Evaluation of the Feasibility and Quantitative Accuracy of a Generalized Scatter 2D PET Reconstruction Method
Notice bibliographique
Résumé
Scatter degrades the contrast and quantitative accuracy of positron emission tomography (PET) images, and most methods for estimating and correcting scattered coincidences in PET subtract scattered events from the measured data. Compton scattering kinematics can be used to map out the locus of possible scattering locations. These curved lines (2D) or surfaces (3D), which connect the coincidence detectors, encompass the surface (2D) or volume (3D) where the decay occurs. In the limiting case where the scattering angle approaches zero, the scattered coincidence approaches the true coincidence. Therefore, both true and scattered coincidences can be considered similarly in a generalized scatter maximum-likelihood expectation-maximization reconstruction algorithm. The proposed method was tested using list-mode data obtained from a GATE simulation of a Jaszczak-type phantom. For scatter fractions from 10% to 60%, this approach reduces noise and improves the contrast recovery coefficients by 0.5–3.0% compared with reconstructions using true coincidences and by 3.0–24.5% with conventional reconstruction methods. The results demonstrate that this algorithm is capable of producing images entirely from scattered photons, eliminates the need for scatter corrections, increases image contrast, and reduces noise. This could be used to improve diagnostic quality and/or to reduce patient dose and radiopharmaceutical cost.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».