Attenuation correction for PET/MRI to measure tracer activity surrounding total knee arthroplasty
Notice bibliographique
Résumé
BACKGROUND: Positron emission tomography (PET) in combination with magnetic resonance imaging (MRI) could allow inflammatory complications near total knee arthroplasty (TKA) to be studied early in their development. However, attenuation of the PET signal by the metal TKA implants imparts substantial error into measurements of tracer activity, and conventional MR-based attenuation correction (AC) methods have large signal voids in the vicinity of metal implants. PURPOSE: To evaluate a segmentation-based AC approach to measure tracer uptake from PET/MRI scans near TKA implants. METHODS: F]fluorodeoxyglucose with known activity concentration (4.68 MBq total, 0.76 MBq/mL) and inserted into the knee. Images of the knee were acquired using a 3T PET/MRI system (Biograph mMR, Siemens Healthcare, Erlangen, Germany). Models of the implant components were registered to the MR data using rigid-body transformations and the other tissue classes were manually segmented. These segments were used to create the segmentation-based map and complete the AC. Percentage error of the resulting measured activities was calculated by comparing the measured and known amounts of activity in each vial. RESULTS: The original AC resulted in a percentage error of 64.1% from the known total activity. Errors in the individual vial activities ranged from 40.2 to 82.7%. Using the new segmentation-based AC, the percentage error of the total activity decreased to 3.55%. Errors in the individual vials were less than 15%. CONCLUSIONS: The segmentation-based AC technique dramatically reduced the error in activity measurements that result from PET signal attenuation by the metal TKA implant. This approach may be useful to enhance the reliability of PET/MRI measurements for numerous applications.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».