PET Image Reconstruction and Deformable Motion Correction Using Unorganized Point Clouds
Notice bibliographique
Résumé
Quantitative positron emission tomography imaging often requires correcting the image data for deformable motion. With cyclic motion, this is traditionally achieved by separating the coincidence data into a relatively small number of gates, and incorporating the inter-gate image transformation matrices into the reconstruction algorithm. In the presence of non-cyclic deformable motion, this approach may be impractical due to a large number of required gates. In this paper, we propose an alternative approach to iterative image reconstruction with correction for deformable motion, wherein unorganized point clouds are used to model the imaged objects in the image space, and motion is corrected for explicitly by introducing a time-dependence into the point coordinates. The image function is represented using constant basis functions with finite support determined by the boundaries of the Voronoi cells in the point cloud. We validate the quantitative accuracy and stability of the proposed approach by reconstructing noise-free and noisy projection data from digital and physical phantoms. The point-cloud-based maximum likelihood expectation maximization (MLEM) and one-pass list-mode ordered-subset expectation maximization (OSEM) algorithms are validated. The results demonstrate that images reconstructed using the proposed method are quantitatively stable, with noise and convergence properties comparable to image reconstruction based on the use of rectangular and radially-symmetric basis functions.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».