심층신경망을 이용한 감마선 반응위치판별

1. Gamma Interaction Position Estimation
using Deep Neural Networks
Daeun Kim
심층신경망을 이용한
감마선 반응위치판별 정확도 향상

2. #CONTENTS
• 연구 배경
• 연구 목표
• 연구 이론
• 실험 과정
• 실험 결과
• 결론

3. #연구 배경
 PET 검출기 픽셀 분할 증가  공간분해능 향상
 PET 검출기 수 증가  민감도 향상
 광센서 채널 수 증가, 픽셀 분할 수 증가  멀티플렉싱회로 필요

4. #연구 배경
 PET 검출기 영상의 왜곡 문제
 PET 검출기의 픽셀분할 오류 문제
 PET 검출기의 픽셀분할 정확도 문제

5. #연구 이론
 PET 원리
 양전자방출 방사성 동위원소
 추적자 (Tracer) 주입
 양전자 쌍소멸
 감마선 쌍 검출
 영상 재구성

6. #연구 이론
 DPC 원리
 전하분배법칙
 Elmore delay
 Charge Sensitive Amplifier
 Shaping
 Peak Detection
𝐷𝑒𝑙𝑎𝑦 𝑓𝑟𝑜𝑚 𝐴 𝑡𝑜 𝐵
= 𝑅1𝐶1 + 𝑅1 + 𝑅2 𝐶2
+ 𝑅1 + 𝑅2 + 𝑅3 𝐶3
+ 𝑅1 + 𝑅2 + 𝑅3 + 𝑅4 𝐶4
FPGA
PeakDetection
USB3.0
PC
Real-time
Control
Artificial
Neural
Network
12 pixels
12pixels
………
A
B
C
D
Electronics Board
Readout
SiPMArray
(12x12)
…
…
…
…
…
Amplifier
+
A/Dconverter
Na-22 or Cs-137
144:4
DPC

7. #연구 이론
심층 신경망의 주요 이슈와 해결방법
 XOR 분류  MLP (Multi-Layer Perceptron)
 Curve fitting  Non-linear Regression
 Curse of Dimensionality  Large Sample, GPU
 Vanishing Gradient  ReLU
 Overfitting  Dropout
X
Y
Z
Y
X
X
Y
Z

8. #연구 이론
 심층 신경망(Deep Neural Network,DNN)
 More than 3 hidden layers
 Modularization
 Solution for vanishing gradient
 Solution for overfitting

9. #연구 이론
심층 신경망 구조
 분류층
 피팅층
…
A
B
C
D
X
Y
분류층 (3층) 피팅층 (3층)
800 600 400 200 20 10 24
입력층 출력층
…
…
…
…
…

10. #실험 과정
 학습데이터 획득
 실험세팅
Na - 22
12pixels
12pixels
방사선 콜리메이터 검출기
ADC, FPGA, USB 3.0

11. #실험 과정
 학습데이터 분석
AB
D C
𝑋 =
𝐴 + 𝐶
𝐴 + 𝐵 + 𝐶 + 𝐷
𝑌 =
𝐶 + 𝐷
𝐴 + 𝐵 + 𝐶 + 𝐷
𝑋 =
𝑓𝑥(𝐴, 𝐵, 𝐶, 𝐷)
𝐴 + 𝐵 + 𝐶 + 𝐷
𝑌 =
𝑓𝑦(𝐴, 𝐵, 𝐶, 𝐷)
𝐴 + 𝐵 + 𝐶 + 𝐷
Anger’s 수식
DNN 함수

12. #실험 과정
시뮬레이션
 저차원 분류
 고차원 분류
 상호정보량 분석
 신경망 학습
정보 엔트로피
상호 정보량
공분산

13. #실험 과정
 학습종료조건 (Stopping criterion)
- Sum of RMSE
- Validation set

14. #실험 결과 (선형성 평가)
픽셀분할 실패
픽셀분할 성공
Maximum
Peak-to-Valley Ratio
X축: 3.9 -> 39.3
Y축: 3.2 -> 46.2
3.9
39.3
3.2
46.2

15. #실험 결과 (에러율 평가)
𝒆𝒓𝒓𝒐𝒓 =
𝒇𝒏
𝒕𝒑 + 𝒇𝒏
= 𝟏 −
𝒕𝒑
𝒕𝒑 + 𝒇𝒏
실제 정답
실험결과

16. #실험 결과 (픽셀별 에러율)
 실험 픽셀: 모서리 영역 (4x8)

17. 에러 카운트 량 에러율
반복실험1 평균
에러 개선률
(row 별)
실험1
18%
14%
13%
13%
총 15%

18. 에러 개선률
(row 별)
실험2
11%
11%
12%
9%
총 10%
에러 카운트 량 에러율
반복실험2 평균

19. #결론 • 영상 선형성 개선: Peak-to-Valley Ratio
• X축: 3.9 -> 39.3
• Y축: 3.2 -> 46.2
• 픽셀분할 정확도 개선:
• 10~15%
• 외곽 픽셀들의 개선률 높음
에러 개선률
(row 별)
실험1 실험2
18% 11%
14% 11%
13% 12%
13% 9%
총 15% 총 10%

22. #고찰 및 토론
결과 고찰
• 문제인식: 저항기반 멀티플렉싱 환경에서 검출기의 픽셀분할 비율증가
 감마선 반응위치추정 정확도 감소
 Anger’s 위치판별 수식의 문제점: 2개 변수만 사용
• 심층신경망 알고리즘의 높은 분류성능과 피팅성능
 감마선 반응위치추정 정확도와 픽셀 영역분할 성능 개선
추후 연구 계획
• 더 작게 픽셀분할한 검출기 설계: 고해상도 영상
• 추가 위치판별용 변수 추출 및 적용: 위치판별 성능개선
𝑋 =
𝐴 + 𝐶
𝐴 + 𝐵 + 𝐶 + 𝐷
𝑌 =
𝐶 + 𝐷
𝐴 + 𝐵 + 𝐶 + 𝐷
𝑋 =
𝑓𝑥(𝐴, 𝐵, 𝐶, 𝐷)
𝐴 + 𝐵 + 𝐶 + 𝐷
𝑌 =
𝑓𝑦(𝐴, 𝐵, 𝐶, 𝐷)
𝐴 + 𝐵 + 𝐶 + 𝐷

23. T H A N K
Y O U
The end