Сочинение на тему Дополнение к непредвиденным обстоятельствам перед совместной оценкой

‘[3]’, сохраняя постоянство затухания и заканчивая обновлением затухания, используя «подъем по градиенту максимального правдоподобия для томографии передачи (MLTR)»

‘[4]’ относительно предыдущих знаний, сохраняя постоянную обновленную активность. И MLEM, и MLTR могут быть ускорены с помощью упорядоченных подмножеств. Комптоновское рассеяние, случайные совпадения игнорируются в этом исследовании. Предварительный атлас ткани и начальная карта затухания. Поскольку оптимизация функции стоимости имеет неуникальные решения, учитывая некоторые предварительные знания о коэффициентах затухания в алгоритме, эта ситуация значительно улучшилась. Что касается более реалистичных обстоятельств, мы ожидаем, что оценки в µ-карте касаются только нескольких типичных коэффициентов непрерывного затухания. Гиббс до RG, который определяется распределением Гиббса, как рассматривается в MLAA, убеждая локальную непрерывность между интенсивностями соседних вокселей с аналогичными свойствами затухания в µ-карте. Предварительный атлас RT ткани, налагающий гистограмму оценок ослабления, чтобы быть смесью нескольких псевдогауссовых распределений, соответствующих каждому из предварительно определенных коэффициентов ослабления, как рассмотрено в MLAA. Кроме того, TPA определяют правдоподобную область для каждого из этих коэффициентов, которые в MR-MLAA учитывались только в мягких тканях. Как показано в ТРА, вывод на рис. 1 ‘, MR-изображения сегментированы на наружный воздух, маску мягких тканей и неизвестный класс, соответствующий MR-слабому сигналу, который представляет собой либо воздушные полости, кортикальные кости, либо потенциальные артефакты. В отличие от работы Heuer ‘[2]’ в этом исследовании, внутри неизвестного класса BPM, способствующий распознаванию кости, и воздушной маски пространственно ограничивают области, восприимчивые к воздушным полостям, соответственно неизвестный класс разделен на 4 подкласса. в соответствии с Air, Bone… Ткань предшествующего атласа определяется комбинацией мономодальных априорных тканей воздуха LA, кости LB, мягких тканей LST, в которых используются единичные псевдогауссианы и бимодальные тканевые априоры LAB и LSTB, связанные с воздухом / костью и мягкие ткани / кости, которые используют двойные псевдогауссианы для оценки коэффициентов ослабления. Маска мягкой ткани, воздушная маска и BPM обозначены буквами w (r), w (a) и w (b) соответственно. Маска мягких тканей просто получается с помощью глобального порога МР изображений и сглаживается для мягкой транзакции между двумя классами. Воздушная маска и BPM получены из совместно зарегистрированных компьютерных томограмм 15 пациентов. Сопоставление между мультимодальными наборами данных осуществляется путем аффинной регистрации. Первоначальная карта ослабления была получена путем заполнения контура тела значением ослабления мягких тканей (0,01 мм-1). Результаты: Результаты реконструкции для пациента 1 в сценарии с низким уровнем шума представлены на рис. 2а». Расчетная карта затухания с MR-MLAA, за исключением ошибочной классификации воздуха как кости (красные стрелки) или кости как воздуха (синие стрелки), явно страдает от неправильной классификации мягких тканей (зеленые стрелки), поскольку в MR-MLAA MR-сигнал с низким уровнем сигнала только регионы могут быть воздушными или костными. Благодаря практическому решению этот дефект не является неизбежным из-за несовершенного качества МР изображений или процесса их сегментации. В свою очередь, MLAA-TPA в отношении областей слабых сигналов MR почти идеально восстанавливает карту ослабления. Тем не менее, некоторая неправильная классификация в носу (зеленая стрелка) очевидна из-за низкого сигнала MR. Смещение в распределении активности по сравнению с изображением PET-CTAC для двух поражений уменьшилось с 5,2% и 5,2% для MR-MLAA до 4,9% и 1,1% для MLAA-TPA, соответственно. ‘Инжир. На фиг.2b показаны результаты реконструкции для пациента 2 в сценарии с низким уровнем шума. в случае MR-MLAA неправильная классификация кости как воздуха (синие стрелки) и неправильная классификация мягких тканей (зеленые стрелки), связанная с сегментацией плохого качества MR, в восстановленной карте ослабления приводит к смещению в распределении активности 5,5% и 5,4% для двух поражений. для MLAA-TPA правильное восстановление информации о воздухе и костях, а также о мягких тканях приводит к снижению смещения активности для двух поражений до 2,5% и 1,9% соответственно. Несмотря на систематическое усовершенствование предложенного алгоритма, основная проблема все еще остается в сложной области, которая является склонной как к воздуху, так и костей. Для количественного сравнения в «Таблице 1» и «Таблице 2» обобщены результаты обоих алгоритмов для моделирования высокого и низкого уровня шума в областях ROI, определенных MR-областью низкого сигнала и целыми областями головы. Как можно видеть, результаты иллюстрируют потенциальное превосходство предложенного алгоритма как в оцененном ослаблении, так и в активности. Таблица 1: Количественные результаты для восстановленного распределения ослабления и активности пациентов 1 моделируемой области головы. Таблица 2: Количественные результаты для реконструированного распределения аттенуации и активности пациентов 2 моделируемой области головы. Заключение: в этой статье был представлен алгоритм MLAA без TOF с включением специфичного для пациента предварительного атласа ткани (TPA) в качестве предварительного знания. TPA определяется статистическим условием как новый вид предварительных знаний, как дополнение к частичной индивидуальной информации MR. Эффективность предложенного алгоритма MLAA-TPA по сравнению с текущим современным алгоритмом MLAA с использованием моделирования не-TOF PET / MR. Результаты иллюстрируют систематическое улучшение количественного определения ПЭТФ для предложенного алгоритма путем устранения ошибочной классификации воздуха и кости в менее случайных / возможных областях, и предоставляется более практичное решение из-за уменьшения принадлежности к ошибке сегментации, представленной МР-изображениями.