地球资源数据云——数据资源详情
辐射成像CNN γ射线定位模型泛化能力的数据支持
在 γ 射线成像中，闪烁体中 γ 射线相互作用的定位至关重要。卷积神经网络（CNN）技术对于改善 γ 射线定位非常有前景。我们的研究评估了 CNN 定位模型在 γ 射线能量和晶体厚度方面的泛化能力。该模型在 59 - 1460 keV 之间的射线能量下保持了较高的位置线性 (PL) 和空间分辨率 (SR)。探测器入射面PL为0.99，中心入射点源分辨率范围为0.52~1.19 mm。在使用厚晶体的改进均匀冗余阵列 (MURA) 成像系统中，与经典质心定位方法相比，CNN γ 射线定位模型将有用视场 (UFOV) 从 60.32% 显着提高到 93.44%。此外，重建图像的信噪比 (SNR) 从 0.95 增加到 5.63。
摘要概览
在 γ 射线成像中，闪烁体中 γ 射线相互作用的定位至关重要。卷积神经网络（CNN）技术对于改善 γ 射线定位非常有前景。我们的研究评估了 CNN 定位模型在 γ 射线能量和晶体厚度方面的泛化能力。该模型在 59 - 1460 keV 之间的射线能量下保持了较高的位置线性 (PL) 和空间分辨率 (SR)。探测器入射面PL为0.99，中心入射点源分辨率范围为0.52~1.19 mm。在使用厚晶体的改进均匀冗余阵列 (MURA) 成像系统中，与经典质心定位方法相比，CNN γ 射线定位模型将有用视场 (UFOV) 从 60.32% 显着提高到 93.44%。此外，重建图像的信噪比 (SNR) 从 0.95 增加到 5.63。