Gaussian Splatting-Based Registration for PET Image Correction: A Proof-of-Concept Study
Notice bibliographique
Résumé
Attenuation, scatter, and random coincidence corrections are essential for quantitative accuracy in positron emission tomography (PET). Conventional correction methods often rely on external anatomical imaging, which can introduce additional cost, radiation dose, and potential misalignment. In scenarios where transmission scans are unavailable, such as portable or organ-specific PET systems, alternative correction strategies are needed. We propose a novel approach based on Gaussian Splatting, a recent differentiable rendering technique from computer vision, adapted here for full PET image correction directly in the image domain. Our method represents both corrected and uncorrected PET images as sets of 2D Gaussians, each defined by position, scale, orientation, and colour. A template representation is first trained using paired corrected and uncorrected PET images, then fine-tuned on a new patient using only their uncorrected scan. This process enables direct correction of attenuation, scatter, and random coincidences without requiring additional data. We evaluate our method on six template-patient combinations using head and neck PET images. While diffusion models achieve higher accuracy, our method yields competitive results (SSIM: 0.965 ± 0.014, PSNR: 25.57 ± 1.97) with significantly lower data and computational requirements. This proof of concept highlights the potential of Gaussian Splatting as a data-efficient, flexible, and interpretable solution for PET correction, particularly in transmission-less imaging settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».