In nuclear medicine, the purpose is to map the intensity of the metabolic activity within the patient by measuring the internal distribution of an injected radiotracer during the diagnostic exam. Its main application is in oncology to enhance the diagnostic phase by providing functional images complementing the morphological ones. In this field, there is a growing interest in the development of gamma-ray detectors based on monolithic scintillators and silicon photomultipliers (SiPMs), where adequate position reconstruction algorithms are necessary. In this context, machine learning methods are becoming very popular, especially artificial neural networks and various solutions are emerging to implement these algorithms in a more efficient way, using FPGAs and ASICs. The development of these types of detectors is mainly motivated by the realization of scanners with larger dimensions (for example, in Total-Body PET systems), where the large number of detector modules employed within a single scanner requires embedded processing capabilities beside each module in order to lighten the overall data-acquisition system. Such systems are referred to as edge-computing devices because the raw data generated by each detector are processed immediately after acquisition. In the context of gamma-ray detectors, edge computing is typically entrusted to dedicated electronic solutions that implement machine-learning algorithms to estimate the interaction position within the scintillation crystal. Among these solutions it has been developed ANNA, an ASIC which implements a neural network in the analog computation domain. A second version of this chip has been created to overcome the limitations that emerged during the testing of the first prototype and to allow the configuration of the network topology, unlike the previous version where the network architecture was fixed.\\ In this project, a PCB-based experimental setup has been designed and utilized to test the performance of the second version of this chip. The setup comprises a carrier board, on which the chip is bonded, and a motherboard, aimed to simulate the PET detector module where the ASIC is expected to work. This setup proved to be effective and the results obtained so far showed that the new version of ANNA has improved its efficiency, in terms of accuracy, speed and power consumption.

In medicina nucleare, lo scopo è quello di mappare l'intensità dell'attività metabolica all'interno del paziente misurando la distribuzione di un radiotracciante iniettato durante l'esame diagnostico. La sua principale applicazione è in oncologia per migliorare la fase diagnostica fornendo immagini funzionali che integrano quelle morfologiche. In questo campo, c'è un crescente interesse nello sviluppo di scanner a radiazioni basati su scintillatori monolitici e fotomoltiplicatori al silicio (SiPM), dove sono necessari adeguati algoritmi di ricostruzione della posizione. In questo contesto, i metodi di machine learning stanno diventando molto popolari, in particolare le reti neurali artificiali, e stanno emergendo diverse soluzioni per implementare questi algoritmi in modo più efficiente, tra qui FPGA e ASIC. Lo sviluppo di questi tipi di rivelatori è principalmente motivato dalla realizzazione di scanner di dimensioni maggiori (ad esempio, in sistemi di Total-Body PET), dove l'elevato numero di moduli rivelatori impiegati in un singolo scanner richiede capacità di elaborazione integrate accanto a ciascun modulo, al fine di alleggerire l'intero sistema di acquisizione dati. Tali sistemi sono definiti dispositivi di edge computing perché i dati grezzi generati da ciascun rivelatore vengono elaborati immediatamente dopo l'acquisizione. Nel contesto dei rivelatori di raggi gamma, l'edge computing è in genere affidato a soluzioni elettroniche dedicate che implementano algoritmi di machine-learning per stimare la posizione di interazione all'interno del cristallo scintillatore. Tra queste soluzioni, è stato sviluppato ANNA, un ASIC che implementa una rete neurale nel dominio del calcolo analogico. Una seconda versione di questo chip è stata realizzata per superare le limitazioni emerse durante i test del primo prototipo e per consentire la configurazione della topologia della rete, al contrario della precedente versione dove l'architettura della rete era fissa.\\ In questo progetto, è stato progettato e utilizzato un setup sperimentale basato su PCB per testare le prestazioni della seconda versione di questo chip. Il sistema è composto da una scheda di supporto, sulla quale è fissato il chip, e da una scheda madre, progettata per simulare il modulo del rivelatore PET in cui si prevede che l'ASIC opererà. Questa configurazione si è dimostrata efficace e i risultati ottenuti finora hanno mostrato che la nuova versione di ANNA ha migliorato la sua efficienza in termini di precisione, velocità e consumo energetico.

