Development and use of a kinetic FDG-PET dataset simulated from the MNI standard brain
Notice bibliographique
Résumé
Simulated data is an important tool for evaluation of reconstruction and image processing algorithms in the frequent absence of ground truth, in-vivo data from living subjects. This is especially true in the case of dynamic PET studies, in which counting statistics of the volume can vary widely over the time-course of the acquisition. Realistic simulated data-sets which model anatomy and physiology, and make explicit the spatial and temporal image acquisition characteristics, facilitate experimentation with a wide range of the conditions anticipated in practice, and which can severely challenge algorithm performance and reliability. As a first example, we have developed a realistic dynamic FDG-PET data-set using the PET-SORTEO Monte Carlo simulation code and the MNI digital brain phantom. The phantom is a three-dimensional data-set that defines the spatial distribution of different tissues. Time activity curves were calculated using an impulse response function specified by generally accepted rate constants, convolved with an input function obtained by blood sampling, and assigned to grey and white matter tissue regions. We created a dynamic PET study using PET-SORTEO configured to simulate an ECAT Exact HR+. The resulting sinograms were reconstructed with all corrections, using variations of FBP and OSEM. Having constructed the dynamic PET data-sets, we used them to evaluate the performance of intensity-based registration as part of a tool for quantifying hyper/hypo perfusion with particular application to analysis of brain dementia scans, and a study of the stability of kinetic parameter estimation.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».