A Synthesized Image Reconstruction Based Harmonization (Sirch)
Notice bibliographique
Résumé
We describe a Synthesized Image ReConstruction based Harmonization (SIRCH) which achieves harmonization between images acquired from different scanners while minimizing the degradation in PET quantification within small structures. Our SIRCH transform is based on the recently proposed synthesized image reconstruction frame work as well as a unified PSF reconstruction engine with an advanced deep learning (DL) assisted de-noising (i.e. a modified DL HYPR4D kernel method). For proof-of-concept, our immediate aim is to transform the lower sensitivity HRRT PET images reconstructed with standard OSEM to match with the target SIGNA PET/MRI images from a current state-of-the-art TOF reconstruction with PSF modeling (i.e. DL init PSF-HYPR4D-K). The SIRCH method was first tested using experimental contrast phantom data and then using the same human subject18F-FDG and11C-DTBZ data acquired on both HRRT and SIGNA PET/MRI. Without any pre-/post-processing optimization, the sphere contrast recovery coefficients (%CRC) agreed within$\sim 5 \%$between the SIRCH transformed HRRT and the target SIGNA PET/MRI images. Human data showed similar trends; e.g. SUVR within the$\sim 4 ~\text{mm}$inferior colliculus structure from18F-FDG images agreed within 3 %, and11C-DTBZ BPNDwithin the striatal region also agreed within 3 % between the SIRCH transformed HRRT and the target SIGNA PET/MRI images while preserving the quantification within the structures. For comparison, postfiltering based harmonization with a target resolution of 5 mm FWHM produced a 10-20% underestimation bias within the small structures. Further optimization of the proposed SIRCH method is currently under investigation.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».