Sci‐Sat AM(1): Imaging‐05: Analytical scatter estimation for cone‐beam computed tomography
Notice bibliographique
Résumé
A significant challenge to the implementation of cone-beam computed tomography (CBCT) for high-resolution imaging is the high scatter to primary ratio. Scatter causes cupping and shading artifacts, increased noise and decreased contrast in reconstructed images. Methods to reduce the impact of scatter in CBCT are thus very desirable. We are investigating methods for computational scatter estimation and compensation for CBCT, with the goal of incorporating a scatter estimator within a statistical reconstruction algorithm. We have developed an analytical method for estimating single scatter, based on Klein-Nishina cross-sections. We have compared scatter estimates generated with this method with the results of high-count EGSnrc Monte Carlo simulations. The analytical estimates compare favorably with the Monte Carlo estimates. The paper will discuss our method for analytical estimation of single scatter, including the assumptions and simplifications required to render it computationally tractable, along with the results of the comparison between the analytical method and Monte Carlo simulations. The paper will extend previous results obtained with small (40 × 40 × 40 voxel) homogeneous computational phantoms to include results for larger, more clinically relevant phantoms (128 × 128 × 128 voxels, simulated 50/50 breast tissue with inserts of varying contrast). The paper will also discuss computational acceleration obtained through the use of parallel processing via the WestGrid High-Performance Computing network.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».