Multi-contrast CT imaging using a high energy resolution CdTe detector and a CZT photon-counting detector
Notice bibliographique
Résumé
Abstract Computed tomography (CT) imaging with high energy resolution detectors shows great promise in material decomposition and multi-contrast imaging. Multi-contrast imaging was studied by imaging a phantom with iodine (I), gadolinium (Gd), and gold (Au) solutions, and mixtures of the three using a cadmium telluride (CdTe) spectrometer with an energy resolution of 1% as well as with a cadmium zinc telluride (CZT) detector with an energy resolution of 13%. The phantom was imaged at 120 kVp and 1.1 mA with 7 mm of aluminum filtration. For the CdTe data collection, the phantom was imaged using a 0.2 mm diameter x-ray beam with 96 ten-second data acquisitions across the phantom at 45 rotation angles. For the CZT detector, we had 720 projections using a cone beam, and the six detector energy thresholds were set to 23, 33, 50, 64, 81, and 120 keV so that three thresholds corresponded to the K-edges of the contrast agents. Contrast agent isolation methods were then examined. K-edge subtraction and novel spectrometric algebraic image reconstruction (SAIR) were used for the CdTe data. K-edge subtraction alone was used for the CZT data. Linearity plots produced similar R 2 values and slopes for all three reconstruction methods. Comparing CdTe methods, SAIR offered less noise than CdTe K-edge subtraction and better geometric accuracy at low contrast concentrations. CdTe contrast agent images of I, Gd, and Au offered less noise and greater contrast than the CZT images, highlighting the benefits of high energy resolution CdTe detectors for possible use in pre-clinical or clinical CT imaging.
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 | 0,001 |
| 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 ».