Exploring synergistic PET/MR reconstruction with VAE, DDPM and DiffuseVAE

Alzheimer's disease, a global health concern, demands advanced imaging techniques for precise detection. This thesis explores the integration of Positron Emission Tomography (PET) and Magnetic Resonance Imaging (MRI) in joint reconstruction, aiming for enhanced insights into Alzheimer's progression. The study used as starting point for this thesis employed the Alternating direction method of multipliers (ADMM) algorithm for PET-MRI reconstruction, using a Variational Autoencoder (VAE) for regularization. Despite VAE's success, challenges persisted in preserving high-frequency information. This work proposes the integration of the DiffuseVAE model, combining VAE with the Denoising Diffusion Probabilistic Model (DDPM) to address this issue. First with unimodal applications and then multimodal, this work explores the possibilities of reconstruction through the VAE model, and new data generation with high frequency information through diffusion. Then, we explore the implementation of the DiffuseVAE model, supposedly enhancing the VAE reconstructions with the use of a DDPM version depending on the VAE reconstructions, solving the noise and blurriness issue with good high frequency information generation. While we had satisfactory results with the VAE and DDPM separately, the results of the DiffuseVAE were not as good as expected.

La malattia di Alzheimer, una preoccupazione mondiale per la salute, richiede tecniche di imaging avanzate per un' individuazione precisa. Questa tesi esplora l'integrazione della Tomografia ad Emissione di Positroni (PET) e della Risonanza Magnetica (MRI) nella ricostruzione congiunta, migliorare la comprensione della progressione dell'Alzheimer. Lo studio utilizzato come punto di partenza per questa tesi ha utilizzato l'algoritmo Alternating direction method of multipliers (ADMM) per la ricostruzione PET-MRI, utilizando un Variational Autoencoder (VAE) per la regolarizzazione. Nonostante il successo del VAE, persistono sfide nel preservare informazioni ad alta frequenza. Questo lavoro propone l'integrazione del modello DiffuseVAE, combinando il VAE con il Denoising Diffusion Probabilistic Model (DDPM) per affrontare questo problema. Prima con applicazioni unimodali e successivamente multimodali, questo lavoro esplora le possibilità di ricostruzione attraverso il modello VAE e la generazione di nuovi dati con informazioni ad alta frequenza attraverso la diffusione. Successivamente, esploriamo l'implementazione del modello DiffuseVAE, migliorando presuntamente le ricostruzioni del VAE con l'uso di una versione DDPM in base alle ricostruzioni del VAE, risolvendo il problema del rumore e della sfocatura con una buona generazione di informazioni ad alta frequenza. Mentre abbiamo ottenuto risultati soddisfacenti con il VAE e il DDPM separatamente, i risultati del DiffuseVAE non sono stati così buoni come sperato.