20.500.12556/DiRROS-30245 Enhanced neutron-gamma discrimination using deep neural networks for precision nuclear medicine Izboljšana razločevanje med nevtroni in gama žarki z uporabo globokih nevronskih mrež za natančno nuklearno medicine Scintillator detectors, widely used in nuclear medicine and industrial applications such as radiation monitoring and material analysis, are sensitive to both neutrons and gamma rays (n/γ). A key challenge in neutron detection is minimizing gammaray interference to ensure accurate measurements. Neutron-gamma discrimination is difficult because the two particle types often produce overlapping signals in scintillator detectors, with similar pulse amplitudes but subtle differences in shape and timing. Traditional methods struggle to distinguish these subtle features, leading to misclassification and reduced detection accuracy.To address this, we propose a deep neural network (DNN)-based approach combined with pulse shape discrimination (PSD) techniques to achieve high-precision particle discrimination in mixed n/γ fields. Leveraging DNN‘s ability to learn complex patterns, our method effectively classifies neutron and gamma-ray pulses. The trained DNN model was evaluated against traditional discrimination algorithms, including the charge comparison method, rise-time analysis, frequency-domain gradient analysis, and K-means clustering. Quantitative results demonstrate a discrimination accuracy of 99%, significantly outperforming conventional techniques. Furthermore, the proposed DNN method not only enhances discrimination reliability in mixed radiation fields but also reduces processing time compared to existing methods, making it suitable for real-time applications in medical imaging and industrial neutron detection. Scinilatorji, ki se pogosto uporabljajo v nuklearni medicini in industrijskih aplikacijah, kot so nadzor sevanja in analiza materialov, so občutljivi tako na nevtrone kot na gama žarke (n/γ). Ključni izziv pri zaznavanju nevtronov je zmanjšanje motenj gama žarkov, da se zagotovijo natančne meritve. Razlikovanje med nevtroni in gama žarki je težko, ker ti dve vrsti delcev v scinilatorjih pogosto proizvajajo prekrivajoče se signale s podobnimi amplitudami impulzov, vendar z neznatnimi razlikami v obliki in časovnem poteku. Tradicionalne metode težko razlikujejo te subtilne značilnosti, kar vodi do napačne klasifikacije in zmanjšane natančnosti detekcije. Da bi to rešili, predlagamo pristop, ki temelji na globoki nevronski mreži (DNN) v kombinaciji s tehnikami razlikovanja oblike impulza (PSD), da bi dosegli visoko natančno razlikovanje delcev v mešanih n/γ poljih. Naša metoda izkorišča sposobnost DNN za učenje kompleksnih vzorcev in učinkovito razvršča nevtronske in gama impulze. Usposobljeni model DNN je bil ocenjen v primerjavi s tradicionalnimi algoritmi razlikovanja, vključno z metodo primerjave naboja, analizo časa vzpona, analizo gradienta v frekvenčnem prostoru in združevanjem K-povprečij. Kvantitativni rezultati kažejo 99-odstotno natančnost razlikovanja, kar znatno presega zmogljivosti konvencionalnih tehnik. Poleg tega predlagana metoda DNN ne le izboljša zanesljivost razlikovanja v mešanih sevalnih poljih, ampak tudi skrajša čas obdelave v primerjavi z obstoječimi metodami, zaradi česar je primerna za uporabo v realnem času v medicinskih slikah in industrijskem zaznavanju nevtronov. neutroni in gama žarki globoka nevronska mreža razlikovanje oblike impulza neutrons and gamma rays deep neural network pulse shape discrimination true false false Angleški jezik Slovenski jezik Neznano 2026-06-17 19:16:03 2026-06-17 19:21:17 2026-06-19 03:43:50 0000-00-00 00:00:00 2025 0 0 Besedilo v angl.; str. 255-262 no. 4 Vol. 55 2025 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 2025-01-01 004.93:61 0352-9045 10.33180/InfMIDEM2025.405 281597955 https://ojs.midem-drustvo.si/index.php/InfMIDEM/article/view/2081 1 3867a8dd-6a70-11f1-97b2-001a4af901a5 https://dirros.openscience.si/Dokument.php?lang=slv&id=45815 https://ojs.midem-drustvo.si/index.php/InfMIDEM/article/view/2081 1 e9965a1b-6ac9-11f1-a3b9-001a4af901a5 https://dirros.openscience.si/Dokument.php?lang=slv&id=45829 Strokovno društvo za mikroelektroniko, elektronske sestavne dele in materiale 0 0 0