Data-Driven Motion Correction Strategy for Dynamic Brain PET using Ultra-fast List-mode Reconstruction
Notice bibliographique
Résumé
We describe a data-driven rigid motion correction strategy for dynamic brain PET based on an ultra-fast list-mode reconstruction. Short snap non-attenuation corrected (NAC) PET images were reconstructed using the ultra-fast list-mode reconstruction, and motion estimates were obtained using image-based rigid registration. To minimize the impact due to change in the PET tracer distribution on the registration accuracy, we use our study specific framing protocol to define the reference images for the intra-frame motion estimation. We further optimize the intra-frame motion estimation by updating the reference images with the intra-frame motion corrected NAC PET (i.e. iterative motion estimate). Then we estimate the inter-frame motion using the intra-frame motion corrected NAC PET frames. We validate our proposed strategy using [11C]RAC on GE SIGNA PET/MR. The count limit to obtain reliable motion estimate for [11C]RAC was determined to be 1.5 x 105trues+scattered events. The iterative motion estimation produced more consistent motion trace with higher detection sensitivity than the non-iterative approach due to the less motion blurred reference images. The improvement in time-activity-curve with both inter- and intra-frame motion corrections outperformed that with inter-frame motion correction only as expected. All in all, this work demonstrated promising results using the ultra-fast list-mode reconstruction to estimate and correct subject motion with the proposed strategy for dynamic brain PET without requiring external motion tracking devices.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».