Evaluation of SRW-OSEM Using Clinical Data
Notice bibliographique
Résumé
We describe evaluations of the SRW-OSEM algorithm using clinical patient data. SRW-OSEM is an iterative reconstruction method which incorporates scatter and randoms corrections within the weighting component of the system matrix analogous to the attenuation weighted reconstruction algorithm. Our previous results obtained from small animal phantom data showed that SRW-OSEM can accelerate the reconstruction task and reduce the storage cost as well as improving the image quality. In this work, further evaluations were conducted using clinical patient data whose scatter fraction is much higher than the phantom data previously used. As a result, the trues fraction was ~30%-50% for the patient data as compared to ~80% for the small animal phantom data. Convergence rate in contrast recovery and image profiles were compared between the SRWOSEM and OP-OSEM. Higher improvement in convergence rate with respect to OP-OSEM was observed from SRW-OSEM for the patient data as compared to the improvement observed previously from the small animal phantom data. As expected, the higher the background contamination (e.g. scatter and randoms fractions) the higher the improvement in convergence rate achieved by SRW-OSEM with respect to OP-OSEM. In particular, 3-4 times faster convergence rate with respect to OPOSEM was achieved by SRW-OSEM in this case; e.g. image reconstructed with 3 iterations of SRW-OSEM contains similar contrast as compared to that reconstructed with 12 iterations of OP-OSEM. Furthermore, lower noise was observed from the SRW-OSEM image as compared to the OP-OSEM image due to the lower number of iterations used in the reconstruction when the noise in the trues fraction estimate was low.
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 | 0,012 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».