A feasibility study on 3D interaction position estimation using deep neural network in Cherenkov-based detector: a Monte Carlo simulation study
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
Abstract Cherenkov-based radiation detectors have been developed for time-of-flight positron emission tomography. As Cherenkov photons are emitted in an extremely short time, their use can improve time resolution. However, only up to 10 Cherenkov photons are yielded when a 511 keV gamma ray interacts with Cherenkov radiators, such as lead tungstate and lead fluoride (PbF 2 ). Therefore, accurate estimation of the interaction position was difficult, and intense effort has been devoted to its improvement. We propose an estimation method for the 3D interaction position using a deep neural network. The network was evaluated by Monte Carlo simulations. For the simulations, a Cherenkov-based detector with a monolithic PbF 2 radiator of 40 × 40 × 10 mm 3 and a photodetector array were used. The gamma-ray interaction position in the radiator was estimated in 3D space by the neural network, whose inputs were the detection positions on the photodetector plane ( xy plane) and timestamps of each photon from the detector. Training and validation datasets were generated while varying the single photon time resolution (SPTR) and readout pitch of the photodetector. By comparing several neural network architectures, we determined the best configuration to be the multilayer perceptron with 3 layers and 256 units. The full widths at half maximum of the xy plane and z axis (i.e., depth of interaction) were 1.54 and 1.59 mm with SPTR σ = 10 ps, respectively, and their cumulative histograms at half maximum were 0.65 and 0.81 mm also with σ = 10 ps, respectively. The proposed method retrieved higher estimation accuracy of the interaction position than an existing method based on the center of gravity and principal component analysis. Therefore, it is feasible to estimate the 3D interaction position in the Cherenkov-based detectors using deep neural networks.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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