了新的文献求助10
1分钟前
wbs13521完成签到,获得积分10
1分钟前
英俊的铭应助橘子汽水采纳,获得10
1分钟前
1分钟前
橘子汽水发布了新的文献求助10
1分钟前
doctor小陈完成签到,获得积分10
1分钟前
华仔应助TIGun采纳,获得10
1分钟前
1分钟前
1分钟前
张张完成签到,获得积分10
2分钟前
南浔完成签到,获得积分10
2分钟前
2分钟前
Delight完成签到 ,获得积分10
2分钟前
wanci应助田柾国采纳,获得10
2分钟前
高分求助中
Evolution 10000
ISSN 2159-8274 EISSN 2159-8290 1000
Becoming: An Introduction to Jung's Concept of Individuation 600
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3162280
求助须知:如何正确求助?哪些是违规求助? 2813284
关于积分的说明 7899622
捐赠科研通 2472655
什么是DOI,文献DOI怎么找? 1316491
科研通“疑难数据库(出版商)”最低求助积分说明 631365
版权声明 602142