Kernel-Based PET Image Reconstruction using Dynamic PET and MR Anatomical Information
Notice bibliographique
Résumé
Positron emission tomography (PET) imaging is used to track biochemical processes in the human body.PET image quality is limited by noise and several methods have been implemented to improve the quality.Kernel-based image reconstruction is among the methods implemented to increase PET image quality and commonly uses a Gaussian kernel.Unfortunately, the Gaussian kernel tends to smooth details in the reconstructed image.To reduce noise without losing contrast details, a different kernel is needed.This work gives an overview of Gaussian kernel PET image reconstruction and focuses on finding substitutes for the Gaussian kernel that tackles its shortcomings.A wavelet kernel can be more efficient than the Gaussian kernel in reducing noise while keeping contrast details by better separating signal from noise and thus it does not over smooth peak values in the final reconstructed images.In this thesis, a wavelet kernel was first applied on prior information derived from dynamic PET series, and its usefulness has been evaluated using simulated brain data, physical phantom data and patient data.Reconstruction results are presented and discussed in detail comparing the wavelet kernel method with the Gaussian kernel method.In the next step, using magnetic resonance (MR) information as prior information for kernel-based PET image reconstruction, the wavelet method is improved and extended by proposing a multi-scale wavelet kernel.This method identifies the directionality in the MR image and includes that information for kernel construction as well.Methods developed in this thesis allow for higher SNR in the reconstructed PET image while preserving contrast.They also produce reconstructed PET images with higher visual quality compared to Gaussian kernel methods.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».