Uncertainty Propagation From Projections to Region Counts in Tomographic Imaging: Application to Radiopharmaceutical Dosimetry
Notice bibliographique
Résumé
Radiopharmaceutical therapies (RPTs) pre- sent a major opportunity to improve cancer therapy. Although many current RPTs use the same injected activity for all patients, there is interest in using absorbed dose measurements to enable personalized prescriptions. However, image-based absorbed dose calculations incur uncertainties from calibration factors, partial volume effects and segmentation methods. While previously published dose estimation protocols incorporate these uncertainties, they do not account for uncertainty that originates from Poisson noise in the projection data that gets propagated through reconstruction algorithms. This effect should be accounted for to adequately estimate the total uncertainty in absorbed dose estimates. This paper proposes a computationally practical algorithm that propagates uncertainty from projection data through clinical reconstruction algorithms to obtain uncertainties on the total activity within volumes of interest (VOIs). The algorithm is first validated on ${}^{{177}}$ Lu and ${}^{{225}}$ Ac phantom data by comparing estimated uncertainties from individual SPECT acquisitions to empirical estimates obtained from multiple acquisitions. It is then applied to (i) Monte Carlo and (ii) multi-time point ${}^{{177}}$ Lu-DOTATATE and ${}^{{225}}$ Ac-PSMA-617 patient data for time integrated activity (TIA) uncertainty estimation. The outcomes of this work are two-fold: (i) the proposed uncertainty estimation algorithm is validated, and (ii) the propagation of VOI uncertainties to TIA uncertainty is validated with Monte Carlo data and applied to patient data. The proposed algorithm is made publicly available in the open-source image reconstruction library PyTomography and in the SPECT reconstruction extension of 3D Slicer.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».