Performance assessment of motion correction for different distributions and count levels
Notice bibliographique
Résumé
Motion correction methods are used to compensate for subject motion during a positron emission tomography (PET) scan, reducing the degradation in image quality and quantification and consequently improving the accuracy of data analysis. In this work a frame-by-frame realignment method applied to a [11C]raclopride dynamic brain scan has been assessed, where the scan has 26 frames of different count levels and a varying spatiotemporal distribution. The performance of the motion correction in its two modes (normal and enhanced) is assessed using list-mode bootstrapping giving insights into the precision (and not accuracy) of the motion correction with respect to both the count level and distribution of the radioligand. It is found that the precision of motion correction deteriorates with decreasing count level (as expected in short low-count frames) and varies according to the radial and axial position in the field of view (FOV). Also the precision is affected by the varying distribution of the radioligand in frames with similar count levels, i.e., the greater concentration of the radioactivity in the striatal regions (and lower radioactivity concentration in the cortical areas) decreases the precision. Of particular note is the observation that the precision is also considerably degraded when the enhanced mode is used-indicating that the improved motion correction accuracy comes at the expense of increased variability (hence the enhanced mode simply offers a different bias-variance trade-off). It becomes clear that although such frame-by-frame motion correction method does not require an external motion tracking device it is consequently affected by the count level in each frame, radioligand distribution, voxel position in the FOV and the mode of coregistration. Such assessment can be applied to any coregistration of either PET or SPECT images especially with low counts.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».