Fully 4D list-mode reconstruction applied to respiratory-gated PET scans
Notice bibliographique
Résumé
(18)F-fluoro-deoxy-glucose ((18)F-FDG) positron emission tomography (PET) is one of the most sensitive and specific imaging modalities for the diagnosis of non-small cell lung cancer. A drawback of PET is that it requires several minutes of acquisition per bed position, which results in images being affected by respiratory blur. Respiratory gating techniques have been developed to deal with respiratory motion in the PET images. However, these techniques considerably increase the level of noise in the reconstructed images unless the acquisition time is increased. The aim of this paper is to evaluate a four-dimensional (4D) image reconstruction algorithm that combines the acquired events in all the gates whilst preserving the motion deblurring. This algorithm was compared to classic ordered subset expectation maximization (OSEM) reconstruction of gated and non-gated images, and to temporal filtering of gated images reconstructed with OSEM. Two datasets were used for comparing the different reconstruction approaches: one involving the NEMA IEC/2001 body phantom in motion, the other obtained using Monte-Carlo simulations of the NCAT breathing phantom. Results show that 4D reconstruction reaches a similar performance in terms of the signal-to-noise ratio (SNR) as non-gated reconstruction whilst preserving the motion deblurring. In particular, 4D reconstruction improves the SNR compared to respiratory-gated images reconstructed with the OSEM algorithm. Temporal filtering of the OSEM-reconstructed images helps improve the SNR, but does not achieve the same performance as 4D reconstruction. 4D reconstruction of respiratory-gated images thus appears as a promising tool to reach the same performance in terms of the SNR as non-gated acquisitions while reducing the motion blur, without increasing the acquisition time.
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 | 0,000 | 0,000 |
| 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 ».