Voxel-based partial volume correction of amyloid PET images incorporating non-local means regularization
Notice bibliographique
Résumé
Amyloid PET imaging is increasingly utilized to assess Alzheimer's disease. Nonetheless, PET imaging can be significantly degraded by the partial volume effect (PVE). This issue has been tackled via a number of post-reconstruction partial volume correction (PVC) methods. In our work, we proposed a voxel-based PVC method using non-local means (NLM) regularization under the weighted least squares framework that models the point-spread function of the PET system. The NLM algorithm has been proposed to suppress image noise while preserving edge information for natural images. This algorithm utilizes the high degree of information redundancy that typically exists in images and reduces image noise by replacing each pixel intensity with a weighted average of its non-local neighbors. Based on its advanced property, we propose to employ NLM as a regularization term in PET PVC. For a penalized weighted least squares (PWLS) objective function, we used the Gauss-Seidel (GS) optimization algorithm regularized with one-step-late (OSL) framework. Under the assumption of independent, identically-distributed (iid) Gaussian noise, the PWLS framework becomes standard least squares. When the steepest descent scheme is applied to the problem, it leads to the iterative `reblurred' Van Citter (VC) method. We tried both the VC method, and GS which involves a more sophisticated step-size method. In any case, the iid assumption is especially violated in OSEM reconstruction where the variance image is roughly proportional to the image (thus not uniform as in FBP). In the present work, we assessed the impact of appropriate variance weighting, as well as added NLM regularization. Our results demonstrate that statistical weighting improved quantitative bias vs. noise performance; and also, NLM regularization method exhibits improved performance. These were especially the case in the small regions relevant in Alzheimer's disease research.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».