采用独立模态编码与顶图条件化的多模态伪CT合成用于PET衰减校正
Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning
浏览论文内容
中文总结 AI 辅助
本研究针对PET衰减校正问题，在BIC-MAC挑战赛中提出一种采用独立模态编码与顶图条件化的多模态3D块U-Net模型，实现了从NAC-PET、MRI和2D顶图生成伪CT的任务，有效整合跨模态信息并降低了对模态间体素对应关系的依赖
中文摘要 AI 辅助
我们参与了BIC-MAC挑战赛，采用基于多模态3D块的U-Net从NAC-PET、MRI和2D顶图生成伪CT。通过使用独立的PET和MR编码器、多尺度特征融合，以及在瓶颈处采用基于FiLM的顶图条件化，我们得到了一个整合互补跨模态信息同时减少对模态间精确体素级对应依赖的模型。我们的最终提交可在此处获取：this https URL
英文摘要
We participated in the BIC-MAC Challenge with a multimodal 3D patch-based U-Net for pseudo-CT generation from NAC-PET, MRI, and 2D topograms. By using separate PET and MR encoders, multi-scale feature fusion, and FiLM-based topogram conditioning at the bottleneck, we obtain a model that integrates complementary cross-modal information while reducing reliance on precise voxel-wise correspondence between modalities. Our final submission can be found: https://github.com/rrr-uom-projects/BIC-MAC-MICCAI2026
发表机构
- The University of Manchester（曼彻斯特大学）
机构由 AI 辅助整理，请以论文原文为准。
