Adaptive mean filtering for noise reduction in CT polymer gel dosimetry
Notice bibliographique
Résumé
X-ray computed tomography (CT) as a method of extracting 3D dose information from irradiated polymer gel dosimeters is showing potential as a practical means to implement gel dosimetry in a radiation therapy clinic. However, the response of CT contrast to dose is weak and noise reduction is critical in order to achieve adequate dose resolutions with this method. Phantom design and CT imaging technique have both been shown to decrease image noise. In addition, image postprocessing using noise reduction filtering techniques have been proposed. This work evaluates in detail the use of the adaptive mean filter for reducing noise in CT gel dosimetry. Filter performance is systematically tested using both synthetic patterns mimicking a range of clinical dose distribution features as well as actual clinical dose distributions. Both low and high signal-to-noise ratio (SNR) situations are examined. For all cases, the effects of filter kernel size and the number of iterations are investigated. Results indicate that adaptive mean filtering is a highly effective tool for noise reduction CT gel dosimetry. The optimum filtering strategy depends on characteristics of the dose distributions and image noise level. For low noise images (SNR approximately 20), the filtered results are excellent and use of adaptive mean filtering is recommended as a standard processing tool. For high noise images (SNR approximately 5) adaptive mean filtering can also produce excellent results, but filtering must be approached with more caution as spatial and dose distortions of the original dose distribution can occur.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».