HYPR4D kernel method on TOF PET data with validations including image-derived input function
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
BACKGROUND: Positron emission tomography (PET) images are typically noisy especially in dynamic imaging where the PET data are divided into a number of short temporal frames often with a low number of counts. As a result, image features such as contrast and time-activity curves are highly variable. Noise reduction in PET is thus essential. Typical noise reduction methods tend to not preserve image features/patterns (e.g. contrast and size dependent) accurately. In this work, we report the first application of our HYPR4D kernel method on time-of-flight (TOF) PET data (i.e. PSF-HYPR4D-K-TOFOSEM). The proposed HYPR4D kernel method makes use of the mean 4D high frequency features and inconsistent noise patterns over OSEM subsets as well as the low noise property of the early reconstruction updates to achieve prior-free de-noising. The method was implemented and tested on the GE SIGNA PET/MR and was compared to the TOF reconstructions with PSF resolution modeling available on the system, namely PSF-TOFOSEM with and without standard post filter and PSF-TOFBSREM (TOF Q.Clear) with various beta values (regularization strengths). RESULTS: Results from experimental contrast phantom and human subject data with various PET tracers showed that the proposed method provides more robust and accurate image features compared to other regularization methods. The preservation of contrast for the PSF-HYPR4D-K-TOFOSEM was observed to be better and less dependent on the contrast and size of the target structures as compared to TOF Q.Clear and PSF-TOFOSEM with filter. At the same contrast level, PSF-HYPR4D-K-TOFOSEM achieved better 4D noise suppression than other methods (e.g. >2 times lower noise than TOF Q.Clear at the highest contrast). We also present a novel voxel search method to obtain an image-derived input function (IDIF) and demonstrate that the obtained IDIF is the most quantitative w.r.t. the measured blood samples when the acquired data are reconstructed with PSF-HYPR4D-K-TOFOSEM. CONCLUSIONS: The overall results support superior performance of the PSF-HYPR4D-K-TOFOSEM for TOF PET data and demonstrate that the proposed method is likely suitable for all imaging tasks including the generation of IDIF without requiring any prior information as well as further improving the effective sensitivity of the imaging system.
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 | 0,000 | 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 | 0,000 |
| 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