An x-ray CT polymer gel dosimetry prototype: I. Remnant artefact removal
Notice bibliographique
Résumé
In this study a new x-ray CT polymer gel dosimetry (PGD) filtering technique is presented for the removal of (i) remnant ring and streak artefacts, and (ii) 'structured' noise in the form of minute, intrinsic gel density fluctuations. It is shown that the noise present within x-ray CT PGD images is not purely stochastic (pixel by pixel) in nature, but rather is 'structured', and hence purely stochastic-based noise-removal filters fail in removing this significant, unwanted noise component. The remnant artefact removal (RAR) technique is based on a class of signal stripping (i.e. baseline-estimation) algorithms typically used in the estimation of unwanted non-uniform baselines underlying spectral data. Here the traditional signal removal algorithm is recast, whereby the 'signal' that is removed is the structured noise and remnant artefacts, leaving the desired polymer gel dose distribution. The algorithm is extended to 2D and input parameters are optimized for PGD images. RAR filter results are tested on (i) synthetic images with measured gel background images added, in order to accurately represent actual noise present in PGD images, and (ii) PGD images of a three-field gel irradiation. RAR results are compared to a top-performing noise filter (adaptive mean, AM), used in previous x-ray CT PGD studies. It is shown that, in all cases, the RAR filter outperforms the AM filter, particularly in cases where either (i) a low-dose gel image has been acquired or (ii) the signal-to-noise ratio of the PG image is low, as in the case when a low number of image averages are acquired within a given experiment. Guidelines for the implementation of the RAR filter are given.
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 ».