dPET论文笔记

小杨小杨1

已于 2024-04-12 15:26:31 修改

阅读量573

点赞数 9

分类专栏： # 无监督文章标签：论文阅读

于 2024-04-10 15:11:23 首次发布

本文链接：https://blog.csdn.net/qq_45745941/article/details/137598112

版权

无监督专栏收录该内容

34 篇文章 1 订阅

订阅专栏

本文介绍了一种利用时空UNet进行自监督学习的方法，通过估计dPET给定TAC的动力学参数，提供了比传统方法更快且具有生理一致性像素级动态参数图像。研究首次实现了非线性动力学模型下体素级参数的自动生成。

摘要由CSDN通过智能技术生成

PBPK论文笔记

题目：Self-supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET

摘要

动态正电子发射断层扫描成像（dPET）提供示踪剂的时间分辨图像。从 dPET 中提取的时间活动曲线（TAC）的基于体素生理学的药代动力学建模可以为临床工作流程提供相关的诊断信息。传统的TAC拟合策略速度较慢，并且忽略了相邻体素之间的空间关系。我们训练了一个时空UNet来估计dPET给定TAC的动力学参数。这项工作引入了一种自监督损失公式，以加强测量的TAC与使用学习的动力学参数生成的TAC之间的相似性。我们的方法在器官水平上提供了与明显较慢的传统方法的定量可比结果，同时生成了与预期生理学一致的像素级动态参数图像。据我们所知，这是第一个允许与非线性动力学模型一致的动力学参数的体素计算的自监督网络

方法

在这里插入图片描述

这个详细可以去看一下代码：代码地址
其中，时间和空间的代码如下所示：

self.spatial_kernel = {"stride": 1, "padding": (0, 1, 1), "kernel_size": (1, 3, 3)}
self.temporal_kernel = {"stride": 1, "padding": (1, 0, 0), "kernel_size": (3, 1, 1)}