日前，醫(yī)學(xué)圖像分析領(lǐng)域頂級期刊Medical Image Analysis（中國科學(xué)院大類一區(qū)Top期刊，IF：10.7）上刊登發(fā)表了南昌大學(xué)成像與視覺表示課題組的論文“RED: Residual Estimation Diffusion for Low-Dose PET Sinogram Reconstruction”。論文第一作者是信息工程學(xué)院科研助理艾星宇和數(shù)學(xué)與計算機學(xué)院2022級博士研究生黃彬，指導(dǎo)老師為信息工程學(xué)院王少宇副教授、施柳副研究員、劉且根教授和合作單位合肥綜合性國家科學(xué)中心人工智能研究院李炳軒副研究員。

圖1.RED算法流程示意圖

該論文提出了一種在非高斯噪聲情況下生成式擴散模型進行迭代重建的新思路。擴散模型近年來在自然圖像生成領(lǐng)域取得了長足進步，并在醫(yī)學(xué)成像方面也取得一系列成果，但其過程往往需要添加噪聲對原始數(shù)據(jù)進行破壞，降低了結(jié)果的可靠性。為了充分利用PET成像中低劑量數(shù)據(jù)自身所保留的原始信息，該論文創(chuàng)新性地提出了一種基于非高斯噪聲的擴散過程。該過程直接使用投影域的低劑量和全劑量數(shù)據(jù)作為擴散過程的起點和終點，通過估計殘差逐步對低劑量數(shù)據(jù)進行修復(fù)，并校正迭代過程中產(chǎn)生的偏差，實現(xiàn)低劑量數(shù)據(jù)的高保真重建。

文章鏈接：https://www.sciencedirect.com/science/article/pii/S1361841525001057

圖2.在觀測數(shù)據(jù)域K-空間進行生成式成像重建的思路（以MRI成像為例）

近三年，成像與視覺表示課題組面向快速高分辨醫(yī)學(xué)成像重大應(yīng)用需求（如快速MRI成像、稀疏角/低劑量CT/PAT成像、低計數(shù)PET高分辨成像），針對高度病態(tài)反問題下先驗信息表示的理論與方法這一挑戰(zhàn)性科學(xué)問題，以生成式先驗信息表示與成像重建機制為內(nèi)核，圍繞表示誤差有界性、尺度適應(yīng)性、對象泛化性等瓶頸開展工作并取得持續(xù)進展。系列成果先后發(fā)表在醫(yī)學(xué)圖像分析（Med.Image Anal., IF: 10.7)、醫(yī)學(xué)成像（IEEE Trans. Med. Imag.，IF: 11.037）、計算成像（IEEE Trans. Comput. Imag., IF: 4.7）和光聲成像（Photoacoustics, IF: 9.656）等權(quán)威期刊上。團隊直面原始觀測域數(shù)據(jù)（通常由卷積運算而得到）的欠直觀性導(dǎo)致難以建模的難題，發(fā)現(xiàn)觀測域數(shù)據(jù)背后內(nèi)蘊的多尺度特性。基于該原理性認(rèn)識突破，提出多特征域、多區(qū)域等多域組合形式來提升生成式先驗信息表示的尺度適應(yīng)性，通過多模型實現(xiàn)的策略達到高效成像重建，形成觀測數(shù)據(jù)域生成式學(xué)習(xí)與高分辨成像重建的新機制和新方法。

成果鏈接：https://github.com/yqx7150/Diffusion-Models-for-Medical-Imaging