List-mode motion tracking for positron emission tomography imaging using low-activity fiducial markers
Notice bibliographique
Résumé
Motion correction in positron emission tomography (PET) imaging may benefit from an accurate knowledge of the patient motion during the image acquisition. We evaluated the feasibility to detect and record the motion of external fiducial markers during PET scans. We developed an iterative algorithm that can track the three-dimensional (3D) motion of low-activity fiducial markers while surrounded by high physiological tracer activity from a patient undergoing PET imaging. Monte Carlo techniques were used to simulate a 92.5-kBq22Na marker moving sinusoidally in 3D. The simulated events were combined with list-mode data from patients undergoing cardiac PET imaging in order to test the algorithm. In experimental studies, three external22Na markers were placed on a dynamic torso phantom with an initial activity of approximately 680 MBq of82Rb in its cardiac insert. We tracked the motion of those markers while simulating breathing motion and patient drift with the phantom. Results from simulations show that a 92.5-kBq marker can be tracked in 3D at a frequency of 2 Hz with an accuracy of 1.2 mm and a precision of 0.8 mm. The phantom study qualitatively confirms that the algorithm can track both breathing and patient motion. The relative accuracy of the tracking was 0.4±1.1 mm and the precision was 0.8 mm. In conclusion, we have developed an algorithm that can track the 3D motion of low-activity positron-emitting markers during PET imaging. This motion information might prove useful in developing new motion correction schemes in clinical PET imaging.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».