NECR analysis of 3D brain PET scanner designs
Notice bibliographique
Résumé
A dedicated 3D brain PET scanner has several advantages, most notably increased sensitivity, over a whole body scanner for neurological studies. However brain scanners have higher scatter fractions, random count-rates and deadtime for the same activity concentration. We have used noise effective count-rate (NECR) analysis to compare brain scanners of 53, 60, and 66 cm diameter with the GE ADVANCE whole body scanner (93 cm diameter). Monte Carlo simulations of a brain-sized phantom (16 cm diameter, 13 cm length) in the ADVANCE geometry were used to develop a model for NECR performance, which was reconciled to results from a decay series measurement. The model was then used to predict the performance of the brain scanner designs. The brain scanners have noise effective sensitivities (the slope of the NECR curve at zero activity) as much as 40% higher than ADVANCE. However, their NECR advantage diminishes quickly as the activity concentration increases; the brain scanners' NECR equals ADVANCE at /spl sim/0.3 /spl mu/Ci/cc, and ADVANCE has superior NECR performance at higher activity levels. An imaging center concentrating on only very low activity imaging tasks would find the efficiency advantage of a smaller detector diameter valuable, while a center performing higher activity studies such as bolus water injections or 5 mCi FDG injections might prefer the count rate performance of a whole body scanner.>
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».