Apodized-aperture pixel design to increase high-frequency DQE and reduce noise aliasing in x-ray detectors
Notice bibliographique
Résumé
The detective quantum efficiency (DQE) of an x-ray detector, expressed as a function of spatial frequency, describes the ability to produce high-quality images relative to an ideal detector. While the DQE normally decreases substantially with increasing frequency, we describe an approach that can be used to improve the DQE response by increasing the DQE at high spatial frequencies. The approach makes use of an apodized-aperture pixel (AAP) design that requires use of a high-resolution x-ray converter such as selenium coupled to a sensor array with very small physical sensor elements, such as CMOS sensors. While sensors with elements of 10 - 25 μm are too small for most practical applications in medical radiography, we describe how larger image pixels of a practical size can be synthesized to provide a better DQE than simple binning or using physical pixels of the same size. A theoretical cascaded-systems analysis shows the DQE at the image sampling cut-off frequency can be improved by up to a factor of 2.5x. The AAP approach was validated experimentally using a CMOS/CsI-based detector having 0.05-mm sensor elements. Using AAP images with 0.2-mm pixels, the high-frequency DQE value was increased from 0.2 to 0.4 compared to simple 4x4 binning. It is concluded that ultra-high-resolution sensors can be used to optimize the high-frequency performance of x-ray detectors and make substantial improvements in image quality for visualization of small stuctures and fine image detail in comparison to current 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».