Quantifying Uncertainty in SPECT Imaging Using a Gamma Statistical Model with Spatial Covariance
Notice bibliographique
Résumé
PurposeUncertainty assessment improves radiopharmaceutical dosing accuracy, aiding clinicians in predicting therapeutic outcomes and minimizing side effects. It ensures that scanner performance aligns with design specifications through routine quality checks on sensitivity, bias, and 3-D capabilities. Building on research that normalized PET data with the Gamma model, we aim to extend this method to SPECT, analyzing statistical distributions and spatial covariance in reconstructed images to refine noise recalibration and enhance uncertainty estimates.MethodsThe method involves two main steps: data analysis within the ROI and simulated data generation. Initially, voxel-level shape and scale parameters in the ROI are estimated through multiple scans or by re-binning List-mode data from a single scan to adjust for changes due to radioactive decay and biological clearance. We used 5 images to normalize data and construct a spatial autoregressive matrix, which scales simulated Gaussian white noise accordingly. The white-noise variance equals the mean voxel value, consistent with Poisson distribution. These images help calculate the ROI’s relative error, defined as the standard deviation divided by the mean value. Validation involves using the XCAT phantom and SIMIND software to simulate a patient scenario with a liver tumor post 6.85 GBq 177Lu-DOTATATE injection. OSEM reconstructions are performed with 10 to 30 iterations across 6 subsets.Results and DiscussionThe covariance from 600 noise realization images guided the selection of a 5-order neighbor model for the spatial autoregressive matrix, optimizing accuracy and simplicity. Results showed symmetric covariance, allowing us to limit optimization to 5 coefficients and speed up computations. This model application significantly reduced autocorrelation and showed that relative error in total counts across the ROI or tumor area increases with the number of OSEM reconstruction iterations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».