A comparison of x-ray detectors for mouse CT imaging
Notice bibliographique
Résumé
There is significant interest in using computed tomography (CT) for in vivo imaging applications in mouse models of disease. Most commercially available mouse x-ray CT scanners utilize a charge-coupled device (CCD) detector coupled via fibre optic taper to a phosphor screen. However, there has been little research to determine if this is the optimum detector for the specific task of in vivo mouse imaging. To investigate this issue, we have evaluated four detectors, including an amorphous selenium (a-Se) detector, an amorphous silicon (a-Si) detector with a gadolinium oxysulphide (GOS) screen, a CCD with a 3:1 fibre taper and a GOS screen, and a CCD with a 2:1 fibre taper and both GOS and thallium-doped caesium iodide (CsI:Tl) screens. The detectors were evaluated by measuring the modulation transfer function (MTF), noise power spectrum (NPS), detective quantum efficiency (DQE), stability over multiple exposures, and noise in reconstructed CT images. The a-Se detector had the best MTF and the highest DQE (0.6 at 0 lp mm(-1)) but had the worst stability (45% reduction after 2000 exposure frames). The a-Si detector and the CCD with the 3:1 fibre, both of which used the GOS screen, had very similar performance with a DQE of approximately 0.30 at 0 lp mm(-1). For the CCD with the 2:1 fibre, the CsI:Tl screen resulted in a nearly two-fold improvement in DQE over the GOS screen (0.4 versus 0.24 at 0 lp mm(-1)). The CCDs both had the best stability, with less than a 1% change in pixel values over multiple exposures. The pixel values of the a-Si detector increased 5% over multiple exposures due to the effects of image lag. Despite the higher DQE of the a-Se detector, the reconstructed CT images acquired with the a-Si detector had lower noise levels, likely due to the blurring effects from the phosphor screen.
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 ».