Density Estimation for Positron Emission Tomography
Notice bibliographique
Résumé
PET (positron emission tomography) scans are still in the experimental phase, as one of the newest breast cancer diagnostic techniques. There are two traditional approaches to the computation of images from data collected in PET. In the first, standard CT (computed tomography) algorithms are used on rays designated by pairs of detectors receiving coincidence events. The problem generated by this approach is that generally only the mean can be used by such algorithms. With the relatively small numbers of events in PET, and with Poisson statistics for which variance equals the mean, the noise sensitivity of standard CT algorithms becomes limiting. This is exasperated further by 3D imaging with cylindrical arrays of detectors. Statistical CT algorithms take the variance into account. As in the list-mode approach, we consider each coincidence event individually. However, we estimate the location of the annihilation event that caused each coincidence event, one by one, based on the previously assigned location of events processed earlier. The estimated annihilation locations form the image. To accomplish this, we construct a probability distribution along each coincidence line. This is generated from previous annihilation points by density estimation. In this paper we present our density estimation approach to positron emission tomography. Nonparametric methods of density estimation are overviewed followed by numerical examples. Our goal here is to determine which density estimation approach is most suitable for PET.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».