Technical Note: Evaluation of an iterative reconstruction algorithm for optical <scp>CT</scp> radiation dosimetry
Notice bibliographique
Résumé
PURPOSE: Iterative CT reconstruction algorithms are gaining popularity as GPU-based computation becomes more accessible. These algorithms are desirable in x-ray CT for their ability to achieve similar image quality at a fraction of the dose required for standard filtered backprojection reconstructions. In optical CT dosimetry, the noise reduction capability of such algorithms is similarly desirable because noise has a detrimental effect on the precision of dosimetric analysis, and can create misleading test results. In this study, we evaluate an iterative CT reconstruction algorithm for gel dosimetry, with special attention to the challenging dosimetry of small fields. METHODS: An existing ordered subsets convex algorithm using total variation minimization regularization (OSC-TV) was implemented. Three datasets, which represent the extreme cases of gel dosimetry, were examined: a large, 15 cm diameter uniform phantom, a 1.35 cm diameter finger phantom, and a 15 cm gel dosimeter irradiated with 3 × 3, 2 × 2, 1 × 1, and 0.6 × 0.6 cm fields. These were scanned on an in-house scanning laser system, and reconstructed with both filtered backprojection and OSC-TV with a range of regularization constants. The contrast to artifact + noise ratio (CANR) and penumbra width measurements (80% to 20% and 95% to 5% distances) were used to compare reconstructions. RESULTS: Our results showed that OSC-TV can achieve 3-5× improvement in contrast to artifact + noise ratio compared to filtered backprojection, while preserving the shape of steep dose gradients. For very small objects (≤ 0.6 × 0.6 cm fields in a 16 × 16 cm field of view), the mean value in the center of the object can be suppressed if the regularization constant is improperly set, which must be avoided. CONCLUSIONS: Overall, the results indicate that OSC-TV is a suitable reconstruction algorithm for gel dosimetry, provided care is taken in setting the regularization parameter when reconstructing objects that are small compared to the scanner field of view.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».