机器学习辅助的事件分类在和化正子辐射断层扫描探测器中利用纠信息的角相关性

科学领域:

• 医疗成像医学成像
• 量子物理学 量子物理学 是一种量子物理学.
• 机器学习 机器学习

背景情况:

• 马正电子成像面临来自康普顿下方散射的挑战,模仿真正的毁灭事件.
• 传统的正子发射断层扫描 (PET) 系统不利用灭绝光子的量子纠来进行事件歧视.
• 来自量子纠的极化相关性提供了一种基于物理的方法来改善事件识别.

研究的目的:

• 开发和评估一个机器学习框架,以区分真实灭绝事件从射辐射在玛-正子子成像中的分散辐射.
• 为了利用量子纠特征,特别是极化相关性,以提高正电子发射断层扫描 (PET) 系统的性能.
• 为了提高响应线 (LOR) 重建的准确性,并减少随机巧合.

主要方法:

• 开发了一个机器学习框架,用于分析双面板 telluride (CZT) 系统中的事件.
• 事件根据相互作用模式 (1P,1C) 进行分类,并通过包括空间,能量和角度数据的特征矩阵表示.
• 量子纠敏感的特征,如相对的亚齐图斯散射角度 ([公式:见文本]),被纳入机器学习模型.

主要成果:

• 特征剥离分析表明,能量和相对的亚齐木索散射角度 (公式:参见文本) 提供了最高的分辨力 (ROC-AUC 0.87-0.95).
• 仅仅是能源也表现出强的表现 (ROC-AUC 0.85-0.95),而包括空间坐标的结果略低但一致 (ROC-AUC 0.81-0.91).
• 机器学习方法有效地抑制了快速马污染,同时保持了真正的LORs.

结论:

• 将纠敏感的角度特征纳入机器学习管道中,可以显著改善玛-正电子成像中的事件歧视.
• 这种以物理学为基础的方法提供了一种新的方法,可以提高 pozitron发射断层扫描 (PET) 图像的质量.
• 开发的框架展示了利用量子属性的潜力,以实现更准确的医学成像.