Optimal kVp selection for dual‐energy imaging of the chest: Evaluation by task‐specific observer preference tests
Notice bibliographique
Résumé
Human observer performance tests were conducted to identify optimal imaging techniques in dual-energy (DE) imaging of the chest with respect to a variety of visualization tasks for soft and bony tissue. Specifically, the effect of kVp selection in low- and high-energy projection pairs was investigated. DE images of an anthropomorphic chest phantom formed the basis for observer studies, decomposed from low-energy and high-energy projections in the range 60-90 kVp and 120-150 kVp, respectively, with total dose for the DE image equivalent to that of a single chest radiograph. Five expert radiologists participated in observer preference tests to evaluate differences in image quality among the DE images. For visualization of soft-tissue structures in the lung, the [60/130] kVp pair provided optimal image quality, whereas [60/140] kVp proved optimal for delineation of the descending aorta in the retrocardiac region. Such soft-tissue detectability tasks exhibited a strong dependence on the low-kVp selection (with 60 kVp providing maximum soft-tissue conspicuity) and a weaker dependence on the high-kVp selection (typically highest at 130-140 kVp). Qualitative examination of DE bone-only images suggests optimal bony visualization at a similar technique, viz., [60/140] kVp. Observer preference was largely consistent with quantitative analysis of contrast, noise, and contrast-to-noise ratio, with subtle differences likely related to the imaging task and spatial-frequency characteristics of the noise. Observer preference tests offered practical, semiquantitative identification of optimal, task-specific imaging techniques and will provide useful guidance toward clinical implementation of high-performance DE imaging systems.
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 ».