南昌大学在快速高分辨医学成像取得进展

日前，医学图像分析领域顶级期刊Medical Image Analysis（中国科学院大类一区Top期刊，IF：10.7）上刊登发表了南昌大学成像与视觉表示课题组的论文“RED: Residual Estimation Diffusion for Low-Dose PET Sinogram Reconstruction”。论文第一作者是信息工程学院科研助理艾星宇和数学与计算机学院2022级博士研究生黄彬，指导老师为信息工程学院王少宇副教授、施柳副研究员、刘且根教授和合作单位合肥综合性国家科学中心人工智能研究院李炳轩副研究员。

图1.RED算法流程示意图

该论文提出了一种在非高斯噪声情况下生成式扩散模型进行迭代重建的新思路。扩散模型近年来在自然图像生成领域取得了长足进步，并在医学成像方面也取得一系列成果，但其过程往往需要添加噪声对原始数据进行破坏，降低了结果的可靠性。为了充分利用PET成像中低剂量数据自身所保留的原始信息，该论文创新性地提出了一种基于非高斯噪声的扩散过程。该过程直接使用投影域的低剂量和全剂量数据作为扩散过程的起点和终点，通过估计残差逐步对低剂量数据进行修复，并校正迭代过程中产生的偏差，实现低剂量数据的高保真重建。

文章链接：https://www.sciencedirect.com/science/article/pii/S1361841525001057

图2.在观测数据域K-空间进行生成式成像重建的思路（以MRI成像为例）

近三年，成像与视觉表示课题组面向快速高分辨医学成像重大应用需求（如快速MRI成像、稀疏角/低剂量CT/PAT成像、低计数PET高分辨成像），针对高度病态反问题下先验信息表示的理论与方法这一挑战性科学问题，以生成式先验信息表示与成像重建机制为内核，围绕表示误差有界性、尺度适应性、对象泛化性等瓶颈开展工作并取得持续进展。系列成果先后发表在医学图像分析（Med.Image Anal., IF: 10.7)、医学成像（IEEE Trans. Med. Imag.，IF: 11.037）、计算成像（IEEE Trans. Comput. Imag., IF: 4.7）和光声成像（Photoacoustics, IF: 9.656）等权威期刊上。团队直面原始观测域数据（通常由卷积运算而得到）的欠直观性导致难以建模的难题，发现观测域数据背后内蕴的多尺度特性。基于该原理性认识突破，提出多特征域、多区域等多域组合形式来提升生成式先验信息表示的尺度适应性，通过多模型实现的策略达到高效成像重建，形成观测数据域生成式学习与高分辨成像重建的新机制和新方法。

成果链接：https://github.com/yqx7150/Diffusion-Models-for-Medical-Imaging