基于深度学习的不使用聚合器的成像系统的可行性验证,使用voxelated GAGG(Ce) 单体积探测器:蒙特卡洛模拟

科学领域:

• 核仪器仪表和核方法.
• 医学成像物理学 医学成像物理学
• 计算物理学的计算物理.

背景情况:

• 传统的马射线成像系统通常依赖于聚合器,这限制了灵敏度和视野.
• 开发无聚合器成像系统对于提高检测效率和空间分辨率至关重要.
• 深度学习在复杂的检测场景中提供了高级图像重建的潜力.

研究的目的:

• 为了设计和评估4π视野,使用深度学习的无聚合器成像系统.
• 验证拟议的源分布成像和同位素识别系统的可行性.
• 用蒙特卡洛模拟和各种放射性点源来评估系统的性能.

主要方法:

• 蒙特卡罗N粒子运输代码版本6 (MCNP6) 用于建模一个voxelatedGAGG(Ce) 探测器和多个放射性同位素点源.
• 局部化能量沉积数据 (总能量和能量频谱每声素) 使用F6和F8计数器计算.
• 训练了一个完全卷积网络,从能量沉积模式中重建源分布图像.

主要成果:

• 该系统成功地使用能量光谱数据对多达五个来源的同位素类型和位置进行了区分.
• 实现了高平均图像相似性:总能量沉积模型的0.9936和能量 bin模型的0.9966.
• 深度学习方法证明了可行性,不需要过任何交互类型.

结论:

• 基于深度学习的4π成像系统是可行的.
• 该系统在识别同位素类型和源位置方面表现出高精度.
• 这种方法为先进的辐射成像应用提供了一个有希望的方向.