Poster — Thur Eve — 04: Characterizations of image quality for CT with iterative reconstruction algorithm — development of a routine quality control metric
Notice bibliographique
Résumé
Iterative reconstruction algorithms (IRA) are available on modern CT systems. We are investigating the feasibility of routinely and objectively characterizing the image quality of CT with IRA. Noise‐equivalent‐quanta (NEQ) conceptually and potentially can be the metric of image quality assessment for system performance. CT images of the third module of an ACR phantom were acquired on a GE LightSpeed VCT system using 5 different mA ranging from 25–400 with 6 different ASiR levels ranging from 0–100. MTF and NPS measurements were obtained from these CT images using the method described by Friedman et al 1 . It was found that MTF acquired using even low mA is reliable and consistent. MTF from data acquired using 400mA provides decreased MTF performance for the reason yet to be determined. There is incremental improvement in MTF by the incremental increase in ASiR level. While ASiR makes no improvements in NPS and NEQ at low spatial frequency, the ASiR increment level of 25 has the same effect of doubling the dose to the NPS and NEQ performances at frequency 0.5 lp/mm. A yet to be defined way of quantifying the spatial spectrum content shift by ASiR should be required for QC when ASiR is used for dose reduction. This study provides a preliminary understanding and characterization of objective image quality of CT with IRA. Further studies on the scene dependency of the image quality by IRA and different implementations of IRA by other CT manufactures are forthcoming.
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 | 0,000 |
| 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 ».