Development of a low-dose strategy for propagation-based imaging helical computed tomography (PBI-HCT): high image quality and reduced radiation dose
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background . Propagation-based imaging computed tomography (PBI-CT) has been recently emerging for visualizing low-density materials due to its excellent image contrast and high resolution. Based on this, PBI-CT with a helical acquisition mode (PBI-HCT) offers superior imaging quality (e.g., fewer ring artifacts) and dose uniformity, making it ideal for biomedical imaging applications. However, the excessive radiation dose associated with high-resolution PBI-HCT may potentially harm objects or hosts being imaged, especially in live animal imaging, raising a great need to reduce radiation dose. Methods . In this study, we strategically integrated Sparse2Noise (a deep learning approach) with PBI-HCT imaging to reduce radiation dose without compromising image quality. Sparse2Noise uses paired low-dose noisy images with different photon fluxes and projection numbers for high-quality reconstruction via a convolutional neural network (CNN). Then, we examined the imaging quality and radiation dose of PBI-HCT imaging using Sparse2Noise, as compared to when Sparse2Noise was used in low-dose PBI-CT imaging (circular scanning mode). Furthermore, we conducted a comparison study on the use of Sparse2Noise versus two other state-of-the-art low-dose imaging algorithms (i.e., Noise2Noise and Noise2Inverse) for imaging low-density materials using PBI-HCT at equivalent dose levels. Results . Sparse2Noise allowed for a 90% dose reduction in PBI-HCT imaging while maintaining high image quality. As compared to PBI-CT imaging, the use of Sparse2Noise in PBI-HCT imaging shows more effective by reducing additional radiation dose (30%–36%). Furthermore, helical scanning mode also enhances the performance of existing low-dose algorithms (Noise2Noise and Noise2Inverse); nevertheless, Sparse2Noise shows significantly higher signal-to-noise ratio (SNR) value compared to Noise2Noise and Noise2Inverse at the same radiation dose level. Conclusions and significance . Our proposed low-dose imaging strategy Sparse2Noise can be effectively applied to PBI-HCT imaging technique and requires lower dose for acceptable quality imaging. This would represent a significant advance imaging for low-density materials imaging and for future live animals imaging applications.
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.
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 | 0,000 | 0,000 |
| 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 découle