Study of the Compton imaging capabilities of a highly segmented HPGe detector using a machine-learning-based pulse-shape analysis method
Étude des capacités d’imagerie Compton d’un détecteur HPGe multi-segmenté utilisant une méthode d’analyse des formes d’impulsions basée sur l’apprentissage automatique
Résumé
This thesis explores the Compton imaging capabilities of a segmented coaxial HPGe detector. A lightweight machine learning model is developed to reconstruct interaction positions from pulse shapes, enabling accurate imaging without relying on a computing farm. Monte Carlo simulations and experimental data (3D scans, collimated beams, and uncollimated sources) were used to validate the approach. A resolution on the order of 2 mm was achieved on test data. The method was experimentally confirmed with a 661.7 keV gamma-ray beam. The positions of multiple real uncollimated sources (¹³⁷Cs, ⁶⁰Co) placed around the detector at various distances ranging from 20 cm to 100 cm were successfully reconstructed, demonstrating the validity of the developed algorithms under real-world conditions. Finally, a Bayesian reconstruction method was introduced and improves the angular resolution by more than 20% compared with the conventional method.
Cette thèse explore les capacités d'imagerie Compton d'un détecteur HPGe coaxial segmenté. Un modèle léger d'apprentissage automatique est développé pour reconstruire les positions d'interaction à partir des formes d'impulsion, permettant une imagerie précise sans recourir à une ferme de calcul. Des simulations Monte Carlo et des données expérimentales (scans 3D, faisceaux collimatés et sources non collimatées) ont été utilisées pour valider l'approche. Une résolution de l'ordre de 2 mm a été obtenue sur les données de test, confirmée expérimentalement avec un faisceau gamma de 661.7 keV. Les positions de plusieurs sources non collimatées (¹³⁷Cs, ⁶⁰Co) placées autour du détecteur à des distances de 20 à 100 cm ont été reconstruites avec succès, démontrant la validité des algorithmes en conditions réelles. Enfin, une méthode de reconstruction bayésienne a été introduite, améliorant la résolution angulaire de plus de 20 % par rapport à la méthode conventionnelle.
| Origine | Version validée par le jury (STAR) |
|---|---|
| licence |


