Phantom Validation of a Conservation of Activity-Based Partial Volume Correction Method for Arterial Input Function in Dynamic PET Imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dynamic PET (dPET) imaging can be utilized to perform kinetic modelling of various physiologic processes, which are exploited by the constantly expanding range of targeted radiopharmaceuticals. To date, dPET remains primarily in the research realm due to a number of technical challenges, not least of which is addressing partial volume effects (PVE) in the input function. We propose a series of equations for the correction of PVE in the input function and present the results of a validation study, based on a purpose built phantom. 18F-dPET experiments were performed using the phantom on a set of flow tubes representing large arteries, such as the aorta (1” 2.54 cm ID), down to smaller vessels, such as the iliac arteries and veins (1/4” 0.635 cm ID). When applied to the dPET experimental images, the PVE correction equations were able to successfully correct the image-derived input functions by as much as 59 ± 35% in the presence of background, which resulted in image-derived area under the curve (AUC) values within 8 ± 9% of ground truth AUC. The peak heights were similarly well corrected to within 9 ± 10% of the scaled DCE-CT curves. The same equations were then successfully applied to correct patient input functions in the aorta and internal iliac artery/vein. These straightforward algorithms can be applied to dPET images from any PET-CT scanner to restore the input function back to a more clinically representative value, without the need for high-end Time of Flight systems or Point Spread Function correction algorithms.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle