Impact of erroneous kinetic model formulation in Direct 4D image reconstruction
Notice bibliographique
Résumé
Direct parametric image reconstruction has the potential to reduce variance in parameter estimates when applied to PET/CT data. One complication when estimating parametric maps in the body is the difficulty of finding one single model to describe all the different kinetics in the field of view (FOV). Contrary to the post-reconstruction kinetic analysis though, any errors (bias) from the discrepancy between the model and the observed kinetics in the direct 4D reconstruction can potentially propagate spatially from unimportant areas to areas of interest. In this work we investigate this effect on simulated 4-D datasets based on a digital body phantom. Different realistic cases were simulated including differential input functions in the FOV and organs with different kinetics. Micro-parameters (K1, k2,Vd, bv) where estimated using a newly proposed spatiotemporal 4D image reconstruction algorithm as well as using post-reconstruction kinetic analysis on noiseless and noisy datasets simulating [15O] H2O kinetics in the body. Bias analysis both in noiseless and noisy data showed a bias from badly modelled areas spatially propagates to other regions of interest in the direct reconstruction. Critically though under noisy conditions even with the bias propagation, the direct reconstruction method still outperforms the conventional post-reconstruction methodology. Nevertheless there is a need to ensure that appropriate models are chosen to describe the kinetics in the entire FOV with approaches such as data-driven adaptive kinetic modelling worth exploring.
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 | 0,005 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».