Optimization of exposure parameters for cone beam computed tomography sialography
Notice bibliographique
Résumé
OBJECTIVES: The assessment of image quality is a crucial step in the development of a new imaging protocol. Having proposed and reported on a preliminary protocol for sialography using cone beam CT (CBCT), the purpose of this study was to further optimize this protocol by maximizing the image signal difference-to-noise ratio (SDNR) and to relate these new data to previously published dosimetric data for CBCT sialography. METHODS: An imaging phantom was constructed using samples with different concentrations of iodine and a water-immersed mandible. The CB MercuRay (Hitachi Medical Systems, Tokyo, Japan) was used to image the phantom using different peak kilovoltage (kVp) and milliamperage (mA) settings. SDNR was then calculated using the raw images based on mean pixel values (MPV) measured in selected regions of interest (ROI). Finally, a figure of merit (FOM) was calculated to examine the trade-off between image SDNR and effective radiation dose. RESULTS: The SDNR demonstrated an expected increase as the kVp increased from 60 to 120. Also, images made with the higher mA setting (15) had greater SDNR. The iodine concentration also influenced the image quality such that SDNR increased with increased amounts of iodine. The calculated FOM was greatest for the technique using 80 kVp, with equivalent results for 10 mA and 15 mA. CONCLUSION: An optimized protocol for CBCT sialography using CB MercuRay entails a 6 inch field of view with 80 kVp and 10 mA.
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 | 0,002 | 0,005 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».