MétaCan
Menu
Retour à la cohorte
Enregistrement W2059014556 · doi:10.1118/1.4736826

Feasibility study of a synchronized‐moving‐grid (SMOG) system to improve image quality in cone‐beam computed tomography (CBCT)

2012· article· en· W2059014556 sur OpenAlexaff
Lei Ren, F Yin, Indrin J. Chetty, David A. Jaffray, Jian‐Yue Jin

Notice bibliographique

RevueMedical Physics · 2012
Typearticle
Langueen
DomaineDentistry
ThématiqueDental Radiography and Imaging
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésImaging phantomCone beam computed tomographyImage qualityPhysicsNuclear medicineContrast-to-noise ratioMedical imagingOpticsNoise (video)Computed tomographyComputer scienceMedicineImage (mathematics)Computer visionArtificial intelligenceRadiology

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To evaluate the feasibility of a synchronized moving grid (SMOG) system to remove scatter artifacts, improve the contrast-to-noise ratio (CNR), and reduce image lag artifacts in cone-beam CT (CBCT). METHODS: The SMOG system proposed here uses a rapidly oscillating, synchronized moving grid attached to the kV source. Multiple partial projections are taken at different grid positions to form a complete projection in each gantry position, before the gantry moves to the next position during a scan. The grid has a low transmission factor, and it is used for both scatter reduction and scatter measurement for postscan scatter correction. Experimental studies using a static grid and an enlarged CATphan phantom were performed to evaluate the potential CNR enhancement for different SMOG exposure numbers (1, 2, and 4). Simulation studies were performed to evaluate the image lag correction for different exposure numbers (2, 3, and 4) and grid interspace widths in SMOG using the data from an anthropomorphic pelvis phantom scan. Imaging dose of SMOG was also estimated by measuring the imaging dose in a CIRS CT dose phantom using a static grid. RESULTS: SMOG can enhance the CNR by 16% and 13% when increasing exposure number from 1 to 2 and from 2 to 4, respectively. This enhancement was more dramatic for larger phantoms and smaller initial exposure numbers. Simulation results indicated that SMOG could reduce the lag to less than 4.3% for 2-exposure mode and to less than 0.8% for 3-exposure mode when the grid interspace width was 1.4 cm. Increasing the number of exposures in SMOG dramatically reduced the residual lag in the image. Reducing the grid interspace width somewhat reduced the residual lag. Skin line artifacts were removed entirely in SMOG. Point dose measurement showed that imaging dose of SMOG at isocenter was similar as that of a conventional CBCT. CONCLUSIONS: Compared to our previously developed static-grid dual-rotation method, the proposed SMOG technique has the advantages of enhancing the CNR, correcting the image lag, and reducing the delivery time. Once implemented, SMOG has the potential to remove scatter and image lag artifacts, and significantly enhance CNR for CBCT using the same scanning time as conventional CBCT.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,313
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetDental Radiography and ImagingTravaux en français237 207