TU‐D‐I‐611‐06: A Direct, Empirical Method for X‐Ray Scatter Correction in Digital Radiography and Cone‐Beam CT
Notice bibliographique
Résumé
Purpose: X‐ray scatter poses a severe physical limitation to image quality in cone‐beam CT (CBCT), resulting in contrast reduction, image artifacts, and lack of CT number accuracy. We report and demonstrate the performance of a novel scatter correction method in which scatter fluence is estimated directly in each projection from pixel values at the edge of the detector behind the collimator leaves. Method and Materials: The algorithm operates on the assumption that signal behind the collimator leaves is attributable to x‐ray scatter. The 2D scatter fluence is estimated by interpolating between pixel values measured along the top and bottom edges of the detector behind the collimator leaves. The resulting scatter fluence is subtracted from each projection to yield primary‐only images for CBCT reconstruction. Performance was investigated in phantom experiments on an experimental CBCT benchtop, and the effect on image quality was demonstrated in patient images (head, chest, and pelvis sites) obtained on a preclinical system for CBCT‐guided radiation therapy. Results: The algorithm provides significant reduction in scatter artifacts without compromise in contrast‐to‐noise ratio (CNR) — e.g., Head: cupping reduced from 10% to 2%, while breast‐to‐water CNR improved from 5.2% to 7.8%; Body: cupping reduced from 42% to 26% without change in CNR. Patient images demonstrate increased uniformity, accuracy, and contrast, with slightly increased noise (net increase in CNR) in all of the sites investigated. Qualitative evaluation illustrates that soft‐tissue structures that are otherwise undetectable are clearly delineated in scatter‐corrected reconstructions. Conclusion: The algorithm provides a robust method for x‐ray scatter fluence estimation and correction in CBCT. Operating from a single assumption without prior information, analytical modeling, or Monte Carlo, the technique is easily incorporated as a preprocessing step in CBCT reconstruction. Quantitative evaluation in phantoms and pre‐clinical evaluation in patients demonstrates significant artifact reduction without degradation in CNR.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».