Data-driven dynamic PET denoising using non-local averaging and HYPR-based feature extraction
Notice bibliographique
Résumé
High resolution dynamic PET data typically have low acquired counts per voxel, per dynamic frame, leading to high image noise that reduces quantitative precision. Post-processing denoising algorithms attempt to increase precision while maintaining the accuracy of the reconstructed data—i.e., lowering noise without increasing bias—usually through spatial averaging. Spatiallyinvariant filtering is simple and computationally fast, but introduces spatial correlations across functional boundaries in the PET data, thus introducing bias. By contrast, spatially-variant filters use an adaptive filtering kernel to preserve such boundaries while still introducing correlations within homogeneous tissue regions. Examples include the non-local means filter (NLM) and HighlY constrained backPRojection (HYPR). Both reduce bias compared to spatial filtering at equivalent noise levels, but still do not maintain the accuracy of the reconstructed data—especially in small and/or high contrast features. In this work we combine beneficial aspects of NLM and HYPR while removing their limitations. We design a low-dimensional representation of the original data (feature space) where k-means clustering in feature space corresponds to nonlocal averaging in image space, thus identifying basis functions which are used to construct a 4D HYPR operator. The basis functions are relatively smooth and the features extracted using HYPR match those of the input reconstructed data, resulting in feature-space-guided 4D HYPR denoising (HYPR4D-FS) that preserves the accuracy of the input data while improving precision by ~70%.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».