เครื่องตรวจจับรังสีแกมมาที่ใช้ในเครื่องสแกนเอกซเรย์ปล่อยโพซิตรอน (PET) ต้องรวมความละเอียดเชิงพื้นที่ เวลา และพลังงานที่มีความไวสูง เครื่องสแกน PET ทางคลินิกในปัจจุบันใช้เครื่องตรวจจับการเรืองแสงวาบแบบพิกเซลที่มีความละเอียดเชิงพื้นที่จำกัดด้วยขนาดพิกเซล อีกทางเลือกหนึ่งคือการใช้เครื่องตรวจจับคริสตัลแบบเสาหิน อ่านโดยอาร์เรย์ตัวตรวจจับแสง
ซึ่งให้ความไวและความละเอียดที่เพิ่มขึ้น
ใช้งานแล้วในระบบ PET พรีคลินิก เครื่องตรวจจับเสาหินดังกล่าวอาจปรากฏในเครื่องสแกนทางคลินิกในไม่ช้าอย่างไรก็ตาม เครื่องตรวจจับ PET แบบเสาหินนำความท้าทายมาเอง เช่น การตั้งค่าการสอบเทียบที่ยาวนานและเอฟเฟกต์ขอบ งานสำคัญอีกประการหนึ่งเมื่อใช้เครื่องตรวจจับเสาหินคือการออกแบบอัลกอริธึมการกำหนดตำแหน่งเหตุการณ์แกมมาที่มีประสิทธิภาพและแม่นยำ โดยประสิทธิภาพการทำงานที่ขอบของผลึกลดลงอย่างจำกัด เพื่อให้บรรลุสิ่งนี้ นักวิจัยจากGhent Universityได้ใช้โครงข่ายประสาทเทียมเพื่อสร้างอัลกอริธึมการกำหนดตำแหน่งแกมมาที่มีความละเอียดสูง พวกเขาอธิบายการศึกษาของพวกเขาในวิชาฟิสิกส์ในการแพทย์และชีววิทยา
“เราเลือกที่จะตรวจสอบโครงข่ายประสาทเทียม เนื่องจากสามารถฝึกให้อนุมานตำแหน่งปฏิสัมพันธ์ต่อเนื่องโดยตรงจากการกระจายแสงที่วัดได้ โดยอิงจากข้อมูลตัวอย่าง” ผู้เขียนคนแรกของ Milan Decuyper อธิบาย “พวกเขาสามารถเรียนรู้ที่จะประมวลผลเหตุการณ์อย่างเหมาะสมที่สุดใกล้ขอบ และเมื่อฝึกแล้ว เหตุการณ์การวางตำแหน่งจะรวดเร็วและขนานกันได้”
นักวิจัยมหาวิทยาลัยเกนต์การเพิ่มประสิทธิภาพเครือข่ายเครื่องสแกน PET ทำงานโดยการตรวจจับรังสีแกมมาคู่ 511 keV ที่เกิดขึ้นเมื่อโพซิตรอนที่ปล่อยออกมาจากเรดิโอเทรเซอร์ทำลายล้างด้วยอิเล็กตรอน การสร้างแนวการตอบสนองระหว่างทั้งคู่ช่วยให้สามารถแปลแหล่งที่มาได้ อย่างไรก็ตาม รังสีแกมมาบางส่วนได้รับปฏิกิริยาของคอมป์ตันภายในคริสตัลก่อนปฏิกิริยาโฟโตอิเล็กทริกขั้นสุดท้าย ทำให้การฟื้นตัวของตำแหน่งปฏิกิริยาแรกทำได้ยากขึ้น
การตั้งค่าเครื่องตรวจจับจำลอง
การตั้งค่าเครื่องตรวจจับจำลอง Decuyper และเพื่อนร่วมงานได้ฝึกโครงข่ายประสาทเทียมเพื่อเรียนรู้การทำแผนที่ระหว่างการกระจายแสงที่วัดได้และตำแหน่งปฏิสัมพันธ์แรก (คอมป์ตันหรือโฟโตอิเล็กทริก) ในคริสตัลเสาหิน สำหรับการศึกษาของพวกเขา พวกเขาได้จำลองคริสตัล LYSO (Lu 1.8 Y 0.2 SiO 5 ) ขนาด 50×50×16 มม. ซึ่งฉายรังสีด้วยแหล่งกำเนิดแสง 511 eV และอ่านค่าโดยอาร์เรย์ของเครื่องตรวจจับแสง
นักวิจัยได้จำลองชุดข้อมูลการฝึกอบรมที่ครอบคลุมเครื่องตรวจจับในขั้นตอน 1 มม. โดยมี 10,000 เหตุการณ์การฝึกอบรมและ 2,000 เหตุการณ์การประเมินต่อตำแหน่ง ในการจำลอง ประมาณ 60% ของเหตุการณ์ถูกคอมป์ตันกระจัดกระจาย พวกเขายังสร้างชุดข้อมูล “overfitting” ที่เป็นอิสระในศูนย์เครื่องตรวจจับโดยใช้จุดกริดที่ชดเชย 0.5 มม. จากตารางการฝึกอบรม
