Design of a high-resolution liquid xenon detector for positron emission tomography
Notice bibliographique
Résumé
Positron Emission Tomography (PET) is a vital imaging technique extensively used for early cancer detection by visualizing metabolic processes in the body. While traditional PET systems use scintillation crystals like bismuth germanate (BGO) or lutetium oxyorthosilicate (LSO) to detect gamma rays, they have inherent energy and spatial resolution limitations. This paper proposes an advanced PET design using liquid xenon (LXe)-based detectors that integrate scintillation and ionization energy detection. Our PET detector design has a monolithic liquid xenon target of <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="m1"><mml:mrow><mml:mn>5</mml:mn><mml:mo>×</mml:mo><mml:mn>5</mml:mn><mml:mo>×</mml:mo><mml:mn>5</mml:mn><mml:mtext> </mml:mtext><mml:msup><mml:mrow><mml:mi mathvariant="normal">c</mml:mi><mml:mi mathvariant="normal">m</mml:mi></mml:mrow><mml:mrow><mml:mn>3</mml:mn></mml:mrow></mml:msup></mml:mrow></mml:math> , from where scintillation light is detected by silicon photomultipliers (SiPMs) placed on one side of the target. The ionization is converted to field-enhanced electroluminescence in liquid xenon and detected by the same SiPMs. We use Monte Carlo simulations to optimize the configuration of the electric field and improve the light collection efficiency. Combining both detection modes, the proposed system aims to significantly improve the energy resolution to approximately 2% full width at half maximum (FWHM). Furthermore, machine learning models enhance position reconstruction accuracy with sub-millimeter horizontal and depth-of-interaction (DOI) resolutions. The results indicate that the LXe-based PET detector can achieve superior performance compared to current PET technologies, offering enhanced imaging accuracy with the potential for reduced doses of radioactive tracer.
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 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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».