SU‐E‐I‐172: Fast Computation of High Resolution LOR‐Based 3D OSEM PET Algorithm Using the GPU Device
Notice bibliographique
Résumé
Purpose: The line‐of‐response OSEM (LOR‐OSEM) algorithm allows a PET image reconstruction from sinograms without any data compression(span=1, mashing=1). The main objective of this work is to accelerate the computation of this algorithm for modern PET scanners such as the Philips Gemini GXL by its implementation on modern GPU devices.Methods: We implemented the LOR‐OSEM algorithm on the NVIDIA Tesla 2050 GPU. The implementation incorporates the attenuation and normalization correction in the sensitivity matrix as weight factors (ANW‐LOR‐OSEM algorithm). The system matrices are built on‐the‐fly by using the multi‐ray Siddon algorithm. We used 3 rays per detector pair in the tangential direction and 2 rays in the axial direction. To reduce this computation time, the symmetries of the scanner were exploited. This implementation was validated using Monte Carlo simulated data with the GATE package.Results: The reconstruction was computed for a 188×188×57 array (FOV=376 mm, 2×2×3.15 mm̂3 voxel size) and for a 144×144×57 array (FOV=576 mm, 4×4×3.15 mm̂3 voxel size). If the sinograms are pre‐corrected for attenuation and detector efficiency, and if the projection data matrix which depends only of the scanner geometry is pre‐calculated, the time to compute the LOR‐OSEM algorithm for 10 subsets, 1 iteration and 112 million coincidences is 30.5 seconds for the 188×188×57 array and 29.4 seconds for the 144×144×57 array. This time is 73.4 seconds for the 188×188×57 array and 72.7 seconds for the 144×144×57 array for the ANW‐LOR‐OSEM algorithm Conclusions: The LOR‐OSEM algorithm was successfully implemented on a Tesla C2050 GPU, including the calculation of the sensitivity matrix, for a PET system that has 85 million LORs. The reported reconstruction times are compatible with a clinical use. The NVIDIA Tesla GPU appears to be a low‐cost, high‐ performance solution for advanced PET reconstruction such as real time 4D gated reconstruction.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».