Comparison of CT Dose Reduction Algorithms in a Porcine Model
Notice bibliographique
Résumé
The present study utilized a porcine model for qualitative and quantitative assessment of the diagnostic quality of non-contrast abdominal computed tomography (CT) images generated by Adaptive Statistical Iterative Reconstruction (ASIR, GE Healthcare, Waukesha, Wisconsin, USA), Model-Based Iterative Reconstruction (GE company name VEO), and conventional Filtered back projection (FBP) technique. Methods: Multiple CT whole-body scans of a freshly euthanized pig carcass were performed on a 64-slice GE CT scanner at varying noise indices (5, 10, 15, 20, 30, 37, 40, 45), and with three different algorithms (VEO, FBP, and ASIR at 30%, 50%, and 70% levels of ASIR-FBP blending). Abdominal CT images were reviewed and scored in a blinded and randomized manner by two board-certified abdominal radiologists. The task was to evaluate the clarity of the images according to a rubric involving edge sharpness, presence of artifact, anatomical clarity (assessed at four regions), and perceived diagnostic acceptability. This amounted to seven criteria, each of which was graded on a scale of 1 to 5. A weighted formula was used to calculate a composite score for each scan. Results: VEO outperforms ASIR and FBP by an average of 0.5 points per the scoring system used (p < 0.05). Above a threshold noise index of 30, diagnostic acceptability is lost by all algorithms, and there is no diagnostic advantage to increasing the dose beyond a noise index of 10. Between a noise index of 25 - 30, VEO retains diagnostic acceptability, as opposed to ASIR and FBP which lose acceptability above noise index of 25. Conclusion: Model-based iterative reconstruction provides superior image quality and anatomical clarity at reduced radiation dosages, supporting the routine use of this technology, particularly in pediatric abdominal CT scans.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».