PETNet — 基于脉冲神经网络的.coincident 粒子事件检测
机器学习
2025-04-10 v1 高能物理 - 实验
摘要
脉冲神经网络 (SNN) 作为比传统人工神经网络更具生物学合理性和低能耗优势的技术，因其时变特性而尤其适合处理时序稀疏二进制数据。本文探讨了利用 SNN 检测正电子断层扫描 (PET) 数据中的光子 coincident 对的潜力。PET 是一种基于注射放射性示踪剂并检测其发射光子来进行的医学成像技术。推断示踪剂分布图像的核心预处理任务是过滤由于吸收或散射等过程导致的无效探测信号。我们的ethods 称为 PETNet，将探测器探测信号解释为具有二进制取值的脉冲序列，并以监督方式学习识别光子 coincident 对。我们引入专门的多目标损失函数，并通过显著建模探测器几何结构在两种应用场景的仿真数据上演示其效果。我们的结果表明，PETNet 能超越当前最先进的经典算法，最大化 coincident 检测 F1 分数达 95.2%。同时，PETNet 能够比经典方法快达36倍，凸显了 SNN 在粒子物理应用中的巨大潜力。
引用
@article{arxiv.2504.06730,
title = {PETNet -- Coincident Particle Event Detection using Spiking Neural Networks},
author = {Jan Debus and Charlotte Debus and Günther Dissertori and Markus Götz},
journal= {arXiv preprint arXiv:2504.06730},
year = {2025}
}