一项初步研究：基于PET/CT跨模态的多头融合注意力生成对抗网络（MHFA-GAN）在PET图像超分辨率中的应用

《Journal of Imaging Informatics in Medicine》：A Pilot Study: PET/CT Cross-Modal-Based Multi-Head Fusion Attention Generative Adversarial Network (MHFA-GAN) for PET Image Super-Resolution

PET图像超分辨率方法研究：提出MHFA-GAN通过多模态融合与注意力机制提升空间分辨率，实验验证其优于现有方法且具有跨设备泛化能力。

　　

摘要

正电子发射断层扫描（PET）是一种用于评估细胞代谢活动的宝贵成像技术，被广泛用于疾病的早期检测和诊断。虽然高分辨率（HR）PET图像能提供更丰富的诊断信息，但实现这种质量通常需要昂贵的设备和耗时的重建过程。为了解决这些挑战而不需要进行硬件升级，本文介绍了一种新型的多头融合注意力生成对抗网络（MHFA-GAN），该网络旨在通过超分辨率（SR）技术提高PET图像的空间分辨率和重建效率。MHFA-GAN采用多头混合卷积机制从PET图像和计算机断层扫描（CT）图像中提取互补特征。此外，还加入了一个增强型多头融合注意力模块（EMHFA），以自适应地调整特征权重并对齐跨模态信息，从而有效减少亚像素位移的影响，同时整合代谢和解剖细节。在重建阶段，使用全局残差块（GRB）来平衡局部高频细节和全局上下文信息。在小型动物（SA）、幻影、毛细血管以及²²Na点源数据集上进行的实验表明，MHFA-GAN在定性和定量评估方面均优于当前的最先进方法。此外，该模型在不同设备数据集上的超分辨率任务中也取得了显著成果，进一步验证了其跨设备的适用性和鲁棒性。使用半高宽（FWHM）指标来评估空间分辨率时，毛细血管数据集的超分辨率图像的FWHM值为0.625毫米，接近小型动物PET扫描仪的物理极限（0.6毫米），并显著优于高分辨率图像（0.871毫米）。这些结果凸显了MHFA-GAN在提高PET图像质量方面的有效性，为提高空间分辨率和支持临床诊断提供了一种经济高效的解决方案。