ARMAX model and recursive least-squares identification for DOI measurement in PET
Notice bibliographique
Résumé
Several attempts have been made at measuring DOI in PET scanners. Most solutions offer poor performance in noise. Others are overly complex in view of the information recovered. Most implementations are also impractical, if feasible at all, in APD-based, digital, small animal scanners using multilayer scintillation detectors. The computing power and low cost of modern digital electronics allows the use of more advanced techniques. This paper proposes a novel method derived from control theory that abstracts the scanner acquisition front-end measurement system into a single model. It fits an AutoRegressive Moving-Average with noise (ARMAX) model to the measured data using a Recursive Least-Squares (RLS) identification algorithm, with excellent performance in heavy noise. DOI is subsequently discriminated by the locus of identified poles and zeros onto a complex digital frequency map. More advanced decision heuristics can be used when the detector scintillation layers have too similar light output dynamics. The implementation of this algorithm in PET benefits from extensive a priori knowledge of the system, resulting in significant simplifications. The identification engine is realized on programmable logic chips (FPGA), is pipelined, is running at 100 MHz and is time-shared between several detectors. Preliminary simulations show near perfect discrimination of the scintillation layer. This paper discusses the theory, the implementation and the pros and cons of that method.
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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».