Physics-Informed Deep Neural Network for Inter-Crystal Scattering Recovery in ToF-CT
Notice bibliographique
Résumé
Inter-crystal scattering (ICS) fundamentally constrains high-resolution Time-of-Flight Computed Tomography (ToF-CT) by enforcing trade-offs between sensitivity and spatial resolution. Lowering energy thresholds to capture more photons exacerbates spatial ambiguity, while raising thresholds to suppress ICS events reduces detection efficiency, an increasingly critical compromise under stringent dose constraints. As an alternative, this paper present a novel physics-informed deep learning approach that fundamentally resolves this dilemma by exploiting spatiotemporal energy deposition patterns. Our approach employs a two-stage architecture: first, a specialized Convolutional Neural Network (CNN) discriminates between primary and scattered energy deposits; subsequently, a Multi-Layer Perceptron (MLP) precisely reconstructs the originating crystal location for identified scatter events, effectively recovering otherwise lost spatial information. Both network designs are informed by empirical characterization of ICS behavior in finely segmented LYSO detectors. Monte Carlo simulations of LYSO-based ToF-CT detector arrays achieved$>94 \%$accuracy in ICS recovery. By transforming previously rejected scatter events into valuable diagnostic information, our method enables operation at lower energy thresholds (20 keV), yielding a 34 % improvement in absolute detection efficiency while maintaining spatial integrity. Quantitative image reconstruction using a modified ACR phantom revealed a 20 % enhancement in spatial resolution alongside substantial improvements in signal-to-noise ratio (SNR), without compromising contrast fidelity.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».