Computationally efficient collimator-detector response compensation in high energy SPECT using 1D convolutions and rotations
Notice bibliographique
Résumé
Abstract Objective. Modeling of the collimator-detector response (CDR) in single photon emission computed tomography (SPECT) reconstruction enables improved resolution and accuracy, and is thus important for quantitative imaging applications such as dosimetry. The implementation of CDR modeling, however, can become a computational bottleneck when there are substantial components of septal penetration and scatter in the acquired data, since a direct convolution-based approach requires large 2D kernels. This work proposes a 1D convolution and rotation-based CDR model that reduces reconstruction times but maintains consistency with models that employ 2D convolutions. To enable open-source development and use of these models in image reconstruction, we release a SPECTPSFToolbox repository for the PyTomography project on GitHub. Approach. A 1D/rotation-based CDR model was formulated and subsequently fit to Monte Carlo (MC) point source data representative of 177Lu, 131I, and 225Ac imaging. Computation times of (i) the proposed 1D/rotation-based model and (ii) a traditional model that uses 2D convolutions were compared for typical SPECT matrix sizes. Both CDR models were then used in the reconstruction of MC, physical phantom, and patient data; the models were compared by quantifying total counts in hot regions of interest (ROIs) and activity contrast between hot ROIs and background regions. Results. For typical matrix sizes in SPECT reconstruction, application of the 1D/rotation-based model provides a two-fold computational speed-up over the 2D model when running on GPU. Only small differences between the 1D/rotation-based and 2D models (order of 1%) were obtained for count and contrast quantification in select ROIs. Significance. A technique for CDR modeling in SPECT was proposed that (i) significantly speeds up reconstruction times, and (ii) yields nearly identical reconstructions to traditional 2D convolution based CDR techniques. The released toolbox will permit open-source development of similar models for different isotopes and collimators.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».