A Bi-level Optimization Model with Multi-kernel and Diffusion Regularization for PET Image Reconstruction

doi:10.1109/trpms.2026.3729778

A Bi-level Optimization Model with Multi-kernel and Diffusion Regularization for PET Image Reconstruction

2026-09-02

0

PRE

AI

DOI：10.1109/trpms.2026.3729778

原文链接

原文求助

摘要

En 中文

正电子发射断层扫描（PET）中的图像重建对于疾病诊断和治疗评估至关重要，但面临噪声和图像质量不足的挑战。传统的核期望最大化（KEM）算法利用先验信息提高重建质量，并具有计算简便的优点。然而，其固定的核形式、对噪声的敏感性以及有限的灵活性可能对重建图像的准确性和鲁棒性产生不利影响。本研究提出了一种双层优化模型，交替优化多核矩阵和扩散系数先验，以捕捉投影数据中的非线性映射。具体而言，我们采用预训练的基于分数的扩散模型，以实现更好的噪声抑制和细节恢复。在反向随机微分方程的指导下，该模型能够有效捕捉复杂分布。此外，结合径向高斯核和多项式核的多核策略被用于增强核矩阵的优化。多个数据集的实验结果表明，所提出的模型在动态PET重建中优于现有的核相关方法。在一半计数、切片级2D设置下的初步临床实验表明了所提出框架的可行性，但更严重的计数减少和完全3D评估仍有待进行。

Keyword:

Dynamic PET reconstruction

diffusion model

multi-kernel

bi-level optimization

A Bi-level Optimization Model with Multi-kernel and Diffusion Regularization for PET Image Reconstruction

摘要

期刊

机构

引用论文