Accurate Multi-Material Decomposition in Dual-Energy CT: A Phantom Study
Notice bibliographique
Résumé
DUAL-energy computed tomography (DECT) differentiates materials by exploiting the varying material linear attenuation coefficients (LACs) for different x-ray energy spectra. Multi-material decomposition (MMD) is a particularly attractive DECT clinical application to distinguish the complicated material components within the human body. One prior material assisted (PMA) image domain MMD method was implemented, but has suffered from inaccurate decomposition, magnified noise, and expensive computation. To suppress the noise, we implemented a statistical MMD (SMMD) algorithm, which applied the statistical weight to account for the noise variance in the DECT images. Its decomposition accuracy heavily relies on the initial value. In this paper, we propose a novel method to overcome these challenges. Based on the piecewise constant property of CT images with energy-dependent LAC, we assume that the pixels with high similarity have the same material composition. We cluster pixel patches into groups using the block-matching technique. The material composition in each group is preselected according to the shortest Euclidean distance in the energy map between the center of mass of the similar patch groups and the LAC of the object with known material composition pre-assigned by the clinician. MMD is performed on the central pixel of each patch using the preselected material composition. In a preliminary study, the proposed method is evaluated using the digital and water phantoms. The proposed method increases the volume fraction by 25.2% and decreases the standard deviation by 66.2% compared with the PMA method and increases the volume fraction by 19.6% compared with the SMMD method. The proposed method achieves an overall improvement of the normalized cross-correlation matrix diagonality by 34.8% and 69.4% compared with the PMA and SMMD methods. The phantom results indicate that the proposed method has the potential to be applied to clinical practice due to its increased decomposition accuracy, and suppressed noise and cross contamination.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».