Geometry Optimization of a Dual-Layer Offset Detector for Use in Simultaneous PET/MR Neuroimaging
Notice bibliographique
Résumé
PET scanners suffer from a loss of resolution due to parallax error. Depth-of-interaction detectors, such as duallayer offset (DLO) detectors, mitigate the loss of resolution. We are designing a DLO brain dedicated PET insert that fits into the Siemens Magnetom 7T brain MR scanner. A wide range of DLO detector geometries was evaluated through Monte Carlo simulations in this paper. The total detector thickness was varied from 10 to 30 mm and for each total thickness, various layer thickness ratios and crystal widths in the range of 0.5-4 mm were examined. The effects of each detector geometry on radial mispositioning of the incident photons, detection efficiency ratio between the two layers, coincidence response functions (CRFs), system spatial resolution, and sensitivity were studied. Optimum layer thickness ratio for each total thickness is discussed. Analysis of CRFs showed that the improvement in the CRF of a DLO PET scanner with a total detector thickness of larger than 10 mm is lower for detectors with a crystal width of smaller than 2 mm than for detectors with a larger crystal width. Estimated spatial resolution and sensitivity of a PET scanner with each suggested detector geometry are also reported.
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 | 0,001 |
| 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 ».