基于Langevin采样的学习流匹配先验贝叶斯PET重建

正电子发射断层成像（PET）的图像重建是一个具有挑战性的逆问题，这是由于其固有的不适定性和泊松计数噪声，尤其是在低剂量采集的情况下。在本工作中，我们提出了一种新颖的贝叶斯 PET 重建框架，该框架利用了从高质量 PET 图像中学习到的流匹配生成先验。通过引入该先验，我们将 PET 重建表述为贝叶斯推断问题，并使用未调整的 Langevin 算法通过潜空间后验采样来求解。我们通过数值实验评估了所提出的方法，并将其与经典重建方法和最先进的基于深度学习的基线方法进行了基准比较。所提出的方法在实现改进的重建性能的同时，能够进行后验不确定性量化。

中文由 AI 翻译，仅供参考，以原文为准。