Two novel PET image restoration methods guided by PET‐MR kernels: Application to brain imaging
Notice bibliographique
Résumé
PURPOSE: Post-reconstruction positron emission tomography (PET) image restoration methods that take advantage of available anatomical information can play an important role in accurate quantification of PET images. However, when using anatomical information, the resulting PET image may lose resolution in certain regions where the anatomy does not agree with the change in functional activity. In this work, this problem is addressed by using both magnetic resonance (MR) and filtered PET images to guide the denoising process. METHODS: In this work, two novel post-reconstruction methods for restoring PET images using the subject's registered T1-weighted MR image are proposed. The first method is based on a representation of the image using basis functions extracted from T1-weighted MR and filtered PET image. The coefficients for these basis functions are estimated using a sparsity-penalized least squares objective function. The second method is a noniterative fast method that uses guided kernel filtering in combination with twicing to restore the noisy PET image. When applied after conventional PVE correction, these methods can be considered as voxel-based MR-guided partial volume effect (PVE) correction methods. RESULTS: F]FDG data. CONCLUSION: Two methods for restoring PET images were proposed. The methods were evaluated on simulation and real brain images. Most MR-guided PVE correction methods are only based on segmented T1-weighted images and their accuracy is very sensitive to segmentation errors, especially in regions of abnormalities and lesions. However, both proposed methods can use the T1-weighted image without segmentation. The simplicity and the very low computational cost of the second method make it suitable for clinical applications and large data studies. The proposed methods can be naturally extended to PVE correction and denoising of other functional modalities using corresponding anatomical information.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».