Assessment of bootstrap resampling accuracy for PET data
Notice bibliographique
Résumé
Bootstrap resampling has been successfully used in estimating statistical properties of PET images by generating a set of statistically equivalent datasets based on one or more original datasets. However, the bootstrap resampling is only valid when the original dataset well represents the underlying distribution. The purpose of this work is to assess the validity of nonparametric bootstrap resampling using a long acquisition of a planar brain phantom, ensuring a good representation of the underlying distribution of all possible events. The assessment is carried out in two stages corresponding to the two `worlds': i) the real world-generation of K reference list-mode datasets with five statistical levels (0.01%, 0.1%, 1%, 10% and 20% of the original dataset) using resampling with replacement of the statistically very rich original dataset playing the role of the population; and ii) the bootstrap world-generation of equivalent K bootstrap replicates using five resampled dataset from stage i) for each of the five statistical levels. The distributions from the two stages or worlds are then compared using the metric of Jensen-Shannon (J-S) divergence to quantify the similarity of the two distributions from stages i) and ii). In order to apply the J-S divergence two different histogramming methods are used: i) with constant and ii) adaptable binning. The bootstrap distributions are found to be constantly different to the real world distributions regardless of the data size and binning method. However when statistics are very low (for single voxels and 0.01% datasets) the comparison fails as the distributions are limited by the non-negativity constraint.
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 | 0,056 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».