MétaCan
Menu
Retour à la cohorte
Enregistrement W2178448853 · doi:10.1109/rtc.2007.4382767

Next Generation of Real Time Data Acquisition, Calibration and Control System for the RatCAP Scanner

2007· article· en· W2178448853 sur OpenAlexaff
S. Junnarkar, J. Fried, Sudeepti Southekal, J.‐F. Pratte, P. O’Connor, V. Radeka, P. Vaska, M. L. Purschke, Dardo Tomasi, C. Woody, Réjean Fontaine

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueMedical Imaging Techniques and Applications
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésFirmwareScannerApplication-specific integrated circuitComputer scienceComputer hardwareData acquisitionCalibrationDetectorCMOSFront and back endsElectronicsEmbedded systemElectronic engineeringElectrical engineeringEngineeringPhysicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The RatCAP (rat conscious animal PET) is a miniature positron emission tomography scanner intended for neurological and behavioral study of small awake animal. The RatCAP system comprises of three distinct modules: a rigid-flex technology based printed circuit board (PCB) which houses the detector components and front end application specific integrated circuit (ASIC), a time to digital converter and signal processing module (TSPM) which receives and processes ASIC signals and transmits processed data over two Giga bit fiber optic links to, finally, a PCI based data acquisition and control PCB (PACRAT). TSPM-3 is redesigned from previous versions to accommodate second generation front end ASIC and possible future two scanner expansions. ASIC's programmable features are exploited using new additional TSPM electronics for scanner calibration and test. Designs of these three modules and corresponding firmware and software upgrades are complete. Results from a fully integrated next generation RatCAP on the bench are presented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0180,003

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,330
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMedical Imaging Techniques and ApplicationsTravaux en français237 207