使用深度学习架构开发用于SiPM的充电重置多重复合
Semin Kim1, Chanho Kim2, Minhwan Park1,3
1Department of Bioengineering, Korea University, Seoul, Republic of Korea.
Physics in medicine and biology
|October 31, 2025
概括
充电重置复杂化将16个光倍增器 (SiPM) 频道减少到一个,保留信号数据. 这种方法使得核医学的高密度探测器系统具有成本效益.
科学领域:
- 核物理与仪器仪表技术
- 深度学习在信号处理中的应用.
- 检测器读出电子系统
背景情况:
- 光倍增器 (SiPM) 在高密度探测器系统中至关重要.
- 在SiPM阵列中增加通道数量会增加系统成本和复杂性.
- 需要有效的读取方法来管理大量的探测器通道.
研究的目的:
- 为SiPMs引入充电重置复杂化技术.
- 将16个读取通道减少到一个输出线.
- 为了保持每个频道的波形信息,用于先进的信号处理.
主要方法:
- 每个SiPM通道使用充电重置预放大器,通过脉冲宽度编码身份.
- 来自所有通道的脉冲被总结成一个单一的输出信号.
- 一个深度学习自动编码器从总和的痕迹中重建单个信号.
主要成果:
- 重建信号的能量分辨率与非多重复合系统相提并论 (10.84%为137Cs,16.12%为22Na).
- 每个通道的信号恢复使得识别和删除晶体间散射 (ICS) 成为可能.
- 产生了清晰的洪水地图,证明了有效的ICS拒绝.
结论:
- 充电重置复杂化可以显著减少频道数量,而不会影响性能.
- 该方法保留了每道的信息,这些信息对于高级处理 (如ICS拒绝) 至关重要.
- 这种技术适用于核医学高密度探测器的综合实施和广泛应用.
