Simulated Annealing-Based Image Reconstruction for Patients With COVID-19 as a Model for Ultralow-Dose Computed Tomography
Notice bibliographique
Résumé
The proposed algorithm of inverse problem of computed tomography (CT), using limited views, is based on stochastic techniques, namely simulated annealing (SA). The selection of an optimal cost function for SA-based image reconstruction is of prime importance. It can reduce annealing time, and also X-ray dose rate accompanying better image quality. In this paper, effectiveness of various cost functions, namely universal image quality index (UIQI), root-mean-squared error (RMSE), structural similarity index measure (SSIM), mean absolute error (MAE), relative squared error (RSE), relative absolute error (RAE), and root-mean-squared logarithmic error (RMSLE), has been critically analyzed and evaluated for ultralow-dose X-ray CT of patients with COVID-19. For sensitivity analysis of this ill-posed problem, the stochastically estimated images of lung phantom have been reconstructed. The cost function analysis in terms of computational and spatial complexity has been performed using image quality measures, namely peak signal-to-noise ratio (PSNR), Euclidean error (EuE), and weighted peak signal-to-noise ratio (WPSNR). It has been generalized for cost functions that RMSLE exhibits WPSNR of 64.33 ± 3.98 dB and 63.41 ± 2.88 dB for 8 × 8 and 16 × 16 lung phantoms, respectively, and it has been applied for actual CT-based image reconstruction of patients with COVID-19. We successfully reconstructed chest CT images of patients with COVID-19 using RMSLE with eighteen projections, a 10-fold reduction in radiation dose exposure. This approach will be suitable for accurate diagnosis of patients with COVID-19 having less immunity and sensitive to radiation dose.
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 ».