Towards a standard for PET raw data
Notice bibliographique
Résumé
As the capabilities of computer hardware and software progresses, the importance of standardized data is becoming more relevant. While DICOM is widely used as a standard for PET images, no agreed format exists for PET raw data. In addition, all current vendor formats differ, to accommodate different architectures and processing strategies.An international working group comprised of PET imaging experts from academia and industry was formed in 2022 to propose a new standard format. Efforts include establishing the key informational elements to include in the standard, data container formats, and integration initiatives. An important feature of the proposal is the use of a meta-language (called Yardl) for defining data structure and protocols for accessing, transferring, and storing data, allowing logical separation of data elements and container formats. All portions of the format, tools for accessing the data in the standardized format, and example data will be made open source and publicly available.In this work, we will provide a status report of the progress of the working group. The effort is ongoing, and we welcome interest, feedback, and support from the greater community. We hope that this standard will facilitate a new paradigm for PET innovation, including new opportunities for inter-scanner and inter-vendor harmonization and AI applications, and aide in the advancement of novel PET applications and analysis tools.
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 | 0,105 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,017 | 0,020 |
| Science ouverte | 0,011 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,010 |
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 ».