Implementación de redes neuronales para Tomografía de Emisión de Positroines mediante FPGA

Abstract

[ES] PETALO (Aparato TOF de Emisión de Positrones basado en Xenón Líquido) explota las características únicas del Xenón líquido como escintilador. Su rápida respuesta en el tiempo y su alto rendimiento de centelleo permiten la construcción de detectores de gran área con forma personalizable que son necesarios para los escáneres PET de cuerpo entero. El concepto de detector continuo PETALO se basa en una estructura cilíndrica con su pared exterior cubierta por un conjunto densamente lleno de SiPM sensibles a los VUV y una capa de xenón líquido que actúa como medio centelleante. Con el fin de aprovechar al máximo las capacidades de PETALO, se diseñó una arquitectura de lectura para manejar la gran cantidad de datos generados por el detector sin degradar las características de tiempo. Se han aplicado técnicas de compresión de imágenes para aliviar los requisitos de velocidad de enlace de datos, lo que hace que la lectura sea más asequible en términos de coste y complejidad. Sin embargo, el verdadero potencial del detector continuo aún no se ha explotado plenamente. Un procesamiento más profundo de la distribución de la luz adquirida por el detector podría mejorar su rendimiento. El análisis Monte Carlo del proceso de detección de rayos gamma muestra una notable cantidad de eventos que, aunque afectados por la dispersión Compton, introducen una desviación insignificante en la estimación de la posición final.

En este TFM se presenta una nueva técnica de procesamiento basada en una red neuronal implementada por hardware dentro de la lectura. Este nuevo elemento proporciona un mecanismo de etiquetado de calidad que mide el error potencial de reconstrucción de posición debido a la dispersión de Compton durante la detección de eventos. Esta información está disponible en la primera fase del sistema de adquisición de datos, que permite el rechazo precoz de los peores acontecimientos, reduciendo así aún más el tráfico de datos. También se puede mejorar la calidad de la imagen reconstruida añadiendo un parámetro de nivel de confianza a los eventos aceptados que se pueden utilizar durante el proceso de reconstrucción de la imagen.

El TFM evidentemente se centrará únicamente en la implementación mediante FPGAs de este tipo de redes (Convolutional neural networks y autoencoders) que nos permitan esa computación en línea de máquinas de aprendizaje entrenadas "off-line" mediante Keras-tensorflow y utilizando muestras de aprendizaje generadas artificialmente mediante simulación de los efectos físicos ocurridos mediante análisis de Monte Carlo.