读论文《Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction》

论文题目：具有辅助引导功能的对比扩散模型用于从粗到细的 PET 重建

论文地址：https://arxiv.org/pdf/2308.10157v1.pdf

项目地址：github

这篇论文主要介绍了一种用于正电子发射断层扫描（PET）图像重建的新框架，旨在从低剂量PET（LPET）图像中重建出高质量的标准剂量PET（SPET）图像，同时减少对人体的辐射暴露。

摘要

该论文提出了一种基于对比扩散模型（Contrastive Diffusion Model）并结合辅助引导（Auxiliary Guidance）的粗到细（Coarse-to-Fine）PET重建框架。这种框架包括一个粗预测模块（Coarse Prediction Module, CPM）和一个迭代细化模块（Iterative Refinement Module, IRM）。CPM通过确定性过程生成粗PET图像，而IRM则迭代地采样残差。通过将大部分计算开销委托给CPM，显著提高了整体采样速度。此外，提出了两种额外策略，即辅助引导策略和对比扩散策略，并将其集成到重建过程中，以增强LPET图像与重建PET（RPET）图像之间的对应关系，进一步提高临床可靠性。在两个人类大脑PET数据集上的广泛实验表明，该方法优于现有的PET重建方法。

引言

介绍了PET的重要性以及标准剂量与低剂量PET图像的区别。指出了生成对抗网络（GANs）在PET图像重建中的广泛应用，但也存在训练不稳定和可能导致模式崩溃的问题。提出了基于似然的生成模型作为GANs的替代方案，并特别强调了扩散概率模型（DPMs）的优势。

背景知识

详细解释了扩散概率模型（DPMs）的工作原理，包括前向过程和反向过程，以及条件DPMs如何结合条件信息进行图像重建。

方法论

        论文提出了一个包含CPM和IRM的框架。CPM生成粗略的PET图像，IRM迭代细化这一图像。提出了辅助引导策略和对比扩散策略来增强LPET和RPET之间的对应关系。

3.1 粗到细框架

介绍了CPM和IRM的工作原理，以及如何通过结合粗略预测和残差来生成高质量的RPET图像。

CPM（Coarse Prediction Module，粗预测模块）：

• CPM负责从低剂量PET图像（LPET）生成一个粗略的PET图像预测（xcp）。
• 这一过程是确定性的，只调用一次确定性预测网络Pθ。
• 

IRM（Iterative Refinement Module，迭代细化模块）：

• IRM是DPMs的逆过程，它迭代地采样粗略预测与标准剂量PET图像（SPET）之间的残差。
• 通过迭代过程，逐步细化图像，直到获得最终的重建PET图像（y'）。

计算开销分配：

• 为了加快IRM的采样速度，将大部分计算负担分配给CPM，希望在初期就缩小粗略预测与SPET之间的差距。
• CPM的网络架构比IRM中的去噪网络Dθ更大，因为CPM只调用一次，而Dθ在推理过程中会被多次调用。

3.2 辅助引导策略

详细描述了如何通过引入邻近轴向切片（NAS）和频谱作为辅助引导来增强输入级别的重建过程。

辅助引导的目的：

• 通过在输入级别增加辅助引导，增强LPET图像与RPET图像之间的一致性。

辅助引导的组成：

• 包括邻近轴向切片（NAS）和频谱信息。
• NAS提供了当前切片与其相邻切片之间的空间关系。
• 频谱信息在频域中施加一致性。

实现方式：

• 使用Guided ResBlock替代编码器中的ResBlock。
• 辅助引导信息xaux通过特征提取器Fθ生成特征图fkaux，然后通过1x1卷积注入到与分辨率匹配的Guided ResBlock中。

3.3 对比扩散策略

介绍了在输出级别如何使用对比学习损失（Contrastive Learning Loss, LCL）来增强LPET图像和RPET图像之间的对应关系。

策略目的：

• 在输出级别增强LPET图像与RPET图像之间的对应关系。

实现方式：

• 引入一组负样本（Neg），这些样本来自当前训练批次之外的随机选择的受试者的SPET图像。
• 对于噪声潜在残差rt，在每个时间步骤t，计算其对应的中间RPET图像（ỹ），并使其接近对应的SPET图像y，同时远离负样本。

对比学习损失（LCL）：

• 定义了一种损失函数，旨在最小化训练标签y与中间RPET图像ỹ之间的差异，同时确保ỹ能够与负样本区分开来。

3.4 训练损失

提出了联合训练CPM和IRM的目标函数。

损失函数：

• 基于DPMs的训练目标LDP M，修改后用于联合训练CPM和IRM。
• 
• 最终损失函数Ltotal结合了主要损失Lmain、辅助引导损失LNAS G、频谱引导损失Lspectrum G和对比学习损失LCL。
• 

3.5 实施细节

提供了使用Pytorch框架和NVIDIA GeForce RTX 3090 GPU实现该方法的详细信息。

实验与结果

使用了公共脑PET数据集和内部数据集进行实验，评估了所提方法与现有方法的性能，并进行了可视化比较。

结论

总结了所提出的基于DPM的PET重建框架的优势，包括减少DPMs的计算开销和提高临床可靠性。