Noise aliasing and the 3D NEQ of flat-panel cone-beam CT: Effect of 2D/3D apertures and sampling
Notice bibliographique
Résumé
The ability to tune an imaging system to be optimal for a specific task is an essential component of image quality. This article discusses the ability to tune the noise-equivalent quanta (NEQ) of cone-beam computed tomography (CBCT) by managing noise aliasing through binning of data at different points in the reconstruction cascade. The noise power spectrum, modulation transfer function, and NEQ for CBCT are calculated using cascaded systems analysis. Binning is treated as a modular process, insertable between any two stages (in both the 2D projection domain and in the 3D reconstruction domain), consisting of the application of an aperture, followed by the resampling of data (which introduces noise aliasing). Several conditions were examined to demonstrate the validity of the model and to describe the effect on the image quality of some common reconstruction and visualization techniques. It was found that when downsampling data for increased reconstruction speed, binning in 2D results in a superior low-frequency NEQ, while binning in 3D results in a superior high-frequency NEQ. Furthermore, visualization procedures such as slice averaging were found not to degrade the NEQ provided the sampling interval is unchanged. Finally methods for reducing noise aliasing by oversampling are examined, and a method to eliminate noise aliasing without increasing reconstruction time is proposed. These results demonstrate the ease with which the NEQ of CBCT can be modified and thus optimized for specific tasks and show how such analysis can be used to improve image quality.
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 | 0,003 | 0,014 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».