Classification of multiphoton events in positron emission tomography using total-body J-PET technology

Jagielloński Pozytonowy Tomograf Emisyjny (J-PET) to prototyp skanera opracowywany przez J-PET Collaboration na Uniwersytecie Jagiellońskim. Wyróżnia się on zastosowaniem scyntylatorów plastikowych, które są tańsze w porównaniu do nieorganicznych kryształów stosowanych obecnie w skanerach tomograficznych [3]. Unikalną własnością skanera J-PET jest równoczesny pomiar więcej niż dwóch fotonów emitowanych z ciała pacjenta, co jest podstawą tak zwanej tomografii wielofotonowej. Dużym wyzwaniem dla tego typu metody jest skuteczna selekcja fotonów i redukcja tła składającego się ze zdarzeń z fotonami rozproszonymi w ciele pacjenta, wielokrotnie rozproszonymi w detektorze lub pochodzącymi z nieskorelowanych emisji. Celem pracy jest zbudowanie klasyfikatorów opartych o sieci neuronowe do poprawnej klasyfikacji zdarzeń wielofotonowych i redukcji poziomu tła.Kod źródłowy został napisany w języku Python w wersji 3.7, a użyte modele uczenia maszynowego oparte są na sieciach neuronowych zbudowanych za pomocą frameworków Keras i Tensorflow (Tensorflow w wersji 2.2.0). Dane treningowe są oparte na symulacjach Monte Carlo przy pomocy biblioteki Geant4. Dane pochodzące z symulacji zawierały 927 266 próbek zdarzeń wielofotonowych, które zostały przefiltrowane do próbek, dla których różnica czasu rejestracji była mniejsza, niż 6 ns, a zmierzona energia najbardziej energetycznego fotonu była wyższa niż 650 keV i niższa niż 1200 keV. Modele zostały wyszkolone na próbce danych, która po filtracji zawierała 212 337 koincydencji. Każdą koincydencję opisuje zestaw atrybutów: zdeponowane energie w scyntylatorach, informacje o czasie przelotu oraz bardziej złożone informacje, np. rozkłady kątowe. Użyty typ sieci neuronowych to wielowarstwowy perceptron. Działanie klasyfikatorów opartych o sieci neuronowe zostały porównane z klasyfikatorem referencyjnym, opierającym się na prostym warunku dotyczącym rozkładu kątów. Wyniki pokazują, że sieci neuronowe mogą skutecznie polepszyć stosunek poprawnych klasyfikacji sygnału do szumu. Otrzymane wyniki sugerują potrzebę przeprowadzenia badania uogólnienia modelu w odniesieniu do różnych proporcji klas w danych treningowych, użycia innych, bardziej specjalistycznych informacji.

The Jagiellonian Positron Emission Tomograph (J-PET) is a scanner prototype developed by the J-PET Collaboration at the Jagiellonian University. It is distinguished by the use of plastic scintillators, which are inexpensive compared to inorganic crystals currently used in tomographic scanners [3]. The unique property of the J-PET scanner is the simultaneous measurement of more than two photons emitted from the patient's body, which is the basis of the so-called multi-photon tomography. A big challenge for this type of method is the effective selection of photons and reduction of the background consisting of events with photons scattered in the patient's body, scattered many times in the detector or originating from uncorrelated emissions. The goal of the work is to build classifiers based on neural networks for the correct classification of multi-photon events and the reduction of the background level.The source code was written in Python version 3.7, and the machine learning models used are based on neural networks built with the Keras and Tensorflow frameworks (Tensorflow version 2.2.0). Training data is based on Monte Carlo simulations using the Geant4 library. The data from the simulation included 927,266 multi-photon event samples that were filtered to samples where the recording time difference was less than 6ns and the measured energy of the most energetic photon was greater than 650 keV and less than 1200 keV. The models were trained on a data sample that contained 212,337 coincidences after filtration. Each coincidence is described by a set of attributes: energies deposited in scintillators, time-of-flight information, and more complex information, such as angular distributions. The type of neural network used is a multi-layer perceptron. The operation of classifiers based on neural networks has been compared with the reference classifier, which is based on a simple condition regarding the distribution of angles. The results show that neural networks can effectively improve the ratio of correct signal-to-noise classifications. The obtained results suggest the need to conduct a model generalization study with regard to different proportions of classes in the training data, and the use of other, more specialized information.