用物理约束生成对抗网络，快速估算动态PET的血浆输入函数。

Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN

• 引入物理信息的循环GAN，从动态PET图像直接生成血浆输入函数。
• 预测的AIF与参考值高度一致，参数图接近真实结果。
• 适合临床PET定量分析，省去侵入性采血，加速建模流程。

示踪剂动力学建模在诊断、治疗规划、示踪剂研发和肿瘤学中至关重要，但需要复杂且侵入性的动脉输入函数（AIF）估计，给临床实践带来负担。本文采用一种物理信息引导的循环生成对抗网络（CycleGAN），该方法在动态对比增强MRI量化中已显示出潜力，现被拓展应用于动态PET量化。实验表明，所提方法能准确预测AIF，生成的参数图与参考结果高度吻合，显著提升建模效率。

原文摘要 · Abstract (English)

Tracer kinetic modeling serves a vital role in diagnosis, treatment planning, tracer development and oncology, but burdens practitioners with complex and invasive arterial input function estimation (AIF). We adopt a physics-informed CycleGAN showing promise in DCE-MRI quantification to dynamic PET quantification. Our experiments demonstrate sound AIF predictions and parameter maps closely resembling the reference.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。