Parallel approach to iterative tomographic reconstruction for high resolution PET imaging
Notice bibliographique
Résumé
The authors present a parallel approach to iterative reconstruction algorithms for high resolution 2-D and 3-D PET imaging on a multiprocessor machine where processors are connected by fast Ethernet connections. An efficient parallel implementation of the ML-EM and OS-EM approaches is formulated. It makes use of pre-calculated transition matrices, utilizing the combination of four techniques for storage reduction: (1) a sparse matrix approach, storing only non-negligible values, (2) the elimination of all symmetries, (3) the elimination of matrix elements outside the aperture of the tomograph and (4) the partition of the transition matrix amongst the different processors. This approach can be used in practice for very large 2-D images, as it reduces the storage size of transition matrices per processor by a factor of 8200 for images of 64/spl times/64 up to a factor of 98000 for images of 1024/spl times/1024. A performance analysis of the parallel algorithm is presented. The parallel ML-EM approach with a pre-computed transition matrix can reconstruct 128/spl times/128 pixels images in 0.25 sec/iteration, as opposed to several minutes when the matrix is calculated on the fly by a single processor. Some parametrisations of the parallel OS-FM approach offer total reconstruction times of 2 seconds for 128/spl times/128 pixels images.
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 | 0,001 | 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 | 0,001 | 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 ».