Fast and memory‐efficient Monte Carlo‐based image reconstruction for whole‐body PET
Notice bibliographique
Résumé
PURPOSE: Several studies have shown the benefit of an accurate system modeling using Monte Carlo techniques. For state-of-the-art whole-body positron emission tomography (PET) scanners, Monte Carlo-based image reconstruction is associated with a significant computational cost to calculate the system matrix as well as a large memory capacity to store it. In this article, the authors present a simulation-reconstruction framework to solve these problems on the Philips Gemini GS PET scanner. METHODS: A fast, realistic system matrix simulation module was developed using egs_pet, which is an efficient PET simulation code based on EGSnrc. The generated system matrix was then used in a rotator-based ordered subset expectation maximization (OS-EM) algorithm, which exploits the rotational symmetry of a cylindrical PET scanner. The system matrix was further compressed by using sparse storage techniques. RESULTS: The system matrix simulation took five days on 50 cores of Xeon 2.66 GHz, resulting in a system matrix of 2.01 GB. The entire system matrix could be stored in the main memory of a standard personal computer. The image quality in terms of contrast-noise trade-offs was considerably improved compared to a standard OS-EM algorithm. The image quality was also compared to the clinical software on the scanner using routine parameter settings. The contrast recovery coefficient of small hot spheres and cold spheres was significantly improved. CONCLUSIONS: The results indicated that the proposed framework could be used for this PET scanner with improved image quality. This method could also be applied to other state-of-the-art whole-body PET scanners and preclinical PET scanners with a similar shape.
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 ».