Improved CdZnTe gamma imager performance through model learning
Amélioration des détecteurs CdZnTe pour l'imagerie gamma par apprentissage
Résumé
Since a few years, the wide spread use of CZT-based detectors in gamma imaging drives their performance optimization to stay competitive at the industrial level. However, the presence of structural defect in the CZT crystal deteriorates the output signals quality and holds back the higher volume detectors development.The purpose of this thesis is the use of optimization and artificial intelligence algorithms using realistic simulations to override the impact of the defects and improve the localization performances of gamma interactions in the detector. We will develop a mathematical-based method in three steps as an alternative to common characterization and correction methods.First, we develop 3D CZT detector simulations enabling to implement defects with different natures to observe their impact on output signals. Then we build a simple neural network, which can be introduced in the electronics to localize the gamma interactions in the detector from simulation results. A second network based on a gradient computation method will allow determining the electric field and collection performance of a detector.The addition of these three steps will be used to learn through simulation the intern parameters of a determined detector such as the electric field. This simulation will serve to train the simple neural network and finally be used on experimental data to improve the localization performance of the detector.The development of this mathematical approach will help us having a better understanding of the intern structure of a CZT crystal being able to reproduce its behavior in simulation. In addition, the better performance of the detector might be sufficient to decrease the radiotracer dose for medical imaging or limit the exposition time of operators in a nuclear power plant.
L’utilisation généralisée des détecteurs à base de CZT dans l’imagerie gamma depuis certaines années pousse à l’optimisation de leurs performances afin de rester compétitif au niveau industriel. Néanmoins la présence de défauts structurels dans la maille cristalline du CZT dégrade la qualité de signaux de sortie et freine le développement de détecteurs à plus grand volume. L’objectif de cette thèse est d’utiliser des algorithmes d’optimisation et d’intelligence artificielle en s’aidant de simulations réalistes afin d’outrepasser les effets de ces défauts et d’améliorer les performances de localisation des interactions gamma dans le détecteur. Nous allons nous baser sur une méthode mathématique en 3 étapes alternative aux méthodes de caractérisation et de correction usuelles. D’abord le développement de simulations de détecteurs CZT en 3 dimensions avec possibilité d’implémenter des défauts de différentes natures pour observer leur impact sur les signaux sortants. Puis nous allons construire un réseau de neurones simple adaptable dans l’électronique afin de localiser les interactions dans le détecteur d’après des résultats de simulation. Un second réseau basé sur une méthode d’optimisation par calcul de gradient va permettre de déterminer le champ électrique et les performances de collecte d’un détecteur.La concaténation de ces 3 étapes va permettre d’apprendre par simulation les paramètres internes d’un détecteur étudié tel que le champ électrique, simulation qui va servir afin d’entraîner le réseau de neurones simple, pour finalement être utilisé sur les données expérimentales dans le but d’améliorer les performances de localisation du détecteur.Le développement de cette approche mathématique va permettre d’un côté la meilleure compréhension de la structure interne du cristal CZT et la possibilité de reproduire son comportement en simulation. Egalement les meilleures performances du détecteur pourraient se retrouver dans l’utilisation de doses de radio traceurs inférieures en imagerie, ou un temps d’exposition réduit pour les opérateurs en centrale nucléaire.
| Origine | Version validée par le jury (STAR) |
|---|