Effect of block-iterative acceleration on Ga-67 tumor detection in thoracic SPECT
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
A combination of human localization receiver operating characteristic (LROC) and channelized Hotelling observer (CHO) ROC psychophysical studies were used to investigate how accelerated ordered-subset expectation maximization (OSEM) and rescaled block-iterative (RBI) EM reconstruction affect tumor detection in simulated Ga-67 SPECT images, The tumors were 1-cm-diameter spheres within the chest region of the three-dimensional mathematical cardiac-torso phantom. Previous work with iterative detector resolution compensation showed that eight iterations of the OSEM algorithm with a subset size of eight (16 subsets) offered optimal observer performance. For the LROC study in this paper, the OSEM and RBI algorithms were implemented using subset sizes P and iterations K that satisfied the relation P=K for P=1, 2, 4, and 8. The CHO was applied to reconstruction strategies that deviated from this relation. Results show that using P/spl les/2 penalized observer performance compared to strategies with larger subset sizes. Other researchers have reported on the more stable convergence and noise properties of the RBI algorithm [(Byrne, 1996) and (Lalush and Tsui, 2000)]. In a similar vein, we found that an RBI strategy with a subset size of P produced the same performance as an OSEM strategy with subset size 2P. As neither algorithm displayed a decisive advantage in speed over the other, we conclude that the RBI algorithm is the better choice for accelerating the Ga-67 reconstructions.
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 | 0,000 | 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 | 0,000 |
| 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 découle