Energy subtraction angiography is comparable to digital subtraction angiography in terms of iodine Rose SNR
Notice bibliographique
Résumé
PURPOSE: X-ray digital subtraction angiography (DSA) is widely used for vascular imaging. However, motion artifacts render it largely unsuccessful for some applications including cardiac imaging. Dual-energy imaging using fast kV switching was proposed in the past to provide the benefits of DSA with fewer motion artifacts, but image quality was inferior to DSA. This study compares the iodine Rose SNR that can be achieved using dual-energy methods, called energy-subtraction angiography (ESA), with that of DSA and examines the technical conditions required to achieve near-optimal SNR. METHODS: A Rose SNR model is described, experimentally validated, and used to compare ESA with DSA. The model considers detector quantum efficiency, readout noise (quantum-limit exposure), and scatter-to-primary ratio. RESULTS: The theoretical Rose SNR showed excellent agreement with experimental results for both ESA and DSA images, and shows that near-optimal SNR is harder to achieve with ESA than DSA. In comparison to DSA, ESA requires: (1) high detector quantum efficiency at a higher energy (120 kV); (2) lower detector readout noise by a factor of four (approximately 0.005 μGy air KERMA or lower); and (3) lower scatter-to-primary ratio by a factor of three (approximately 0.05 or lower). These conditions were not achievable in the past, and remain difficult but not impossible to achieve at present. CONCLUSIONS: ESA and DSA can provide similar iodine Rose SNR for the same patient exposure, but only when satisfying the above conditions. This may explain why dual-energy methods have been unsuccessful in the past and suggests ESA methods may offer a viable alternative to DSA when implemented under optimal conditions.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».