موازی سازی بازسازی تصویرPETبه روش بیشین ه کردن تابع درستنمایی بر مبنای آلگوریتم SAGE

سال انتشار: 1381
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,028

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICMVIP02_037

تاریخ نمایه سازی: 20 مهر 1390

چکیده مقاله:

پرتونگاری مقطعی به روش نشر پوزیترونPET) یک روش مطرح تصویربرداری پزشکی است. روشهای آماری بازسازی برای تصاویرPET عملکرد بسیار مناسبی دارند. این روشها نیاز به حجم محاسباتی بالا دارند. بکارگیری پردازشگرهای موازی می تواند این مشکل را حل کند روشML-EM قابلیت اجرای موازی را دارد ولی نرخ همگرایی آن کند است . آلگوریتم ML-SAGE-3 از سرع ت همگرایی بالایی برخوردار است ولی قابلیت موازی شدن را ندارد. این تحقیق سعی دارد تا یک روش بینابینی تحت عنوانParallel ML-SAGE را مورد بررسی قرار داده و نرخ همگرایی آنرا با دو روش فوق مقایسه کند

کلیدواژه ها:

بازسازی تصویر ، بیشینه کردن تابع درستنمایی. ، PET ، ML-EM ، ML-SAGE

نویسندگان

مهدی رضائیان

تهران خیابان کارگر شمالی بعد از بزرگراه جلال آل احمد ساختمان پردیس ۲

حمید سلطانیان زاده

گروه مهندسی برق و کامپیوتر دانشکده فنی دانشگاه تهران و موسسه پزشکی فو

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • C.H. Hsu, _ study of lesion contrast recovery for iterative ...
  • Shepp L, Y. Vardi, "Maximum Likelihood Reconstruction for Emission Tomography", ...
  • Fessler J.A., A.O. Hero, "Space Alternating Generalized Expectation Maximization Algorithm", ...
  • G. Kontaxakis, et al, "Iterative Image Reconstruction for Clinical PET ...
  • نمایش کامل مراجع