Applying Exponential Data Consistency Conditions in SPECT with Multiple Activity Regions
Notice bibliographique
Résumé
For conventional models of exponential SPECT (single photon emission computed tomography) projections, all the activity is required to be inside a convex region of homogeneous attenuation. In this work, we show that for certain applications, this restriction can be relaxed, while remaining mathematically correct. We point out that a subset of attenuated projections can be converted to exponential projections if different regions of activity can each be contained within different convex regions of homogeneous attenuation. Then, if the attenuated projection data have projection views where the different activity regions are separable, meaning there is no non-zero overlap in the two regions, the process of conversion to exponential projections can be applied separately to each. Thus, the combination by summation of each individual region converted into exponential projections gives the same result as converting those separable projections in the combined data set to exponential projections. Using an NCAT computer phantom, an activity distribution was set up simulating a heart with constant attenuation and a liver with constant attenuation, with no background activity, but with variable attenuation between the two regions due to the lungs. A set of attenuated parallel-hole projections were simulated including projection views where the heart activity sinogram and liver activity sinogram could be separated. Converting only the separable projection views to exponential projections, data consistency conditions on those exponential projections were applied to assess a data consistency-based attenuation map alignment method.
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 | 0,011 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».