An empirical method for lag correction in cone‐beam CT
Notice bibliographique
Résumé
Image lag degrades image quality in cone-beam CT (CBCT), resulting in contrast reduction, lack of CT number accuracy and uniformity, and skin-line artifacts. The magnitude of such degradation and the extent to which imaging performance can be improved by means of a lag correction method were investigated. Measurements were performed using a radiotherapy CBCT guidance system (Elekta Synergy XVI, Elekta Oncology Systems, Atlanta, GA), for which the imaging system is based upon a RID1640-AL1 flat-panel imager (Perkin Elmer, Wiesbaden, Germany). Image lag and its relationship to various parameters including signal magnitude, photon energy, and frame number were investigated, and an empirical lag correction method was developed to manage lag artifacts. The correction method was simply the subtraction from the current frame by previous frames weighted by the temporal response function. The CatPhan 500 phantom (The Phantom Laboratory, Salem, NY) within an irregularly shaped body annulus was used to demonstrate the magnitude of artifacts with and without lag correction. CBCT images after correction demonstrated improvement in skin-line reconstruction, CT number accuracy, image uniformity, and contrast-to-noise ratio. Lag artifacts can be reduced by means of algorithmic correction of the projection images. Lag correction is most important for all shapes of objects having contrast inserts. For circular/cylindrical objects, lag correction does not improve the skin-line artifact but can improve low contrast visibility adjacent to high contrast objects.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».