Sensors for Positron Emission Tomography Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Positron emission tomography (PET) imaging is an essential tool in clinical applications for the diagnosis of diseases due to its ability to acquire functional images to help differentiate between metabolic and biological activities at the molecular level. One key limiting factor in the development of efficient and accurate PET systems is the sensor technology in the PET detector. There are generally four types of sensor technologies employed: photomultiplier tubes (PMTs), avalanche photodiodes (APDs), silicon photomultipliers (SiPMs), and cadmium zinc telluride (CZT) detectors. PMTs were widely used for PET applications in the early days due to their excellent performance metrics of high gain, low noise, and fast timing. However, the fragility and bulkiness of the PMT glass tubes, high operating voltage, and sensitivity to magnetic fields ultimately limit this technology for future cost-effective and multi-modal systems. As a result, solid-state photodetectors like the APD, SiPM, and CZT detectors, and their applications for PET systems, have attracted lots of research interest, especially owing to the continual advancements in the semiconductor fabrication process. In this review, we study and discuss the operating principles, key performance parameters, and PET applications for each type of sensor technology with an emphasis on SiPM and CZT detectors-the two most promising types of sensors for future PET systems. We also present the sensor technologies used in commercially available state-of-the-art PET systems. Finally, the strengths and weaknesses of these four types of sensors are compared and the research challenges of SiPM and CZT detectors are discussed and summarized.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 découle