Impact of the dead-time correction method on quantitative 177Lu-SPECT (QSPECT) and dosimetry during radiopharmaceutical therapy
Notice bibliographique
Résumé
BACKGROUND: Lu radiopharmaceutical therapy. We aimed to evaluate the impact of applying dead-time correction on the reconstructed SPECT image versus on the acquisition projections before reconstruction. METHODS: Lu peptide receptor radionuclide therapy were analysed. Dead time was determined based on the acquisition wide-spectrum count rate for each projection and averaged for the entire acquisition. Three dead-time correction methods (DTCMs) were used: the per-projection correction, where each projection was individually corrected before reconstruction (DTCM1, the standard of reference), and two per-volume methods using the average dead-time correction factor of the acquisition applied to all projections before reconstruction (DTCM2) or to the SPECT image after reconstruction (DTCM3). Relative differences in quantification were assessed for various volumes of interest (VOIs) on the phantom and patient SPECT images. In patients, the resulting dosimetry estimates for tissues of interest were also compared between DTCMs. RESULTS: Both per-volume DTCMs (DTCM2 and DTCM3) were found to be equivalent, with VOI count differences not exceeding 0.8%. When comparing the per-volume post-reconstruction DTCM3 versus the per-projection pre-reconstruction DTCM1, differences in VOI counts and absorbed dose estimates did not exceed 2%, with very few exceptions. The largest absorbed dose deviation was observed for a kidney at 3.5%. CONCLUSION: While per-projection dead-time correction appears ideal for QSPECT, post-reconstruction correction is an acceptable alternative that is more practical to implement in the clinics, and that results in minimal deviations in quantitative accuracy and dosimetry estimates, as compared to the per-projection correction.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».