Simulation and artificial intelligence for a gamma detector for high resolution PET imaging
Simulation et intelligence artificielle sur un détecteur gamma pour l'imagerie TEP haute résolution
Résumé
In this thesis, we present a realistic simulation and event reconstruction for an innovative positron emission tomography (PET) detection module based on the ClearMind patented technology. ClearMind design uses a large monolithic PbWO₄ scintillating crystal with the direct deposition of the bialkali photoelectric layer. Due to the simultaneous production and efficient detection of scintillation and Cherenkov photons, we plan to reach the 3D spatial resolution of the order of a mm, the coincidence resolving time of less than 100 ps, and high detection efficiency. In the proposed design, a microchannel plate is used to amplify photoelectrons generated at the photocathode. Signals induced on the pixelized anode are collected through the transmission lines readout, amplified, and digitized by the SAMPIC module. The Geant4 simulation includes the propagation of the visible photons in the crystal, realistic response of the photocathode, simulation of the PMT response, and simulation of the realistic shape for the electrical signals. The simulation was adjusted to the measurement with the first ClearMind prototype using the single photons signal generated with laser and 511 keV events from the ²²Na radioactive source. We studied the two approaches to the gamma-conversion position reconstruction: statistical and machine learning algorithms. We use signal-related parameters from the 32 lines as the reconstruction inputs. The reconstruction was developed with the boosted decision trees and neural network using the ROOT TVMA package for the machine learning approaches. We achieved a 3D spatial resolution down to a few mm³ (FWHM) for the first prototype-like ClearMind configuration and demonstrated that good time resolution is possible only after optimization of the photo-cathode detection efficiency in the final ClearMind design.
Dans cette thèse, nous présentons une simulation réaliste et une reconstruction d'événements pour un module de détection innovant de tomographie par émission de positrons (TEP) basé sur la technologie brevetée ClearMind. La conception ClearMind utilise un grand cristal scintillant monolithique PbWO₄ et une couche photoélectrique bialkali déposée directement sur celui-ci. Grâce à la production simultanée et la détection efficace de scintillations et de photons Cherenkov, nous prévoyons d'atteindre une résolution spatiale 3D de l'ordre du mm, une résolution temporelle de coïncidence à 100 ps et une efficacité de détection élevée. Dans la conception proposée, une galette de micro-canaux est utilisée pour amplifier les photoélectrons générés à la photocathode. Les signaux induits sur l'anode pixelisée sont collectés par les lignes de transmission de lecture, amplifiés et numérisés par le module SAMPIC. La simulation Geant4 comprend la propagation des photons visibles dans le cristal, la réponse réaliste de la photocathode, la simulation de la réponse du PMT, et la simulation de la forme réaliste des signaux électriques. La simulation s'est adaptée aux mesures effectuées sur le premier prototype ClearMind étalonné en utilisant le signal de photons uniques généré par un laser et des événements de 511 keV provenant d'une source radioactive ²²Na. Nous avons étudié deux approches pour la reconstruction de la position de la conversion gamma : l'algorithme statistique et l'apprentissage automatique. Nous utilisons les paramètres liés au signal des 32 lignes comme entrées de la reconstruction. La reconstruction a été développée avec des arbres de décision boostés et un réseau neuronal utilisant le paquet ROOT TVMA pour les approches d'apprentissage automatique. Nous avons obtenu une résolution spatiale 3D de quelques mm³ (FWHM) pour le premier prototype ClearMind et démontré qu'une bonne résolution temporelle n'est possible qu'après optimisation de l'efficacité de détection de la photocathode dans la conception finale de ClearMind.
| Origine | Version validée par le jury (STAR) |
|---|