基于深度学习的定位和分类的马光子相互作用在厚的纳米复合材料和陶单立体闪电器

科学领域:

• 核物理与仪器仪表技术
• 医学成像技术 医学成像技术
• 材料科学是一种材料科学.

背景情况:

• 对马光子的第一个相互作用点 (FPoI) 的精确定位对于辐射成像至关重要,特别是在正子发射断层扫描 (PET) 中.
• 与单晶材料相比,高雷利散射在厚厚的纳米复合材料和陶闪器中复杂化了精确的FPOI定位.

研究的目的:

• 评估深度神经网络 (DNN) 方法来对光子相互作用模式进行分类.
• 评估基于DNN的回归网络,以在单体闪光灯中准确地定位FPOI.
• 为了比较基于CNN和InceptionNet的模型在各种闪器材料上的性能.

主要方法:

• 基于InceptionNet的分类器被用来对光子相互作用事件进行分类 (单,二和三加沉积).
• 基于CNN和InceptionNet的回归网络被用于根据闪光光子分布估计FPoI.
• 这些模型在单质纳米复合材料和陶闪器材料上进行了评估.

主要成果:

• InceptionNet分类器实现了高精度:单次沉积≥90.1%,双沉积≥77.6%,三次以上沉积事件≥66.7%.
• 总定位误差的中位数在0.58毫米至2.91毫米 (CNN) 和0.59毫米至2.10毫米 (InceptionNet) 之间,探测器量子效率为50%.
• 基于InceptionNet的回归显著改善了纳米复合材料的局部化,接近陶闪器的精度.

结论:

• DNN提供了一个强大的解决方案来分类光子相互作用,并改善单体闪器中的FPOI定位.
• InceptionNet 架构表现出卓越的性能,特别是在具有挑战性的纳米复合材料中提高本地化准确性.
• 这些发现对推进基于辐射的成像应用程序 (如PET) 的精度有重大影响.