Conventional versus Monte Carlo SPECT reconstruction of Lu‐177: Toward reduced bias and variance in quantitative imaging
Notice bibliographique
Résumé
Abstract Background Monte Carlo (MC)‐based single photon emission computed tomography (SPECT) reconstruction utilizes advanced system models that stochastically sample all possible photon interactions within the patient and detector, potentially increasing quantitative accuracy and precision. Despite this, there have been few studies that have rigorously compared conventional SPECT reconstruction and MC‐based reconstruction for metrics that are pertinent to radiopharmaceutical dosimetry. Purpose This paper aims to compare conventional reconstruction with hybrid‐MC reconstruction and explores accuracy and precision in total activity estimation within various regions of interest in imaging. Methods The MC engine Simulation of Medical Imaging Nuclear Detectors (SIMIND) was integrated with the reconstruction software PyTomography to enable MC‐based reconstruction. The following are explored: (i) elimination of triple energy window (TEW)‐induced bias obtained by using an MC system model and (ii) improvements to precision and effective reductions in required scan time that are attained when using MC‐based reconstruction. The study explores multiple acquisitions of simulated and real phantom/patient data. Results Conventional reconstruction with TEW induces a positive bias (e.g., 116.3% recovery coefficient, or RC, in a 72 mm sphere from the MC‐simulated data) that is not present with MC‐based reconstruction (e.g., 101.3 RC%). This source of positive bias raises RC in smaller spheres, effectively canceling with negative bias incurred from finite resolution; in real phantom and patient data, RCs are lower with MC‐based reconstruction than conventional, suggesting that MC‐based reconstruction is able to remove the additional source of bias caused by TEW. Furthermore, MC‐based reconstruction is able to reduce variability between subsequent acquisitions of the same phantom (e.g., reducing variability by in 10 mm sphere), thus resulting in reconstructed images comparable to those obtained with longer scan times (e.g., by a factor of in the 32 mm sphere). Conclusions Compared to conventional reconstruction that uses TEW to correct for scatter, MC‐based reconstruction for (i) reduces sources of systematic bias caused by inadequate TEW scatter estimation and (ii) reduced required scan times by reducing total uptake variability in regions of interest across different scans. For this reason, MC‐based reconstruction should be preferred to conventional reconstruction in clinical practice.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».