Système de numérisation du temps sur composant logique programmable pour la tomodensitométrie par temps de vol
Bibliographic record
Abstract
La tomodensitométrie est une technique d'imagerie médicale permettant de diagnostiquer un vaste spectre de maladies. Avec près de 162 examens pour 1000 habitants au Canada en 2022 selon l'Agence Canadienne des médicaments et des technologies de santé (ACMTS), elle représente une technique couramment utilisée. Toutefois, l'exposition du patient aux rayons X émis par le scanner augmente son risque de développer des cancers. La tomodensitométrie par temps de vol vise à réduire la dose nécessaire pour l'examen en distinguant les photons balistiques, utiles pour la reconstruction, des photons diffusés, qui créent des artefacts sur l'image. Cette technique nécessite la mesure du temps de vol des photons avec une précision inférieure à 100 ps FWHM en plus de mesurer leurs énergie. Le système présenté ici numérise les informations temporelles (Convertisseur Temps Numérique) et spectrales puis sauvegarde ces dernières sous la forme d'histogrammes 3D. Ce premier prototype sur composant logique programmable (FPGA) permet de mesurer le temps avec une précision intrinsèque de 16 ps FWHM sur sa plage dynamique de 30 ns et de 10 ps FWHM sur une plage réduite. En parallèle, un banc de test a été conçu pour caractériser des systèmes d'acquisitions haut-débit pour de multiples expériences scientifiques. Ce banc de test utilise des techniques d'émulation des détecteurs et de canaux pour tester des algorithmes embarqués sans accès aux infrastructures des expériences scientifiques visées, accélérant ainsi leurs développements et la caractérisation des prototypes.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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 source (direct Gemma or distilled Codex), 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".