Conception d’un système d’alignement temporel basé sur une sonde temporelle pour le scanner LabPET II
Bibliographic record
Abstract
La tomographie d’émission par positrons est une technique d’imagerie médicale importante dans les domaines clinique et préclinique. Elle permet de diagnostiquer des cancers, des maladies cardiovasculaires ou encore des maladies neurodégénératives. Dans le domaine préclinique, la TEP permet de mener des recherches de pointe pour mieux comprendre les métabolismes au niveau moléculaire afin de développer des thérapies ciblées qui seront utilisées dans la médecine de demain. C’est pourquoi, depuis plus de quinze ans, le Groupe de Recherche en Appareillage Médical de Sherbrooke (GRAMS) et le Centre d’Imagerie Moléculaire de Sherbrooke (CIMS) collaborent pour concevoir des scanners TEP permettant d’obtenir des images avec un contraste et une résolution inégalée. Pour obtenir ces images, les paramètres des scanners doivent être optimisés de manière minutieuse. L’un des paramètres les plus importants en TEP est la mesure temporelle pour minimiser les coïncidences fortuites et ainsi améliorer le rapport signal sur bruit de l’image. La mesure temporelle peut être entachée d’une part, de bruit statistique provenant de différentes sources comme le bruit thermique, le bruit d’amplification, la pente du signal au point de discrimination et d’autre part, les variations systémiques qui peuvent être corrigées par un traitement approprié de l’information. Le travail présenté dans ce mémoire porte sur la conception d’une nouvelle méthode embarquée et automatisée faisant appel à une sonde d’alignement temporel pour effectuer cet alignement et corriger la dispersion temporelle systémique dans le scanner. Cette méthode a été testée sur le scanner LabPET II, la dernière génération de scanner développé au GRAMS et a permis une amélioration de la mesure temporelle de 47%.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".