Experimental characterization of ANNA for gamma-ray positioning in monolithic scintillator detectors : PCB design and testing procedure

Bison, Leonardo
2025/2026

Abstract

In nuclear medicine, the purpose is to map the intensity of the metabolic activity within the patient by measuring the internal distribution of an injected radiotracer during the diagnostic exam. Its main application is in oncology to enhance the diagnostic phase by providing functional images complementing the morphological ones. In this field, there is a growing interest in the development of gamma-ray detectors based on monolithic scintillators and silicon photomultipliers (SiPMs), where adequate position reconstruction algorithms are necessary. In this context, machine learning methods are becoming very popular, especially artificial neural networks and various solutions are emerging to implement these algorithms in a more efficient way, using FPGAs and ASICs. The development of these types of detectors is mainly motivated by the realization of scanners with larger dimensions (for example, in Total-Body PET systems), where the large number of detector modules employed within a single scanner requires embedded processing capabilities beside each module in order to lighten the overall data-acquisition system. Such systems are referred to as edge-computing devices because the raw data generated by each detector are processed immediately after acquisition. In the context of gamma-ray detectors, edge computing is typically entrusted to dedicated electronic solutions that implement machine-learning algorithms to estimate the interaction position within the scintillation crystal. Among these solutions it has been developed ANNA, an ASIC which implements a neural network in the analog computation domain. A second version of this chip has been created to overcome the limitations that emerged during the testing of the first prototype and to allow the configuration of the network topology, unlike the previous version where the network architecture was fixed.\\ In this project, a PCB-based experimental setup has been designed and utilized to test the performance of the second version of this chip. The setup comprises a carrier board, on which the chip is bonded, and a motherboard, aimed to simulate the PET detector module where the ASIC is expected to work. This setup proved to be effective and the results obtained so far showed that the new version of ANNA has improved its efficiency, in terms of accuracy, speed and power consumption.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
In medicina nucleare, lo scopo è quello di mappare l'intensità dell'attività metabolica all'interno del paziente misurando la distribuzione di un radiotracciante iniettato durante l'esame diagnostico. La sua principale applicazione è in oncologia per migliorare la fase diagnostica fornendo immagini funzionali che integrano quelle morfologiche. In questo campo, c'è un crescente interesse nello sviluppo di scanner a radiazioni basati su scintillatori monolitici e fotomoltiplicatori al silicio (SiPM), dove sono necessari adeguati algoritmi di ricostruzione della posizione. In questo contesto, i metodi di machine learning stanno diventando molto popolari, in particolare le reti neurali artificiali, e stanno emergendo diverse soluzioni per implementare questi algoritmi in modo più efficiente, tra qui FPGA e ASIC. Lo sviluppo di questi tipi di rivelatori è principalmente motivato dalla realizzazione di scanner di dimensioni maggiori (ad esempio, in sistemi di Total-Body PET), dove l'elevato numero di moduli rivelatori impiegati in un singolo scanner richiede capacità di elaborazione integrate accanto a ciascun modulo, al fine di alleggerire l'intero sistema di acquisizione dati. Tali sistemi sono definiti dispositivi di edge computing perché i dati grezzi generati da ciascun rivelatore vengono elaborati immediatamente dopo l'acquisizione. Nel contesto dei rivelatori di raggi gamma, l'edge computing è in genere affidato a soluzioni elettroniche dedicate che implementano algoritmi di machine-learning per stimare la posizione di interazione all'interno del cristallo scintillatore. Tra queste soluzioni, è stato sviluppato ANNA, un ASIC che implementa una rete neurale nel dominio del calcolo analogico. Una seconda versione di questo chip è stata realizzata per superare le limitazioni emerse durante i test del primo prototipo e per consentire la configurazione della topologia della rete, al contrario della precedente versione dove l'architettura della rete era fissa.\\ In questo progetto, è stato progettato e utilizzato un setup sperimentale basato su PCB per testare le prestazioni della seconda versione di questo chip. Il sistema è composto da una scheda di supporto, sulla quale è fissato il chip, e da una scheda madre, progettata per simulare il modulo del rivelatore PET in cui si prevede che l'ASIC opererà. Questa configurazione si è dimostrata efficace e i risultati ottenuti finora hanno mostrato che la nuova versione di ANNA ha migliorato la sua efficienza in termini di precisione, velocità e consumo energetico.
File allegati
File Dimensione Formato  
2026_07_Bison_Tesi.pdf

non accessibile

Descrizione: Testo della tesi
Dimensione 50.33 MB
Formato Adobe PDF
50.33 MB Adobe PDF   Visualizza/Apri
2026_07_Bison_Executive Summary.pdf

non accessibile

Descrizione: Executive Summary
Dimensione 3.41 MB
Formato Adobe PDF
3.41 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261117