Performance Improvements in HYPR-OSEM
Notice bibliographique
Résumé
We describe methods which improve the performances in contrast recovery coefficient (CRC) versus noise trade-off and in convergence rate in CRC of the newly developed HYPR-OSEM algorithm. HYPR-OSEM is a reconstruction method which incorporates HighlY constrained back-PRojection (HYPR) de-noising directly within the widely used OSEM algorithm. 3 forms of HYPR-OSEM have been proposed. Previously, we have demonstrated that all forms of HYPR-OSEM can improve SNR without degrading accuracy in terms of resolution and contrast. However, slower convergence rate in CRC was observed from all forms of HYPR-OSEM. In this work, we investigated the effect of the filter kernel size used in the HYPR operator. Furthermore, we introduced the Iterative HYPR (IHYPR) operator as an effort to accelerate the convergence rate in CRC. Multiple independent noisy realizations of a simulated and an experimental contrast phantom with various sizes of hot and cold inserts were used for the evaluations. CRC vs voxel noise, image profile, and root-mean-squared error (RMSE) in CRC vs iteration were compared across standard and proposed reconstruction methods. Visual image quality assessment of a [11C]PK11195 patient scan was also conducted. It was observed that the noise reduction performance of HYPR-F(B)-OSEM is not very sensitive to the filter kernel size used in the HYPR operator, whereas better CRC vs noise trajectories and lower RMSE in CRC can be achieved by wider kernels for HYPR-AU-OSEM. On the other hand, the CRC convergence rate for HYPR-AU-OSEM becomes much slower with a wider kernel. When the IHYPR operator was introduced into the AU method (i.e. IHYPR-AU-OSEM), similar CRC convergence speed with respect to OSEM was attained without excessively degrading the CRC vs noise trajectories. In summary, the AU method has been determined to be the more effective form of HYPR-OSEM in terms of accuracy and precision, and IHYPR-AU-OSEM can achieve better CRC vs noise trajectories with similar convergence speed as compared to OSEM with or without a post reconstruction filter.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».