Direct 4D PET MLEM reconstruction of parametric images using the simplified reference tissue model with the basis function method
Notice bibliographique
Résumé
The purpose of this work is to assess the one-step late maximum likelihood expectation maximization (OSL-MLEM) direct 4D PET reconstruction algorithm when using the simplified reference tissue model with the basis function method (SRTM-BFM). To date, the OSL-MLEM method has been evaluated using kinetic models based on two-tissue compartments with an irreversible component. We therefore extend the evaluation of this method for two-tissue compartments with a reversible component, using SRTM-BFM on simulated 2D and 3D + time data sets (with use of [11C]raclopride time-activity curves (TACs) from real data) and on real data sets acquired with the high resolution research tomograph (HRRT). Furthermore, this work investigates the impact of correcting the TACs by the frame length, as assumed by most conventional kinetic parameter estimation techniques (applied post-reconstruction) used in practice. The performance of the proposed method is evaluated by comparing binding potential (BP) estimates with those obtained from conventional post-reconstruction kinetic parameter estimation. It is shown that, for the 2D + time simulation, SRTM-BFM within the OSL-MLEM framework delivers lower%BIAS and%CV, and thus lower%RMSE, in BP estimates compared to the post reconstruction approach, while for the real 3D data set the method delivers lower spatial%CV, in addition to better BP parametric image quality, when using resolution modeling. Finally, frame length correction can be applied but correct weighting is necessary to obtain the best performance.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».