Count rate performance of brain-dedicated PET scanners: a Monte Carlo simulation study
Notice bibliographique
Résumé
Abstract In recent years, there has been a renewed interest in brain-dedicated PET imaging systems, particularly in the context of combined PET/MR imaging. We are currently designing a brain-dedicated PET insert suitable for an ultra-high field brain-dedicated MR scanner, the Siemens Magnetom 7T MR scanner. In this paper, an investigation on the count rate performance of several possible detectors through a series of Monte Carlo simulations is reported. Brain-dedicated PET scanners with a lutetium oxyorthosilicate scintillator and a detector area of 0.04 (1 crystal per detector) to 101.37 (2500 crystals per detector) cm 2 , detector thickness of 10 to 20 mm and a fixed crystal pitch of ~2 mm were simulated. The count rate performance of each scanner was evaluated as a function of detector deadtime type and constant, coincidence timing window and lower level discriminator. Also, the effects of activity outside the field-of-view (FOV) on the count rate performance of each scanner were studied. For each detector geometry and performance metric, the scanner singles rate, scanner sensitivity and noise equivalent count rate as a function of activity in the FOV were measured. It was seen that scanners with detectors comprised a few crystal elements showed reduced scanner sensitivity due to a high number of inter-detector scattering. The count rate performance of scanners with large detectors, on the other hand, was mainly determined by the deadtime properties of the detectors. A model for the count rate performance of the scanner with each studied detector is presented in this work.
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 | 0,005 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 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 ».