Conception d’un système d’alignement temporel basé sur une sonde temporelle pour le scanner LabPET II
Notice bibliographique
Résumé
La tomographie d’émission par positrons est une technique d’imagerie médicale importante dans les domaines clinique et préclinique. Elle permet de diagnostiquer des cancers, des maladies cardiovasculaires ou encore des maladies neurodégénératives. Dans le domaine préclinique, la TEP permet de mener des recherches de pointe pour mieux comprendre les métabolismes au niveau moléculaire afin de développer des thérapies ciblées qui seront utilisées dans la médecine de demain. C’est pourquoi, depuis plus de quinze ans, le Groupe de Recherche en Appareillage Médical de Sherbrooke (GRAMS) et le Centre d’Imagerie Moléculaire de Sherbrooke (CIMS) collaborent pour concevoir des scanners TEP permettant d’obtenir des images avec un contraste et une résolution inégalée. Pour obtenir ces images, les paramètres des scanners doivent être optimisés de manière minutieuse. L’un des paramètres les plus importants en TEP est la mesure temporelle pour minimiser les coïncidences fortuites et ainsi améliorer le rapport signal sur bruit de l’image. La mesure temporelle peut être entachée d’une part, de bruit statistique provenant de différentes sources comme le bruit thermique, le bruit d’amplification, la pente du signal au point de discrimination et d’autre part, les variations systémiques qui peuvent être corrigées par un traitement approprié de l’information. Le travail présenté dans ce mémoire porte sur la conception d’une nouvelle méthode embarquée et automatisée faisant appel à une sonde d’alignement temporel pour effectuer cet alignement et corriger la dispersion temporelle systémique dans le scanner. Cette méthode a été testée sur le scanner LabPET II, la dernière génération de scanner développé au GRAMS et a permis une amélioration de la mesure temporelle de 47%.
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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».