Deep Learning Based Non-Linearity Correction for High-Resolution PET Detector Using Time-Over-Threshold Method
임계값 초과 시간 측정법을 사용한 고해상도 PET 검출기에 대한 딥러닝 기반 비선형성 보정
- 주제어 (키워드) positron emission tomography (PET) , deep learning , time over threshold (TOT) , multi-layer perceptron (MLP) , field programmable gate array (FPGA); 양전자 방출 단층촬영 , 딥러닝 , 임계값 초과 시간 , 다층 신경 회로망 , 프로그램이 가능한 비 메모리 반도체
- 발행기관 서강대학교 일반대학원
- 지도교수 최용
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079205
- UCI I804:11029-000000079205
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
The time-over-threshold (TOT) approach, utilized for measuring the energy of detected gamma rays offers advantages such as low cost, low power consumption, and reduced complexity compared to conventional analog-to-digital converter (ADC) approaches. Therefore, TOT is an attractive method for positron emission tomography (PET) based on silicon photomultiplier (SiPM) arrays requiring many readout channels. However, the TOT exhibits non-linearity between the detected radiation energy and the output pulse width, leading to degradation in the overall performance of PET detectors and systems. This limits wide approach of TOT for high resolution PET systems. The purpose of this study was to overcome degradation of the detector flood histogram quality caused by the non-linearity of TOT by employing a Field Programmable Gate Array (FPGA) based deep learning technique. The PET detector module consisted of a 7 × 7 array of LYSO and a 4 × 4 array of SiPM. A pre-trained deep learning model, specifically a Multi-Layer Perceptron (MLP), was employed to estimate the location of gamma interactions. The MLP model used the coordinates of position of gamma interaction, derived by the weighted center-of-gravity (COG) algorithm with QDC data, as label data. Data acquired using the TOT method served as input data. The MLP was initially designed using Python, after which the code was translated into a hardware description language (HDL) using HLS4ML (Fast Machine Learning Lab). Subsequently, the MLP model was implemented on Xilinx Kintex- Ultrascale+ FPGA (XCKU5P-2FFVB676E). The flood histograms were generated by the data derived from the QDC and TOT methods, as well as the corrected coordinates processed by the MLP on both GPU and FPGA. The resource consumption of the deep learning networks implemented on FPGA were compared. The Peak-to-Valley Ratio (PVR) of flood histograms and quantitative analysis of the flood histograms was conducted, employing metrics such as the Peak Signal-to- Noise Ratio (PSNR) and Structural Similarity Index Measure (SSIM) of the proposed method were evaluated and compared with those of QDC and conventional TOT. The experimental results showed that the proposed FPGA based deep-learning technique considerably improved compared to the flood map generated with TOT data and achieving quality similar to that of the flood map obtained by GPU. A feasibility study demonstrated that the data acquired by the TOT method can be corrected for gamma interaction positions using an MLP model implemented on FPGA, achieving quality similar to that of the flood histogram obtained by QDC while providing real-time correction of gamma interaction position using an edge computing. Key words: positron emission tomography (PET), deep learning, time over threshold (TOT), multi-layer perceptron (MLP), field programmable gate array (FPGA)
more초록 (요약문)
검출된 감마선의 에너지를 측정하는 데 사용되는 임계값 초과 시간 측정법(Time-over-Threshold, TOT)은 기존의 아날로그-디지털 변환기(ADC) 접근법에 비해 낮은 비용, 낮은 전력 소모, 감소된 복잡성과 같은 이점을 제공한다. 따라서 TOT는 많은 판독 채널을 필요로 하는 실리콘 광전자 증배관(SiPM) 배열을 기반으로 하는 양전자 방출 단층촬영(PET)에 매력적인 방법이다. 그러나 TOT는 검출된 방사선 에너지와 출력 펄스 폭 사이에 비선형성을 나타내어 PET 검출기 및 시스템의 전반적인 성능이 저하된다. 이는 고해상도 PET 시스템에 대한 TOT의 광범위한 접근법을 제한한다. 이 연구의 목적은 FPGA(Field Programmable Gate Array) 기반 딥 러닝 기술을 채택하여 TOT의 비선형성으로 인해 발생하는 검출기 플러드 히스토그램 품질의 저하를 극복하는 것이었다. PET 검출기 모듈은 LYSO의 7 × 7 배열과 SiPM의 4 × 4 배열로 구성되었다. 사전 학습된 딥 러닝 모델, 특히 다층 퍼셉트론(MLP)을 사용하여 감마선 상호 작용 위치를 추정했다. MLP 모델은 QDC 데이터가 있는 가중 중심(COG) 알고리즘에서 파생된 감마 상호 작용의 위치 좌표를 레이블 데이터로 사용했다. TOT 방법을 사용하여 획득한 데이터는 입력 데이터로 사용되었다. MLP는 처음에 Python을 사용하여 설계한 후 HLS4ML(Fast Machine Learning Lab)을 사용하여 코드를 하드웨어 기술 언어(HDL)로 변환했다. 그런 다음 MLP 모델은 Xilinx Kintex-Ultrascale+ FPGA(XCKU5P-2FFVB676E)에서 구현되었다. 플러드 히스토그램은 QDC 및 TOT 방법에서 파생된 데이터와 GPU 및 FPGA에서 MLP가 처리한 보정된 좌표를 통해 생성되었다. FPGA에 구현된 딥러닝 네트워크들의 리소스 소비량을 비교했다. 플러드 히스토그램의 피크 대 밸리 비율(PVR)과 정량적 분석이 수행되었으며, 제안된 방법의 피크 신호 대 잡음 비율(PSNR) 및 구조적 유사성 지수 측정(SSIM)과 같은 지표를 사용하여 QDC 및 기존 TOT와 비교했다. 실험 결과에 따르면 제안된 FPGA 기반 딥러닝 기술은 TOT 데이터로 생성된 플러드 히스토그램과 비교하여 상당히 개선되었으며 GPU로 얻은 플러드 히스토그램과 유사한 품질을 달성했다. 타당성 연구에 따르면 TOT 방법으로 얻은 데이터는 FPGA에 구현된 MLP 모델을 사용하여 감마 상호 작용 위치에 대해 보정할 수 있으며, 엣지 컴퓨팅을 사용하여 감마 상호 작용 위치를 실시간으로 보정하는 동시에 QDC로 얻은 홍수 히스토그램과 유사한 품질을 달성할 수 있다.
more목차
1. Introduction 1
2. Background 3
2.1. Positron Emission Tomography (PET) 3
3. Material and Methods 4
3.1. Detector Module 4
3.2. Experimental Setup 6
3.3. Deep Nueral Network 9
3.4. FPGA Implementation 11
3.5. Performance Evaluation 14
4. Results 16
4.1. Resource Consumption 16
4.2. Flood Histogram 18
4.3. Image Quality Assessment 21
5. Discussion 22
6. Conclusions 25
Bibliography 26
