A MR Guided De-noising for PET Using IHYPR-LR
Notice bibliographique
Résumé
We describe a MR guided de-noising method for PET based on Iterative HighlY constrained back-PRojection Local Region (IHYPR-LR) post processing. IHYPR-LR is a modified version of HYPR-LR with the composite image updated iteratively, and HYPR-LR is a de-nosing method originally developed for time-resolved MRI. In this work, a co-registered T1-weighted MR image with high resolution and low noise was used as the initialization of the composite image in the IHYPRLR frame work for PET de-noising. A [11C]DASB Parkinsonian patient study conducted on the High Resolution Research Tomograph (HRRT) was used for the evaluations of the proposed method. The study was divided into high and low count frames with similar tracer distribution. The high count data were used to extract the optimal number of IHYPR iterations which minimizes the bias introduced by the MR composite without excessively degrading the level of noise reduction. The optimal number of iterations was then applied to low count PET data. The de-noised images were generated using the original HYPR-LR and IHYPRLR and compared with the OSEM images with a standard 2mm FWHM Gaussian post filter for the HRRT. As expected, since MR images do not always share the same contrast and structures with PET images, bias in contrast was observed from the denoised PET image using the original HYPR-LR. On the other hand, 3 iterations of IHYPR-LR successfully reduced the bias and outperformed the post filtered PET image in terms of noise reduction and structure boundary definitions. In summary, the proposed MR guided de-noising method achieves noise reduction and enhances structure boundary definitions without degrading the PET contrast.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,002 |
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 ».