一种基于扩散模型的非配对PET图像增强方法

本发明公开了一种基于扩散模型的非配对PET图像增强方法，提出了一个两阶段学习框架：第一阶段，通过低质量PET数据集训练无条件扩散模型，采样时通过控制加噪步数、替换生成图像的低频部分以保持结构一致性，由此生成与高质量图像配对的伪低质量图像，构建伪配对数据集；第二阶段基于该伪配对数据集进行有监督训练，利用一个端到端神经网络实现图像质量提升。本发明突破配对数据依赖，利用非配对数据即可完成训练，并通过两阶段优化提高方法应用时的效率，通过解耦数据生成与质量增强两个目标，解决了直接使用扩散模型方法推理耗时长的问题。本发明支持灵活选择有监督学习网络，为低质量PET图像提供高效、泛化性强的增强解决方案。