The potential of photon-counting CT for quantitative contrast-enhanced imaging in radiotherapy
Notice bibliographique
Résumé
The aim of this study is to use a simulation environment to evaluate the potential of using photon-counting CT (PCCT) against dual-energy CT (DECT) in the context of quantitative contrast-enhanced CT for radiotherapy. An adaptation of Bayesian eigentissue decomposition by Lalonde et al (2017 Med. Phys. 44 5293-302) that incorporates the estimation of contrast agent fractions and virtual non-contrast (VNC) parameters is proposed, and its performance is validated against conventional maximum likelihood material decomposition methods for single and multiple contrast agents. PCCT and DECT are compared using two simulation frameworks: one including ideal CT numbers with image-based Gaussian noise and another defined as a virtual patient with projection-based Poisson noise and beam hardening artifacts, with both scenarios considering spectral distortion for PCCT. The modalities are compared for their accuracy in estimating four key physical parameters: (1) the contrast agent fraction, as well as VNC parameters relevant to radiotherapy such as the (2) electron density, (3) proton stopping power and (4) photon linear attenuation coefficient. Considering both simulation frameworks, a reduction of root mean square (RMS) errors with PCCT is noted for all physical parameters evaluated, with the exception of the error on the contrast agent fraction being about constant through modalities in the virtual patient. Notably, for the virtual patient, RMS errors on VNC electron density and stopping power are respectively reduced from 2.0% to 1.4% and 2.7% to 1.4% when going from DECT to PCCT with four energy bins. The increase in accuracy is comparable to the differences between contrast-enhanced and non-contrast DECT. This study suggests that in a realistic simulation environment, the overall accuracy of radiotherapy-related parameters can be increased when using PCCT with four energy bins instead of DECT. This confirms the potential of PCCT to provide robust and quantitative tissue parameters for contrast-enhanced CT required in radiotherapy applications.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».