像素化PET探测器的交互深度编码技术是通过机器学习方法和快速波形数字化技术实现的
Bing Dai1, Srilalan Krishnamoorthy1, Emmanuel Morales2
1Department of Radiology, The University of Pennsylvania, Philadelphia, PA 19104, United States of America.
Physics in medicine and biology
|April 4, 2025
概括
本研究介绍了一种机器学习方法,可以从现有的正电子发射断层扫描探测器中提取相互作用深度 (DOI) 信息,而无需进行硬件更改. 这种技术提高了DOI分类的准确性,提高了扫描仪的性能.
科学领域:
- 医疗成像医学成像
- 探测器物理学的物理
背景情况:
- 商用正子发射断层扫描 (PET) 扫描仪使用带有单端读数的像素检测器,提供良好的能量和定时分辨率,但缺乏相互作用深度 (DOI) 信息.
- DOI信息对于提高PET系统性能至关重要,特别是在更高分辨率和更小环径的配置中.
- 目前获得DOI的方法通常需要检测器修改,这可能是昂贵的,并可能降低计时性能.
研究的目的:
- 开发和评估一种用于在像素化PET探测器中多层次DOI分类的新技术.
- 为了实现DOI信息提取而不改变现有的探测器设计.
- 评估机器学习算法和波形特征对DOI分类准确性的影响.
主要方法:
- 利用高速波形采样电子 (多米诺环采样器,DRS4) 和机器学习 (ML) 来分析闪波形.
- 通过检查DOI定位配置文件和错误,评估了不同的多级DOI分类方案.
- 研究了各种ML算法,输入特征和晶体配置对DOI分类准确性和探测器定时性能的影响.
主要成果:
- 对于20毫米长的晶体,二级或三级DOI分层被证明是有效的,二级模型实现了95%的类型精度和83%的整体精度.
- 三级DOI分类在长窄晶体 (2 × 2 × 20 mm3) 中达到高达90%的类精度.
- 长期短期记忆网络和经典的ML算法表现出可比的准确性,经典的ML模型需要更少的训练时间.
结论:
- 这项工作提供了一个可行的概念验证,可以在没有设计修改的情况下从商业像素化探测器中获取DOI信息.
- 开发的基于ML的方法为多级DOI分类提供了一个替代方案,可能避免与硬件更改相关的性能下降.
- 这种技术可以激发未来的PET扫描仪设计,利用DOI信息提高性能.
