HYPR4D Kernel Method With an Unsupervised 2.5SD+0.5TD Deep Learning Assisted Kernel Matrix
Notice bibliographique
Résumé
We describe a deep learning (DL) assisted HYPR4D kernelized reconstruction which produces low-noise voxel-level time-activity-curves (TACs) while preserving quantification within small structures as well as consistent spatiotemporal patterns/features within measured data. The proposed method consists of the following advantages over other methods: 1) unsupervised single subject network training scheme independent of positron emission tomography (PET) tracers; 2) training data generated on-the-fly during reconstruction; 3) intrinsic spatiotemporal consistency provided by minimizing the <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$L_{2}$ </tex-math></inline-formula> loss using pseudo 4-D (i.e., 2.5 Spatial Dimension + 0.5 Temporal Dimension or 2.5SD+0.5TD) patches between kernelized OSEM subset estimates; and 4) a final tuning step which minimizes over-smoothing from the network output within the kernel matrix. Contrast phantom, human [18F]FDG and [11C]RAC data acquired on GE SIGNA PET/MR were used for evaluations. The proposed DL HYPR4D kernel method outperformed the standard HYPR4D kernel method as well as TOF-OSEM and TOF-BSREM (Q.Clear) in terms contrast recovery versus noise. The proposed final tuning reduced the underestimation bias due to over-smoothing within a 4-mm target structure from ~15% to ~2% while maintaining low-noise voxel-level TACs. In addition, the proposed unsupervised DL assisted reconstruction also outperformed the supervised DL version in terms of bias reduction along the TACs and kinetic model fittings.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».