机器学习定位算法用于长半单体闪光灯PET探测器

科学领域:

• 核仪器仪表 核仪器仪表 核仪器仪表
• 医学物理 医学物理
• 机器学习应用 机器学习应用

背景情况:

• 半单体闪光灯探测器对于高分辨率成像至关重要.
• 现有的分析定位方法在空间分辨率方面存在局限性,特别是在探测器端.
• 提高空间分辨率是提高各种科学领域探测器性能的关键.

研究的目的:

• 开发和评估机器学习定位算法,用于半单体闪光灯探测器.
• 为了提高单体 (y) 和相互作用深度 (z) 方向的空间分辨率.
• 将机器学习方法与传统分析技术的性能进行比较.

主要方法:

• 制造了两种半单体闪探测器,使用和氧酸盐 (LYSO) 板.
• 使用4x16光倍增器阵列进行读出.
• 使用极端梯度增强 (XGBoost) 机器学习模型,通过遗传算法 (GA) 或粒子群优化 (PSO) 进行优化,以预测相互作用位置.

主要成果:

• 与分析方法相比,机器学习定位方法显著提高了y和z空间分辨率.
• 实现了0.92 ± 0.41mm和0.94 ± 0.44mm的平均y空间分辨率,超过分析方法的1.38-1.39mm.
• 获得的平均z空间分辨率为1.67 ± 0.41mm和1.68 ± 0.45mm,高于分析方法的2.09-2.14mm.

结论:

• 机器学习算法,特别是XGBoost,为半单体闪光灯探测器提供了卓越的空间分辨率.
• 这些算法实现了亚毫米y空间分辨率 (<1毫米) 和亚-2毫米z空间分辨率 (<2毫米).
• 开发的方法代表了高精度闪光灯探测器应用的重大进步.