Sci—Fri PM: Delivery — 12: Scatter‐B‐Gon: Implementing a fast Monte Carlo cone‐beam computed tomography scatter correction on real data
Notice bibliographique
Résumé
A fast and accurate MC-based scatter correction algorithm was implemented on real cone-beam computed tomography (CBCT) data. An ACR CT accreditation phantom was imaged on a Varian OBI CBCT scanner using the standard-dose head protocol (100 kVp, 151 mAs, partial-angle). A fast Monte Carlo simulation developed in the EGSnrc framework was used to transport photons through the uncorrected CBCT scan. From the simulation output, the contribution from both primary and scattered photons for each projection image was estimated. Using these estimates, a subtractive scatter correction was performed on the CBCT projection data. Implementation of the scatter correction algorithm on real CBCT data was shown to help mitigate scatter-induced artifacts, such as cupping and streaking. The scatter corrected images were also shown to have improved accuracy in reconstructed attenuation coefficient values. In three regions of interest centered on material inserts in the ACR phantom, the reconstructed CT numbers agreed with clinical CT scan data to within 35 Hounsfield units after scatter correction. These results suggest that the proposed scatter correction algorithm is successful in improving image quality in real CBCT images. The accuracy of the attenuation coefficients extracted from the corrected CBCT scan renders the data suitable for adaptive on the fly dose calculations on individual fractions, as well as vastly improved image registration.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».