ในการประเมินประสิทธิภาพเป็นหน้าที่ของความซับซ้อนของเครือข่าย ทีมงานได้ตรวจสอบเครือข่ายที่มีเลเยอร์ที่ซ่อนอยู่ 2-5 ชั้น และเซลล์ประสาท 64 ถึง 1024 เซลล์ในแต่ละเลเยอร์ เมื่อประเมินโดยใช้ข้อมูลจากกริดเดียวกันกับเครือข่ายที่ได้รับการฝึกอบรม เครือข่ายที่ซับซ้อนที่สุดจะให้ประสิทธิภาพที่ดีที่สุด อย่างไรก็ตาม เมื่อประเมินตำแหน่งกลางที่ไม่ได้เป็นส่วนหนึ่งของชุดข้อมูลการฝึกอบรม นักวิจัยพบว่าประสิทธิภาพลดลงด้วยเครือข่ายที่ซับซ้อนมากขึ้น พวกเขาชี้ให้เห็นว่าสิ่งนี้แสดงให้เห็นถึงหลุมพรางที่อาจเกิดขึ้นจากการสวมใส่มากเกินไป
ทีมงานยังได้ประเมินผลการปฏิบัติงานตามจำนวนข้อมูลการฝึก ข้อผิดพลาดในการวางตำแหน่งลดลงอย่างมากเมื่อเหตุการณ์การฝึกต่อตำแหน่งการสอบเทียบเพิ่มขึ้นจาก 100 เป็น 1,000 แล้วจึงลดระดับลง ประสิทธิภาพการทำงานที่เหมาะสมที่สุดเกิดขึ้นจากเครือข่ายที่มีเซลล์ประสาท 256 เซลล์ที่ซ่อนอยู่สามชั้นซึ่งฝึกจากเหตุการณ์ 1,000 เหตุการณ์ต่อตำแหน่ง
ทั่วทั้งเครื่องตรวจจับ เครือข่ายที่เหมาะสมที่สุดนี้
มีความละเอียดเชิงพื้นที่เฉลี่ยและค่ามัธยฐาน (FWHM 2D ของตำแหน่งที่คาดการณ์ไว้) ที่ 0.50 และ 0.46 มม. ตามลำดับ ระยะห่างระหว่างความจริงพื้นดินกับตำแหน่งที่คาดการณ์คือ 1.1 มม. โดยเฉลี่ย โดยมีมัธยฐาน 0.50 มม. ในพื้นที่ส่วนกลาง 30×30 มม. ความละเอียดเชิงพื้นที่ได้รับการปรับปรุงเป็น 0.41 มม. โดยมีความแม่นยำในการวางตำแหน่งเทียบเท่า
การเปรียบเทียบประสิทธิภาพของโครงข่ายประสาทเทียมกับวิธีอัลกอริธึมเพื่อนบ้านที่ใกล้ที่สุดซึ่งทีมพัฒนาก่อนหน้านี้ได้แสดงให้เห็นว่า 0.46 มม. แสดงถึงความละเอียดเชิงพื้นที่ที่ดีขึ้น 17% เมื่อเทียบกับการวางตำแหน่งเพื่อนบ้านที่ใกล้ที่สุด
ขยายเป็นสามมิติข้อดีอีกประการของเครื่องตรวจจับเสาหินคือให้ข้อมูลความลึกของการโต้ตอบภายใน (DOI) ซึ่งสามารถปรับปรุงความละเอียดของเวลาได้ ทีมขยายโครงข่ายประสาทเทียมเพื่อส่งออก DOI โดยประมาณ ( พิกัดz เพิ่มเติม) สิ่งนี้ให้ประสิทธิภาพที่คล้ายคลึงกับเครือข่ายการกำหนดตำแหน่ง 2D โดยแทบไม่มีผลกระทบต่อความละเอียดเชิงพื้นที่ ข้อผิดพลาดในการวางตำแหน่ง 3D เฉลี่ยและค่ามัธยฐานคือ 1.53 และ 0.77 มม. และข้อผิดพลาด DOI เฉลี่ยและค่ามัธยฐานเท่ากับ 0.87 และ 0.39 มม. ตามลำดับ
การตรวจสอบอิทธิพลของการกระจายของคอมป์ตันเปิดเผยว่ามันลดความแม่นยำของตำแหน่งลงอย่างมาก โดยข้อผิดพลาดในการวางตำแหน่งเฉลี่ยเพิ่มขึ้นจาก 0.49 สำหรับเหตุการณ์ที่ไม่กระจัดกระจายเป็น 2.29 มม. สำหรับเหตุการณ์ที่กระจัดกระจายของคอมป์ตัน การกระจายแบบคอมป์ตันยังลดความละเอียดเชิงพื้นที่ด้วยค่ามัธยฐาน 0.66 และ 0.42 มม. FWHM สำหรับเหตุการณ์ที่กระจัดกระจายและไม่กระจัดกระจายตามลำดับ
β-CUBE ให้ PET ขนาดเล็กที่มีประสิทธิภาพสูง แม้ว่าการระบุและลบเหตุการณ์คอมป์ตันสามารถปรับปรุงคุณภาพของภาพได้ แต่ก็จะลดความไวลงอย่างมากเช่นกัน แนวทางที่ดีกว่า ทีมงานแนะนำว่า อาจเป็นการฝึกอบรมโครงข่ายประสาทเทียมเพื่อระบุเหตุการณ์ที่กระจัดกระจายของคอมป์ตัน และดำเนินการต่าง ๆ กัน
Credit : eltinterocolectivo.com europeancrafts.net eyeblinkentertainment.com fitflopclearancesale.net fullmoviewatchonline.net
