WE-E-330D-05: Investigation of Imaging Performance and Acquisition Technique for a New Dual-Energy Chest Imaging System
Notice bibliographique
Résumé
Purpose: A novel, high-performance, cardiac-gated dual-energy (DE) chest system is under development in our lab. This paper investigates the influence of key image acquisition technique parameters (viz., selection of kVp, filtration, and dose) on DE imaging performance. Method and Materials: Experiments were conducted on a DE imaging bench with a custom-built phantom containing simulated lung nodules of varying contrast. Performance was quantified in terms of nodule contrast-noise ratio (CNRDE) in DE ‘tissue-only’ images. Low- and high-kVp were varied from 60–90 kVp and 120–150 kVp, respectively. Differential added filtration in low- and high-kVp projections was analyzed in terms of soft-tissue CNRDE both theoretically across the entire Periodic Table (Z=1−92) and experimentally for specific material types (Al, Ce, Cu, and Ag). Allocation of dose (defined A=ESDlow/ESDhigh) between low- and high-energy projections was analyzed at various levels of total entrance surface dose, ESD, over a broad range of allocation. Results: The results provide valuable guidance of technique selection for high-performance DE imaging. Optimal performance was achieved at a technique of [60/130] kVp, increasing soft-tissue CNRDE by 32% compared to [90/120] kVp. Differential added filtration [0.2 mm Ce / 0.6 mm Ag] increased soft-tissue CNRDE by 21% compared to the undifferentiated case ([1 mm Al / 1 mm Al]). Dose allocation was found to have significant influence on performance, with CNRDE increasing by more than ∼30% for A<1 compared to higher A>3 (with optima suggested in the range A∼0.3–0.5). Conclusion: Knowledgeable selection of kVp pairs, differential added filtration, and dose allocation provide significant increase in the soft-tissue CNR of DE images compared to conventional or sub-optimal techniques. Quantitative theoretical and experimental evaluation demonstrates the importance of optimized acquisition techniques for high-performance DE imaging and guides the implementation of a novel DE imaging system under development for pre-clinical imaging trials.
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) | 0,000 | 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 ».