Design of a Real-Time FPGA-Based Data Acquisition Architecture for the LabPET II: An APD-Based Scanner Dedicated to Small Animal PET Imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The LabPET II detector block was designed to achieve submillimeter spatial resolution in small animal PET imaging. Each detection block consists of two arrays of 4 × 8 avalanche photodiodes (APD) individually coupled to an 8 × 8 scintillator array, to form 64 independent detectors with parallel readout channels. This new detection block entails an eightfold increase in pixel density compared to the LabPET I. A 64-channel mixed-signal application-specific integrated circuit (ASIC) was designed to extract relevant PET data in real time from the LabPET II detection blocks. In order to interface the ASICs forming the PET camera with the storage units, a real-time FPGA-based digital data acquisition (DAQ) system was designed. The DAQ system allows event harvesting, processing and transmission to a host computer for data storage as well as system programming and calibration. Real-time event processing embedded in the DAQ includes time trigger, energy computation using a time-over-threshold (TOT) conversion scheme, timing corrections, and event sorting trees. In the standard DAQ mode, a real-time coincidence engine analyzes events and only keeps relevant information to minimize data throughput and post-acquisition data processing. The architecture consists of three FPGA-based electronic layers wired through gigabit links: a Front-End layer extracts time and energy along with the pixel address, a custom Hub layer chronologically sorts incoming events, and a Coincidence engine matches coincident events and computes an estimate of the random events rate. Every FPGA in the different layers is accessible through an Ethernet link. The real-time digital architecture sustains the required throughput of ~ 111 million events/s for a ~ 37000-channel scanner configuration.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,001 |
| 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) | 0,000 | 0,000 |
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 découle