MétaCan
Menu
Retour à la cohorte
Enregistrement W2974293251 · doi:10.18383/j.tom.2019.00013

Cubic-Spline Interpolation for Sparse-View CT Image Reconstruction With Filtered Backprojection in Dynamic Myocardial Perfusion Imaging

2019· article· en· W2974293251 sur OpenAlexafffund
Esmaeil Enjilela, Ting‐Yim Lee, Gerald Wisenberg, Patrick Teefy, Rodrigo Bagur, Ali Islam, Jiang Hsieh, Aaron So

Notice bibliographique

RevueTomography · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueMedical Imaging Techniques and Applications
Établissements canadiensSt Joseph's Health CareLondon Health Sciences CentreLawson Health Research InstituteWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaLawson Health Research Institute
Mots-clésInterpolation (computer graphics)Spline interpolationMyocardial perfusion imagingArtificial intelligenceComputer visionSpline (mechanical)Iterative reconstructionTomographic reconstructionPerfusionComputer scienceNuclear medicineMathematicsMedicineRadiologyImage (mathematics)PhysicsBilinear interpolation

Résumé

récupéré en direct d'OpenAlex

We investigated a projection interpolation method for reconstructing dynamic contrast-enhanced (DCE) heart images from undersampled x-ray projections with filtered backprojecton (FBP). This method may facilitate the application of sparse-view dynamic acquisition for ultralow-dose quantitative computed tomography (CT) myocardial perfusion (MP) imaging. We conducted CT perfusion studies on 5 pigs with a standard full-view acquisition protocol (984 projections). We reconstructed DCE heart images with FBP from all and a quarter of the measured projections evenly distributed over 360°. We interpolated the sparse-view (quarter) projections to a full-view setting using a cubic-spline interpolation method before applying FBP to reconstruct the DCE heart images (synthesized full-view). To generate MP maps, we used 3 sets of DCE heart images, and compared mean MP values and biases among the 3 protocols. Compared with synthesized full-view DCE images, sparse-view DCE images were more affected by streak artifacts arising from projection undersampling. Relative to the full-view protocol, mean bias in MP measurement associated with the sparse-view protocol was 10.0 mL/min/100 g (95%CI: -8.9 to 28.9), which was >3 times higher than that associated with the synthesized full-view protocol (3.3 mL/min/100 g, 95% CI: -6.7 to 13.2). The cubic-spline-view interpolation method improved MP measurement from DCE heart images reconstructed from only a quarter of the full projection set. This method can be used with the industry-standard FBP algorithm to reconstruct DCE images of the heart, and it can reduce the radiation dose of a whole-heart quantitative CT MP study to <2 mSv (at 8-cm coverage).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,281
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTomographyMême sujetMedical Imaging Techniques and ApplicationsTravaux en français237 207