Real Time Artificial Neural Network FPGA Implementation for Triple Coincidences Recovery in PET
Notice bibliographique
Résumé
In small-animal Positron Emission Tomography (PET), spatial resolution improvements rely on detector minimization in size and often come at the expense of lowering the detector photoelectric fraction. As a result, Inter-Crystal Scatter (ICS) occurrences are increased and affect the overall PET detection efficiency. To reclaim some lost efficiency, previous work used an artificial neural network (ANN) to identify the true line of response (LOR) for the simplest multiple event detection case, three coincident singles known as triplets. Despite promising results, this method is limited to an offline processing which is impractical when a limited data bandwidth is present between the scanner and the PC. This paper demonstrates the capability of processing triplets in real time using an ANN implemented in the field-programmable gate array (FPGA). The ANN pipelined architecture can process over 1 million triplets/second using less than 6000 FPGA slices. Real time processing on the LabPET I scanner yielded an overall 39.7% increase in detection efficiency relative to traditional high resolution settings with a 360-660 keV energy window along with a slight Contrast-to-Noise Ratio ( CNR) degradation. Although improvements are still possible, the proposed FPGA implementation proves the usability of an ANN in real time PET applications in conditions where spare computational resources are limited and the data rate to be processed is high.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».