Sci‐AM1 Sat ‐ 05: Fractal and motion modeling of PET/CT tumours
Notice bibliographique
Résumé
Objective: To generate realistic computer‐simulated PET/CT tumour images with characteristics typical of the tumour (shape, pixel intensity and movement over time) and of the imaging system (acquisition parameters and resolution). Methods: An initial tumour volume was segmented from the CT scan of a lung cancer patient via region growing. To improve the axial resolution and mimic the contour curvature and pixel variations in the transaxial plane, fractal analysis and interpolation was used. Breathing motion with a period and extents typical of lung cancer patients was then applied to the fractal tumour. To produce PET and CT images, the moving tumour was sampled according to acquisition characteristics typical of the two modalities. For CT, a slice thickness of 3.0mm, acquisition time of 0.7s and resolution of 2mm was assumed. For PET, it was assumed that tumour motion was captured within one bed position over an acquisition time of 180s, and the imager resolution was 6mm. Results: Following fractal interpolation, the tumour exhibited similar curvature and gray‐level gradation in all three imaging planes. Application of motion and blurring produced CT images different in appearance from the stationary fractal tumour volume and the total volume traced by the moving object. Motion and blurring produced PET images similar to the volume traced by the moving object, graded by the time spent in each location within the volume and blurred due to the degraded resolution of the scanner. Conclusions: Realistic computer‐simulated PET/CT tumour images can be generated using fractal analysis and motion modeling.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».