TU‐E‐103‐01: Image Quality Models in Advanced CT Applications
Notice bibliographique
Résumé
The last decade saw the development of new x‐ray tomographic imaging technologies, such as flat‐panel detector cone‐beam CT and tomosynthesis, now prevalent in applications ranging from diagnostic imaging to image‐guided interventions. Such technologies proceeded in stride with models of imaging performance developed to provide a rigorous understanding of the factors governing image quality and help accelerate system design and translation. The decade ahead promises important advances ‐ for example: statistical and iterative model‐based image reconstruction; dual‐energy and spectral tomography; photon counting detectors; phase contrast tomography; and understanding the performance of model and real observers in the context of volumetric data. The theoretical models of imaging performance now developing alongside such advanced technologies are the topic of this symposium. Dr. Nishikawa will introduce the broad and challenging landscape of such technologies and applications. Dr. Siewerdsen will discuss image quality models for dual‐energy CT and the extension from conventional filtered backprojection to statistical / iterative reconstruction methods. Dr. Cunningham will describe the development of cascaded systems analysis for new photon counting detector systems. Dr. Chen will demonstrate how image quality models and performance measurement in x‐ray (absorption) CT can be extended to differential phase‐contrast CT. Finally, Dr. Bochud will address the performance of observers in volumetric data, highlighting newly appreciated factors that are distinct from conventional models and understanding in the context of 2D (or single slice) image interpretation. Learning Objectivess: 1. Understand the growing landscape of advanced tomographic imaging technologies and applications. 2. Understand how image quality models developed over the last decade for CT, cone‐beam CT, and tomosynthesis can be extended to: a.) dual‐energy / spectral CT b.) statistical and iterative image reconstruction c.) photon counting detectors d.) differential phase contrast CT 3. Understand the distinctions and new considerations in observer performance and image quality assessment in volumetric data.. National Institutes of Health. Carestream Health. Siemens Healthcare.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
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 ».