Design and Evaluation of a 2.5D-Assembled High-Density Detection Module for the Ultra-High Resolution Brain PET Scanner
Notice bibliographique
Résumé
The LabPET II modular technology was identified as a promising platform for a new generation of Ultra-High Resolution (UHR) brain PET scanners. Scaling up from preclinical systems to achieve a human brain field-of-view introduces significant challenges that require high-density, low-noise detection modules capable of dissipating over 1.1 kW of heat within a confined volume. To address these constraints, a new UHR detection module, referred to as the UHR-DM, was developed based on a 2.5D stacked PCB architecture. This design embeds two readout ASICs between two circuit boards to enhance thermal management, mechanical alignment, and electrical performance, while preserving full backward compatibility with the existing LabPET II platform. This paper presents a detailed comparison between the UHR-DM and the original LabPET II detection module (LP2-DM). Key improvements include improved heat extraction through direct conduction, reduced parasitic capacitance via shorter and more uniform trace routing, and enhanced noise immunity enabled by embedded shielding. A dedicated testbench was used to evaluate thermal performance, baseline stability, noise characteristics, intrinsic and full-system coincidence time resolution (CTR), and time-over-threshold (ToT) energy resolution. Results show that the UHR-DM design reduces ASIC operating temperature by up to 43%, lowers noise by 60% when using high electronic gains, and improves channel-to-channel noise uniformity. It also achieves more consistent CTR and energy resolution without compromising any performance aspect of the original design. These enhancements will facilitate the upcoming integration all 129 024 individual channels required by the UHR brain PET scanner to achieve a spatial resolution of 1.25 mm at the center of the field of view.
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 | 0,008 | 0,001 |
| 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 | 0,001 |
| 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 ».