Deconvolution-based partial volume correction of PET images with parallel level set regularization
Notice bibliographique
Résumé
Abstract The partial volume effect (PVE), caused by the limited spatial resolution of positron emission tomography (PET), degrades images both qualitatively and quantitatively. Anatomical information provided by magnetic resonance (MR) images has the potential to play an important role in partial volume correction (PVC) methods. Post-reconstruction MR-guided PVC methods typically use segmented MR tissue maps, and further, assume that PET activity distribution is uniform in each region, imposing considerable constraints through anatomical guidance. In this work, we present a post-reconstruction PVC method based on deconvolution with parallel level set (PLS) regularization. We frame the problem as an iterative deconvolution task with PLS regularization that incorporates anatomical information without requiring MR segmentation or assuming uniformity of PET distributions within regions. An efficient algorithm for non-smooth optimization of the objective function (invoking split Bregman framework) is developed so that the proposed method can be feasibly applied to 3D images and produces sharper images compared to PLS method with smooth optimization. The proposed method was evaluated together with several other PVC methods using both realistic simulation experiments based on the BrainWeb phantom as well as in vivo human data. Our proposed method showed enhanced quantitative performance when realistic MR guidance was provided. Further, the proposed method is able to reduce image noise while preserving structure details on in vivo human data, and shows the potential to better differentiate amyloid positive and amyloid negative scans. Overall, our results demonstrate promise to provide superior performance in clinical imaging scenarios.
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 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) | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».