Prior-image-based CT reconstruction using attenuation-mismatched priors
Notice bibliographique
Résumé
Prior-image-based reconstruction (PIBR) methods are powerful tools for reducing radiation doses and improving the image quality of low-dose computed tomography (CT). Apart from anatomical changes, prior and current images can also have different attenuations because they originated from different scanners or from the same scanner but with different x-ray beam qualities (e.g., kVp settings, beam filters) during data acquisition. In such scenarios, with attenuation-mismatched priors, PIBR is challenging. In this work, we investigate a specific PIBR method, called statistical image reconstruction, using normal-dose image-induced nonlocal means regularization (SIR-ndiNLM), to address PIBR with such attenuation-mismatched priors and achieve quantitative low-dose CT imaging. We propose two corrective schemes for the original SIR-ndiNLM method, (1) a global histogram-matching approach and (2) a local attenuation correction approach, to account for the attenuation differences between the prior and current images in PIBR. We validate the efficacy of the proposed schemes using images acquired from dual-energy CT scanners to simulate attenuation mismatches. Meanwhile, we utilize different CT slices to simulate anatomical mismatches or changes between the prior and the current low-dose image. We observe that the original SIR-ndiNLM introduces artifacts to the reconstruction when an attenuation-mismatched prior is used. Furthermore, we find that a larger attenuation mismatch between the prior and current images results in more severe artifacts in the SIR-ndiNLM reconstruction. Our two proposed corrective schemes enable SIR-ndiNLM to effectively handle the attenuation mismatch and anatomical changes between the two images and successfully eliminate the artifacts. We demonstrate that the proposed techniques permit SIR-ndiNLM to leverage the attenuation-mismatched prior and achieve quantitative low-dose CT reconstruction from both low-flux and sparse-view data acquisitions. This work permits robust and reliable PIBR for CT data acquired using different beam settings.
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 | 0,001 |
| 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 | 0,000 |
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 ».