通过深度学习改进基于phoswich探测器的β+/γ射线区分算法

科学领域:

• 医疗成像医学成像
• 核医学就是核医学.
• 医疗保健中的机器学习

背景情况:

• pozitron 探针有助于使用放射性药物定位恶性瘤.
• 传统方法难以区分马射线和正子,从而增加检测错误.
• 现有的技术,如多层闪电器检测,在准确性上有局限性.

研究的目的:

• 通过分析多层闪探测器中的能量分布来提高正子探测的准确性.
• 开发一种改进的算法来区分真正子和假正子.
• 为了减少瘤成像中将马射线误认为正子的错误识别.

主要方法:

• 使用Autoencoder,一个无监督的深度学习模型,用于信号处理.
• 训练有素的自动编码器将每个闪光灯层的信号分开.
• 应用能量窗口对能量分布数据进行正子歧视.

主要成果:

• 自动编码器生成的能量分布图与模拟结果非常相匹配.
• 与同等误差率的传统方法相比,正子探测灵敏度增加了29.79%.
• 提出的方法在相同的灵敏度水平下实现了25.0%较低的错误率.

结论:

• 开发了一种基于Autoencoder的算法,用于卓越的真正子子歧视.
• 证明了正子探测灵敏度的提高,并保持了低误差率.
• 使用先进的探针和摄像头,提高癌症局部化的准确性和速度的潜力.