Evaluation of Image Quality Improvements When Adding Patient Outline Constraints into a Generalized Scatter PET Reconstruction Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Scattered coincidences degrade image contrast and compromise quantitative accuracy in positron emission tomography (PET). A number of approaches to estimating and correcting scattered coincidences have been proposed, but most of them are based on estimating and subtracting a scatter sinogram from the measured data. We have previously shown that both true and scattered coincidences can be treated similarly by using Compton scattering kinematics to define a locus of scattering which may in turn be used to reconstruct the activity distribution using a generalized scatter maximum-likelihood expectation maximization (GS-MLEM) algorithm. The annihilation position can be further confined by taking advantage of the patient outline (or a geometrical shape that encompasses the patient outline). The proposed method was tested on a phantom generated using GATE. The results have shown that for scatter fractions of 10–60% this algorithm improves the contrast recovery coefficients (CRC) by 4 to 28.6% for a source and 5.1 to 40% for a cold source while the relative standard deviation (RSD) was reduced. Including scattered photons directly into the reconstruction eliminates the need for (often empirical) scatter corrections, and further improvements in the contrast and noise properties of the reconstructed images can be made by including the patient outline in the reconstruction algorithm as a constraint.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,003 | 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 découle