基于 Latent Brownian Bridge Diffusion 的 3D CT-to-PET 翻译

计算机断层扫描（CT）和正电子发射断层扫描（PET）为癌症诊断和治疗规划提供互补的解剖与功能信息。然而，PET 的广泛应用受到高辐射暴露、高昂成本和可及性有限的制约。为应对这些限制，基于深度学习的 CT-to-PET 翻译成为一种有前景的方法，可直接从 CT 图像合成类似 PET 的信息，但准确建模巨大的跨模态差异仍然具有挑战性。在本研究中，我们提出了一种基于 Latent Brownian Bridge Diffusion（BBDM）的 3D CT-to-PET 翻译框架。该方法由两个阶段组成。首先，在配对的 CT-PET 图像块上训练 Variational Autoencoder（VAE），并融入对比学习，以改善解剖表征与代谢表征之间的潜在空间对齐。其次，在潜在空间中训练 BBDM，将 CT 潜在表征转换为相应的 PET 潜在表征。随后对转换后的 PET 潜在表征进行解码和拼接，以重建最终的 3D PET 体积。我们在两个公开数据集上对所提出的方法进行了评估。基于图像保真度和病灶级 PET 特异性指标的定量结果表明，与竞争方法相比，该方法取得了更优的性能。具体而言，所提出的方法提高了 PET 信号的保真度，更好地保留了具有临床意义的摄取模式，并且在保留小病灶代谢激活方面表现出更优性能，为虚拟成像应用铺平了道路。