CT image artifacts from brachytherapy seed implants: A postprocessing 3D adaptive median filter
Notice bibliographique
Résumé
PURPOSE: To design a postprocessing 3D adaptive median filter that minimizes streak artifacts and improves soft-tissue contrast in postoperative CT images of brachytherapy seed implantations. METHODS: The filter works by identifying voxels that are likely streaks and estimating more reflective voxel intensity by using voxel intensities in adjacent CT slices and applying a median filter over voxels not identified as seeds. Median values are computed over a 5 x 5 x 5 mm region of interest (ROI) within the CT volume. An acrylic phantom simulating a clinical seed implant arrangement and containing nonradioactive seeds was created. Low contrast subvolumes of tissuelike material were also embedded in the phantom. Pre- and postprocessed image quality metrics were compared using the standard deviation of ROIs between the seeds, the CT numbers of low contrast ROIs embedded within the phantom, the signal to noise ratio (SNR), and the contrast to noise ratio (CNR) of the low contrast ROIs. The method was demonstrated with a clinical postimplant CT dataset. RESULTS: After the filter was applied, the standard deviation of CT values in streak artifact regions was significantly reduced from 76.5 to 7.2 HU. Within the observable low contrast plugs, the mean of all ROI standard deviations was significantly reduced from 60.5 to 3.9 HU, SNR significantly increased from 2.3 to 22.4, and CNR significantly increased from 0.2 to 4.1 (all P < 0.01). The mean CT in the low contrast plugs remained within 5 HU of the original values. CONCLUSION: An efficient postprocessing filter that does not require access to projection data, which can be applied irrespective of CT scan parameters has been developed, provided the slice thickness and spacing is 3 mm or less.
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) | 0,003 | 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 ».