Analytical model of DOI-induced time bias in ultra-fast scintillation detectors for TOF-PET
Notice bibliographique
Résumé
In positron emission tomography (PET), long crystals ([Formula: see text]20 mm) are used to enhance detection efficiency and increase scanner sensitivity. However, for fast time-of-flight (TOF) scanners, this may affect the achievable coincidence time resolution (CTR) due to depth-of-interaction (DOI) induced blur on timing. Currently, the effect of DOI on CTR evaluation with analytical modeling is incorporated using the probability density function (PDF) for attenuation of the annihilation photons with the PDFs of the other scintillation processes. However, we show that the resulting PDF would not describe accurately the variation in timestamps distribution at different DOIs. We propose a new analytical model for the CTR evaluation, which consists of computing a DOI dependent CTR weighted by the DOI probability in coincidence. The CTR was thus defined as the weighted root-mean-square error (RMSE) of the DOI-wise variance and bias in order to explicitly describe the positioning bias induced by coincident annihilation photons at different DOIs. The effect of DOI bias on CTR was investigated by using four classic estimators found in the literature, each applied on contemporary scintillation detectors and nearly ideal detectors. A limited difference in the calculated CTR was found for typical scintillation detectors when assessing RMSE with and without DOI time offset correction. This was expected since the DOI bias remains negligible against other phenomena in such case. However, the difference becomes significant for nearly ideal scintillation detectors, where optimal CTR would only be attainable with DOI correction. For these nearly ideal cases, the revised model has better predictive power since the DOI time offset correction is included. Investigation with analytical approaches for realistically achievable ultra-fast CTR in TOF-PET detectors should be performed with a model that genuinely takes into account the DOI effect. We show that the proposed model is a valid candidate for such a task.
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 | 0,002 | 0,006 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».