论文页面 - UniPET：一种适用于不同剂量减少因子的高质量PET图像去噪通用网络

来源：https://huggingface.co/papers/2606.11131

摘要

一种通用PET图像去噪框架通过域泛化技术和区域感知学习策略，解决了剂量减少因子变异性问题。

现有大多数基于深度学习的PET图像去噪方法假设低剂量PET图像具有固定且已知的剂量减少因子（DRF）。然而，在实际应用中，当DRF超出假设范围时，这些方法会出现显著的性能下降。为了应对不同DRF带来的挑战，一些初步研究聚焦于通用PET图像去噪任务，旨在训练一个覆盖多种DRF低剂量数据的通用模型。然而，这些朴素通用模型在处理不同DRF数据中存在的风格不匹配问题时，常常陷入风格消除问题，并伴有明显的过度平滑效应。针对这一问题，我们创新性地将域泛化引入PET图像去噪，并提出了一种通用PET图像去噪网络（UniPET），以实现跨多种DRF的高质量PET图像去噪。UniPET包含两大创新：风格对齐网络（SAN）和区域感知学习策略（RALS）。具体来说，SAN利用源自域泛化的风格对齐技术，对齐并恢复不同DRF下的风格，确保模型在多种DRF上的泛化能力，同时有效保持风格。此外，为了增强风格恢复，RALS区分平坦区域和风格化区域，仅对后者进行对抗学习，从而更有效地引导模型聚焦于学习风格化区域。实验证明，我们提出的UniPET能够自适应地恢复不同DRF的风格，实现跨DRF的高质量PET图像去噪。综合实验表明，UniPET在特定DRF上表现出与专用DRF模型相当的性能，并在通用PET图像去噪的定量、感知和临床评估中达到了最先进水平。

查看arXiv页面 (https://arxiv.org/abs/2606.11131)查看PDF (https://arxiv.org/pdf/2606.11131)GitHub3 (https://github.com/Yaziwel/UniPET)添加至收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.11131)

在您的代理中获取此论文：

hf papers read 2606.11131

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型的README.md中引用arxiv.org/abs/2606.11131即可从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集的README.md中引用arxiv.org/abs/2606.11131即可从此页面链接。

引用此论文的Space0

没有Space链接此论文

在Space的README.md中引用arxiv.org/abs/2606.11131即可从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection)即可从此页面链接。