Implementation of Scatter Corrected List-Mode OP-EM Reconstruction Algorithm and a Dual (Histogram/List Mode) Reconstruction Scheme for Dynamic PET Imaging
Notice bibliographique
Résumé
We describe an implementation of ordinary Poisson list-mode expectation maximization (OP-LMEM) algorithm for the high resolution research tomography (HRRT) with a scatter correction method based on the single scatter simulation (SSS) technique, and a random correction method based on the variance-reduced delayed-coincidence technique. A hybrid EM algorithm has also been implemented in list-mode reconstruction (H-LMEM) using delayed-coincidence event subtraction technique with the same scatter correction as in OP-LMEM. The reconstructed images of a dynamic scanning sequence of a contrast phantom have been compared with those reconstructed using the histogram-mode reconstruction, in particular, 3D ordinary Poisson ordered subset expectation maximization (3D-OP) with the same variance-reduced random and estimated scatter. The transaxial and axial profile analyses have shown excellent agreement between histogram and both list-mode reconstructions. Likewise the preliminary contrast and noise analyses have shown a close agreement between histogram-mode and both list-mode reconstructions. Based on these results, a dual reconstruction scheme can now be applied to dynamic imaging in positron emission tomography (PET) with scatter correction; i.e. histogram-mode reconstruction (3D-OP) can be applied to frames with a large number of counts, and list-mode reconstruction (OP-LMEM) will subsequently be used for low statistics frames, as an effort to obtain efficient and quantitatively accurate reconstructions applicable to state-of-the-art dynamic PET imaging using the HRRT.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».