Does Resampled Image Data Offer Quantitative Image Quality Benefit for Pediatric CT?
Notice bibliographique
Résumé
Acquiring CT images with thin slices can improve resolution and detectability, but cause an increase in the image noise. To compensate for the additional image noise, the kVp or mA can be increased, which carries a dose penalty to the patient. We investigate the image quality achieved in MPR images reformatted from different slice thicknesses 0.625 mm and 5 mm, to determine if a thicker slice could be resampled to smaller thickness with minimal loss of image information. Catphan?600 phantom was imaged using selected kVp/mA settings (80 kVp/250 mA, 100 kVp/ 150 mA and 120 kVp/200 mA) to generate slices with thicknesses of 0.625 mm and 5 mm using a GE Discovery HD750 64-slice CT scanner to investigate the impact of the acquisition slice thickness on the overall image quality in MPRs. Measurements of image noise, uniformity, contrast-to-noise ratio (CNR), low contrast detectability and limiting spatial resolution were performed on axial and coronal multiplanar reformatted images (MPRs). Increased noise, reduced contrast-to-noise ratio, and improved limiting spatial resolution and low contrast detection were observed in 2 mm coronal MPRs generated with 0.625 mm thin slices when compared to the MPRs from 5 mm thick slices. If the 2 mm coronal MPRs acquired with 5 mm slices are resampled to 0.6 mm slice thickness, the reductions in limiting resolution and low contrast detection are compensated, although with reduced uniformity and increased image noise. Thick slice image acquisitions yield better CNR and less noise in the images, whereas thin slices exhibited improved spatial resolution and low contrast detectability. Retrospectively resampling into thinner slices before obtaining the coronal MPRs provided a balance between image smoothness and identifying fine image detail. Which approach provides the optimal image quality may also depend on the imaging task, size and composition of the features of interest, and radiologist preference.
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 | 0,008 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».