MTF and DQE enhancement using an apodized‐aperture x‐ray detector design
Notice bibliographique
Résumé
PURPOSE: Acquisition of high-quality x-ray images using low patient exposures requires detectors with high detective quantum efficiency (DQE). We describe a novel apodized-aperture pixel (AAP) design that increases high-frequency modulation transfer function (MTF) and DQE values. The AAP design makes a separation of physical sensor elements from image pixels by using very small sensor elements (e.g., 0.010-0.025 mm) to synthesize desired larger image pixels (e.g., 0.1-0.2 mm). METHODS: A cascaded systems model of signal and noise propagation is developed to describe the benefits of the AAP approach in terms of the MTF, Wiener noise power spectrum (NPS), and DQE. The theoretical model was validated experimentally using a CMOS/CsI detector with 0.05 mm sensor elements to synthesize 0.20 mm image pixels and a clinical Se detector with 0.07 mm sensor elements to synthesize 0.28 mm pixels. A Monte Carlo study and x-ray images of a star-pattern and rat leg are used to visually compare AAP images. RESULTS: When used with a high-resolution converter layer and sensor elements one quarter the size of image pixels, the MTF is increased by 53% and the DQE by a factor of 2.3× at the image sampling cut-off frequency. Both simulated and demonstration images show improved detectability of high-frequency content and removal of aliasing artifacts. Evidence of Gibbs ringing is sometimes seen near high-contrast edges. CONCLUSIONS: It is shown that the AAP approach preserves the MTF of the small sensor elements and attenuates frequencies above the image sampling cut-off frequency. This has the double benefit of improving the MTF while reducing both signal and noise aliasing, resulting in an increase of the DQE at high spatial frequencies. For optimal implementation, the converter layer must have very high spatial resolution and the detector must have low readout noise.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».