PBPK论文笔记
题目：Self-supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET
摘要
动态正电子发射断层扫描成像 （dPET） 提供示踪剂的时间分辨图像。从 dPET 中提取的时间活动曲线 （TAC） 的基于体素生理学的药代动力学建模可以为临床工作流程提供相关的诊断信息。传统的TAC拟合策略速度较慢，并且忽略了相邻体素之间的空间关系。我们训练了一个时空UNet来估计dPET给定TAC的动力学参数。这项工作引入了一种自监督损失公式，以加强测量的TAC与使用学习的动力学参数生成的TAC之间的相似性。我们的方法在器官水平上提供了与明显较慢的传统方法的定量可比结果，同时生成了与预期生理学一致的像素级动态参数图像。据我们所知，这是第一个允许与非线性动力学模型一致的动力学参数的体素计算的自监督网络
方法
这个详细可以去看一下代码：代码地址
其中，时间和空间的代码如下所示：
self.spatial_kernel = {"stride": 1, "padding": (0, 1, 1), "kernel_size": (1, 3, 3)}
self.temporal_kernel = {"stride": 1, "padding": (1, 0, 0), "kernel_size": (3, 1, 1)}
实验结果
