Positron Emission Tomography Partial Volume Correction: Estimation and Algorithms
Notice bibliographique
Résumé
Partial volume effects in positron emission tomography (PET) lead to quantitative under- and over-estimations of the regional concentrations of radioactivity in reconstructed images and corresponding errors in derived functional or parametric images. The limited resolution of PET leads to "tissue-fraction" effects, reflecting underlying tissue heterogeneity, and "spillover" effects between regions. Addressing the former problem in general requires supplementary data, for example, coregistered high-resolution magnetic resonance images, whereas the latter effect can be corrected for with PET data alone if the point-spread function of the tomograph has been characterized. Analysis of otherwise homogeneous region-of-interest data ideally requires a combination of tissue classification and correction for the point-spread function. The formulation of appropriate algorithms for partial volume correction (PVC) is dependent on both the distribution of the signal and the distribution of the underlying noise. A mathematical framework has therefore been developed to accommodate both of these factors and to facilitate the development of new PVC algorithms based on the description of the problem. Several methodologies and algorithms have been proposed and implemented in the literature in order to address these problems. These methods do not, however, explicitly consider the noise model while differing in their underlying assumptions. The general theory for estimation of regional concentrations, associated error estimation, and inhomogeneity tests are presented in a weighted least squares framework. The analysis has been validated using both simulated and real PET data sets. The relations between the current algorithms and those published previously are formulated and compared. The incorporation of tensors into the formulation of the problem has led to the construction of computationally rapid algorithms taking into account both tissue-fraction and spillover effects. The suitability of their application to dynamic and static images is discussed.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».