Flow Matching-Based PET Image Reconstruction

📄 arXiv: 2608.20112v1 📥 PDF

作者: Fumio Hashimoto, Ziqian Huang, Tatsuya Yokota, Kuang Gong

分类: eess.IV, cs.CV, physics.med-ph

发布日期: 2026-08-20

备注: 10 pages, 8 figures

💡 一句话要点

提出基于流匹配的PET图像重建方法以提升重建质量

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 正电子发射断层扫描 图像重建 流匹配 生成模型 数据一致性 贝叶斯框架 医学成像

📋 核心要点

  1. 现有的PET图像重建方法通常依赖于多次反向采样步骤，导致计算效率低下和重建质量不稳定。
  2. 本文提出了一种基于流匹配的重建方法，能够直接从中间状态生成清晰图像，并将数据一致性精炼与流传播分开处理。
  3. 实验结果表明，所提方法在不同剂量下的偏差-方差权衡优于其他参考方法，显示出显著的性能提升。

📝 摘要（中文）

生成模型在正电子发射断层扫描（PET）图像重建中展现出强大的潜力。尽管基于扩散模型的重建方法表现出良好的性能，但通常需要多次反向采样步骤，并在采样过程中融入数据一致性更新。流匹配提供了一种有吸引力的替代方案，因为它可以直接从中间状态估计干净图像，从而将数据一致性精炼与流传播分开。本文提出了基于流匹配的PET图像重建方法，首先通过将泊松似然指导与基于期望最大化（EM）的预处理器结合，建立了PET-FlowDPS框架。然后，提出了一种基于预训练流匹配模型的模型驱动PET重建方法，在此框架下，流基先验、PET数据精炼和随机传播在近似贝叶斯框架内进行了解释。实验结果表明，所提方法在不同剂量水平下实现了更好的偏差-方差权衡，展示了流匹配作为定量PET图像重建生成先验的潜力。

🔬 方法详解

问题定义：本文旨在解决现有PET图像重建方法在计算效率和重建质量上的不足，尤其是多次反向采样步骤带来的挑战。

核心思路：提出基于流匹配的重建方法，利用流匹配模型直接从中间状态生成图像，从而简化数据一致性精炼过程。

技术框架：整体架构包括PET-FlowDPS框架，结合泊松似然指导和EM预处理器，形成一个流匹配模型驱动的重建流程，分为数据精炼和随机传播两个主要模块。

关键创新：最重要的创新在于将流匹配作为生成先验，允许在近似贝叶斯框架下进行数据精炼和流传播的分离处理，与传统方法相比，显著提升了重建质量和效率。

关键设计：关键设计包括泊松似然损失函数的引入、流匹配模型的预训练，以及在EM框架下的参数设置，确保了重建过程的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的流匹配方法在不同剂量水平下的偏差-方差权衡优于其他参考方法，具体性能提升幅度未明确说明，但整体重建质量显著提高，验证了流匹配作为生成先验的有效性。

🎯 应用场景

该研究的潜在应用领域包括医学成像、肿瘤检测和神经科学研究等。通过提升PET图像重建的质量和效率，能够为临床诊断提供更准确的影像支持，进而改善患者的治疗效果。未来，该方法还有望扩展到其他成像技术中，推动医学影像学的发展。

📄 摘要（原文）

Generative models have shown strong potential for positron emission tomography (PET) image reconstruction. Although diffusion model-based reconstruction methods have demonstrated promising performance, they often require many reverse sampling steps with data-consistency updates incorporated into the sampling process. Flow matching offers an attractive alternative because it can directly estimate clean images from intermediate states, allowing data-consistency refinement to be separated from flow propagation. In this work, we proposed flow matching-based PET image reconstruction methods. We first established PET-FlowDPS by incorporating Poisson likelihood guidance with an expectation-maximization (EM)-based preconditioner into the FlowDPS framework. We then proposed a model-based PET reconstruction method that used a pretrained flow matching model as a prior, in which the flow-based prior, PET data refinement, and stochastic propagation were interpreted within an approximate Bayesian framework. Experimental results using [$^{\text{18}}\text{F}$]FDG brain PET datasets showed that the proposed method achieved better bias-variance trade-offs across different dose levels compared with other reference methods. These results demonstrated the potential of flow matching as a generative prior for quantitative PET image reconstruction.