Méthodes numériques de discrimination de temps appliquées à la tomographie d'émission par positrons
Bibliographic record
Abstract
La nouvelle caméra à Tomographie d'Émission par Positrons et TomoDensitoMétrie (TEP/TDM) en développement à l'Université de Sherbrooke viendra répondre à un besoin grandissant d'appareil d'imagerie bimodal à haute résolution spatiale et temporelle et ouvrira la voie à plusieurs études in vivo inédites effectuées sur de petits animaux. Une architecture de traitement numérique du signal issu des détecteurs, formés d'un cristal scintillateur et d'une PhotoDiode à Avalanche (PDA), a été choisie pour la caméra afin de permettre à la fois la mesure TEP et TDM, mais aussi afin de conférer à la caméra une capacité de calculs, une flexibilité et une facilité de reconfiguration inégalées. Des algorithmes de discrimination de temps, qui s'intègrent à l'architecture de traitement numérique de l'appareil, ont été développés dans le cadre de ce projet de maîtrise pour extraire le temps de détection des signaux numérisés à 100 MHz. Cette information est essentielle à la mesure TEP pour détecter en coïncidence les photons émis suite à l'annihilation d'un positron. Bien que le but ultime soit l'atteinte d'une résolution temporelle optimale, la simplicité et la rapidité de calculs des méthodes développées sont également des critères à considérer. En effet, des algorithmes compacts et rapides doivent être implantés dans des circuits programmables FPGA pour permettre le traitement en temps réel du signal issu des détecteurs de la caméra. Pour ce faire, des méthodes relativement simples et intuitives ont d'abord été développées pour extraire le temps de détection. Ainsi, une version numérique du circuit discriminateur à fraction constante (DFC), communément utilisé en TEP, a été réalisée. Des méthodes de lissage linéaire et exponentiel ont également été appliquées sur les échantillons du signal issu des détecteurs afin d'extraire le temps de détection. Un algorithme de minimisation de l'erreur quadratique moyenne entre le signal et un modèle de celui-ci a également été développé. L'utilisation de ces algorithmes numériques en remplacement de circuits DFC analogiques a permis d'améliorer la résolution temporelle de 40% pour des scintillateurs lents comme le BGO (Oxyde de Germanate de Bismuth) et de 7% pour des scintillateurs plus rapides comme le LSO (OrthoSilicate de Lutécium). Par ailleurs, un algorithme de discrimination de temps un peu plus évolué, basé sur des réseaux de neurones artificiels, a également été développé. En plus de permettre un gain de résolution en temps d'environ 10% (pour le BGO et le LSO) par rapport aux résolutions obtenues avec les autres algorithmes numériques de discrimination de temps, cette innovation inclut un mécanisme d'apprentissage automatisé qui permet d'optimiser l'algorithme aux caractéristiques intrinsèques de chaque détecteur et au rapport S/B présent sur chaque voie. Enfin, une analyse plus complète de chaque élément de la chaîne de détection a été réalisée dans le chapitre 5 de ce mémoire afin d'identifier les principaux facteurs qui influencent la résolution temporelle accessible avec des détecteurs à cristal-PDA. Cette étude constitue d'ailleurs un premier pas vers le développement de méthodes de discrimination de temps plus complexes et mieux adaptées aux réalités de la chaîne de détection en TEP.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".