Entwicklung einer Compton-Kamera für biologische und medizinische Bildgebung (SCoKa)

Diese Forschungsarbeit widmet sich der grundlegenden Herausforderung der Erkennung und Analyse von Cherenkov-Ereignissen in der Streuschicht der Compton-Kamera durch die Entwicklung robuster, modellbasierter Algorithmen
. Das Hauptziel besteht darin, den dreidimensionalen Cherenkov-Kegel, der von einem energiereichen Compton-Elektron ausgesandt wird, originalgetreu zu rekonstruieren. Dies wird durch eine präzise Analyse der zweidimensionalen Cherenkov-Ellipse erreicht, die auf die Detektorebene projiziert wird. Die genaue Bestimmung der Eigenschaften des Kegels ist von entscheidender Bedeutung, da diese Parameter direkt die Richtung und die Energie des Compton-Elektrons kodieren, die für die endgültige Rekonstruktion der Gammastrahlenquelle unerlässlich sind.
Im Gegensatz zu den lernbasierten Methoden, die ebenfalls im Rahmen dieses Projekts erforscht werden, passt unser Ansatz klassische Computer-Vision- und Datenanalysetechniken an die einzigartige Natur der Detektorausgabe an. Bei den Rohdaten handelt es sich nicht um ein herkömmliches Bild, sondern um eine spärliche, unstrukturierte Punktwolke aus einzelnen Photonentreffern, was eine Anpassung der Algorithmen erfordert, um direkt mit koordinatenbasierten Daten zu arbeiten. Diese Methodik wird in Form einer mehrstufigen Verarbeitungspipeline realisiert, die mit Rauschfilterung und Ereignisclusterung beginnt. Dies gipfelt in der geometrischen Inversion, bei der die geschätzten Parameter der Ellipse - ihr Zentrum, ihre Größe und ihre Ausrichtung - verwendet werden, um die Form mathematisch in den dreidimensionalen Raum zurückzuprojizieren und den ursprünglichen Cherenkov-Kegel zu rekonstruieren.
Letztendlich besteht das Ziel dieser Forschung darin, eine hocheffiziente und wettbewerbsfähige Lösung zu entwickeln, die eine Ereignisrekonstruktion in Echtzeit ermöglicht. Um dies zu erreichen, werden unsere Algorithmen mit Blick auf ihre Hardware-Implementierung mitentwickelt und zielen speziell auf den Einsatz auf speziellen Hardware-Beschleunigern wie FPGAs (Field-Programmable Gate Arrays) ab. Dieser hardwarezentrierte Ansatz ist entscheidend für die Nutzung der massiven Parallelität, die für die Verarbeitung von Ereignisdaten mit der für praktische Bildgebungsanwendungen erforderlichen extrem niedrigen Latenzzeit erforderlich ist. Diese Synergie zwischen einem interpretierbaren, modellbasierten Algorithmus und einer optimierten Hardware-Architektur ist entscheidend für die Schaffung eines robusten, energieeffizienten Systems, das eine fliegende Ereignisrekonstruktion durchführen kann, was diesen Weg zu einer leistungsstarken Lösung für Compton-Kameras der nächsten Generation macht.

Diese Forschung konzentriert sich auf die Erkennung von Cherenkov-Ereignissen in der Streuschicht der Compton-Kamera mit Hilfe von Ansätzen des maschinellen Lernens. Wenn hochenergetische Gammastrahlen in dieser Schicht wechselwirken, erzeugen sie Cherenkov-Photonen, die kreisförmige oder elliptische Muster auf dem Detektor bilden. Die genaue Identifizierung dieser Muster ist entscheidend für die Rekonstruktion der Richtung der eintreffenden Gammastrahlen und die Bestimmung der Position ihrer Quelle.
Herkömmliche Methoden wie die Hough-Transformation und die Ellipsenanpassung wurden in früheren Arbeiten untersucht, stoßen aber bei der Behandlung von Rauschen an ihre Grenzen und erfordern umfangreiche Berechnungen. Um diese Herausforderungen zu überwinden, werden moderne Architekturen des maschinellen Lernens
, einschließlich Convolutional Neural Networks (CNNs), erforscht, um diese geometrischen Muster direkt aus Detektordaten zu lernen und zu erkennen.
Die Modelle werden sowohl mit simulierten als auch mit realistischen Datensätzen trainiert und validiert, die Detektorreaktionen unter verschiedenen Bedingungen darstellen. Dies gewährleistet eine robuste Leistung und die Anpassungsfähigkeit der Algorithmen an experimentelle Daten.
Parallel dazu wird der Einsatz dieser Modelle auf Hardware-Beschleunigern wie FPGAs zur Echtzeit- und energieeffizienten Verarbeitung untersucht. Mit Tools wie FINN werden die Modelle durch Quantisierung und hardwarespezifische Beschleunigung optimiert. Diese Integration von KI und Hardwaredesign ermöglicht Inferenzen mit extrem geringer Latenz und bringt die Compton-Kamera näher an Echtzeit-Bildgebungsanwendungen in der medizinischen und biologischen Diagnostik.

Die Bildrekonstruktion konzentriert sich auf verschiedene traditionelle Rekonstruktionsalgorithmen wie Simple Back Projection (SBP), Filtered Back Projection (FBP), Maximum Likelihood Expectation Maximization (MLEM), Stochastic Origin Ensemble Method. Diese Algorithmen werden ausgehend von einer Punktquellenrekonstruktion implementiert, um die Komplexität bis zur 2D-Verteilung und schließlich 3D-Verteilung der Quelle zu erhöhen.
Die Rekonstruktionsalgorithmen arbeiten mit den Rohmessdaten des Detektors. Dabei erhalten wir Informationen über die Koordinaten des Schnittpunkts in der Streuebene P1 (sx,sy,sz) und der Absorptionsebene P2 (ax,ay,az). Wir erhalten auch Informationen über den Streuwinkel (β), die Energie der gestreuten Elektronen (Ee) und die Energie der gestreuten Gammastrahlen (Eγ). Alle diese vom Detektor gemessenen Parameter sind aufgrund der physikalischen, geometrischen und empfindlichen Grenzen des Detektors mit Unsicherheiten behaftet. Diese Unsicherheiten müssen untersucht und in die Rekonstruktionsalgorithmen einbezogen werden.
Andererseits werden Modelle neuronaler Netze, sowohl des maschinellen Lernens als auch des Deep Learning, erforscht, um eine direkte Rekonstruktion aus den Rohdaten zu erhalten. Es wurden mehrere Modelle wie Random Forest, Transfer-Learning-Modell und XGB-Boost getestet. Keines dieser Modelle zeigte jedoch gute Ergebnisse für die erforderliche Vorhersage. Einige hybride Architekturen mit Faltungsschichten, Dense-Schichten, Transformator- und LSTM-Schichten wurden getestet und zeigten eine hohe Genauigkeit für ideale Ereignisse. Diese Architekturen werden für realistischere Daten mit Ungewissheiten weiter verbessert.