Patient body motion correction for dynamic cardiac <scp>PET</scp>‐<scp>CT</scp> by attenuation‐emission alignment according to projection consistency conditions
Notice bibliographique
Résumé
INTRODUCTION: Patient body motion is known to cause large deviations in the determination of myocardial blood flow (MBF) with errors exceeding 300%. Accurate correction for patient whole-body motion is still a largely unsolved problem in cardiac positron emission tomography (PET) imaging. OBJECTIVE: This study evaluated the efficacy of using Natterer's formulation of the Helgason-Ludwig consistency conditions on the two-dimensional Radon transform to align computed tomography to PET projection data in multiple time frames of a dynamic sequence for the purpose of frame-by-frame correction of rigid whole-body motion. METHODS: The correction algorithm was evaluated with digital NCAT phantoms using realistic noise added by the analytical simulator. Count rates used in the simulation were derived from clinical patient data. In addition, a proof of concept test using measured data with a cardiac torso phantom was conducted. RESULTS: Motion correction resulted in significant improvement in the accuracy of MBF estimates, especially for high count-rate acquisitions. Maximum errors for 2 cm of motion dropped from 325% to 25% and from 250% to 25% using global and regional partial-volume correction, respectively. Median MBF errors dropped from 33% to 4.5% and 27% to 3.8%, respectively. Importantly, the correction algorithm performed equally well to compensate for body motion in both early and late time frames. CONCLUSION: Cardiac PET-CT data used for attenuation correction (CTAC) alignment using projection consistency conditions was effective for reducing errors in MBF measurements due to simulated patient motion, and can be integrated into the image reconstruction workflow.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».