Time discrimination techniques using artificial neural networks for positron emission tomography
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
Relevant information in positron emission tomography (PET) is currently being obtained mostly by analog signal processing methods. New digital PET scanner architectures are now becoming available, which offer greater flexibility and easier reconfiguration capability as compared to previous PET designs. Moreover, new strategies can be devised to extract more information with better accuracy from the digitized detector signals. Trained artificial neural networks (ANN) have been investigated to improve coincidence timing resolution with different types of APD-based detectors. The signal at the output of a charge sensitive preamplifier was digitized with an off-the-shelf, free-running 100-MHz, 8-bit ADC and time discrimination was performed with ANNs implemented in field programmable gate arrays (FPGA). Results show that ANNs can be particularly efficient with slow and low light output scintillators like BGO (/spl tau/=300 ns), but less so with faster luminous crystals such as LSO (/spl tau/=40 ns). In reference to a fast PMT-plastic detector, a time resolution of 6.5 ns was achieved with a BGO-APD detector, as compare to 12.7 ns with conventional analog methods using a constant fraction discriminator. With LSO, the ANN was found to be competitive with other digital techniques developed in previous works. In conclusion, ANNs implemented in FPGAs provide a fast and flexible circuit that can be easily reconfigured to accommodate various detectors under different signal/noise conditions.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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