Intensity-modulated fluence patterns for task-specific imaging in cone-beam CT
Notice bibliographique
Résumé
Cone-beam CT images of a patient with a pre-defined distribution of noise in the image and dose to the patient can be accomplished through the development of advanced compensation schemes. Such compensation schemes involve delivery of x-ray fluence patterns that vary in intensity both across a single projection image (u,v) and for different projection view angles (θ) and provide the ability to perform intensity-modulated cone-beam CT. Implementation of an intensity-modulated cone-beam CT system for task-specific imaging has potential for tremendous reductions in patient dose and x-ray scatter reaching the detector. Pursuing this advanced imaging technique requires detailed characterization of the cone-beam CT platform. Determination of appropriately modulated fluence patterns relies on knowledge of numerous properties of the imaging system, including the constraints imposed by the modulator, the magnitude of x-ray scatter under different patient sizes and modulator positions, and properties of the detector. With an estimate of the patient anatomy and knowledge of the imaging system, an iterative process can be used to determine modulated fluence patterns corresponding to an image prescribed for the specific task and patient. Delivery of such modulated fluence patterns provide a CBCT image tailored to a specific patient and imaging task offering the optimum balance between image quality and patient dose. Specifically, arbitrary regions of interest requiring high image signal-to-noise ratio can be generated through knowledgeable spatio-angular intensity modulation, allowing image quality to degrade in other regions in order to minimize x-ray scatter and imaging dose.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».