Hybrid Iterative Reconstruction Technique for Abdominal CT Protocols in Obese Patients: Assessment of Image Quality, Radiation Dose, and Low-Contrast Detectability in a Phantom
Notice bibliographique
Résumé
OBJECTIVE: The purpose of this study was to assess the impact of a noise reduction technique on image quality, radiation dose, and low-contrast detectability in abdominal CT for obese patients. MATERIALS AND METHODS: A liver phantom with 12 different tumors was designed, and fat rings were added to mimic intermediately sized and large patients. The intermediate and large phantoms were scanned with our standard abdominal CT protocol (image noise level of 15 HU and filtered back projection [FBP]). The large phantom was scanned with five different noise levels (10, 12.5, 15, 17.5, and 20 HU). All datasets for the large phantom were reconstructed with FBP and the noise reduction technique. The image noise and the contrast-to-noise ratio (CNR) were assessed. Tumor detection was independently performed by three radiologists in a blinded fashion. RESULTS: The application of the noise reduction method to the large phantom decreased the measured image noise (range, -14.5% to -37.0%) and increased the CNR (range, 26.7-70.6%) compared with FBP at the same noise level (p < 0.001). However, noise reduction was unable to improve the sensitivity for tumor detection in the large phantom compared with FBP at the same noise level (p > 0.05). Applying a noise level of 15 HU, the overall sensitivity for tumor detection in the intermediate and large phantoms with FBP measured 75.5% and 87.7% and the radiation doses measured 42.0 and 23.7 mGy, respectively. CONCLUSION: Although noise reduction significantly improved the quantitative image quality in simulated large patients undergoing abdominal CT compared with FBP, no improvement was observed for low-contrast detectability.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».