A novel direct‐indirect dual‐layer flat‐panel detector for contrast‐enhanced breast imaging: Experimental assessment
Notice bibliographique
Résumé
BACKGROUND: In contrast-enhanced digital mammography (CEDM) and contrast-enhanced digital breast tomosynthesis (CEDBT), low-energy (LE) and high-energy (HE) images are acquired after injection of iodine contrast agent. Weighted subtraction is then applied to generate dual-energy (DE) images, where normal breast tissues are suppressed, leaving iodinated objects enhanced. Currently, clinical systems employ a dual-shot (DS) method, where LE and HE images are acquired with two separate exposures. However, patient motion between these exposures can cause residual breast tissue structure to appear in the recombined DE images, reducing the visibility of iodinated lesions. To address this issue, we propose a direct-indirect dual-layer flat-panel detector (DI-DLFPD), which eliminates patient motion artifact by acquiring LE and HE images simultaneously. PURPOSE: This study aims to: (1) experimentally validate CEDM and CEDBT imaging using a first-generation prototype DI-DLFPD, (2) compare lesion conspicuity with images obtained using the DS method, (3) optimize the k-edge filter for the DI-DLFPD based on breast thickness. METHODS: CEDM and CEDBT images were acquired using both the prototype DI-DLFPD and a conventional DS single-layer detector at comparable dose levels to evaluate image quality and iodine target conspicuity. The figure of merit (FOM) was defined as the square of signal difference to noise ratio (SDNR) divided by the mean glandular dose. The selection of k-edge filter for DI-DLFPD was assessed based on varying breast thickness. RESULTS: By eliminating patient motion artifacts, DI-DLFPD images exhibit a significant improvement (∼233%) in iodine object FOM compared to DS images affected by patient motion. Iodine quantification accuracy was also improved. The results suggest using a sliver filter for average breast thickness (4 cm) and a Tin filter for thicker breasts (8 cm) to achieve optimal iodine SDNR for DI-DLFPD. CONCLUSIONS: This study presents experimental results from the first-generation prototype DI-DLFPD for CEDM and CEDBT. A practical strategy was recommended, where the x-ray filter for DI-DLFPD was optimized based on the compressed breast thickness.
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) | 0,001 | 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 ».