یک روش نوین برای پیش بینی عدم یکنواختی توزیع مقدار پیکسل به دلیل اثر پاشنه لوله اشعه ایکس در رادیوگرافی دیجیتال صنعتی با استفاده از شبکه عصبی مصنوعی

اثر پاشنه در سیستم‌های تصویربرداری پرتو ایکس باعث توزیع تابش غیر یکنواخت در صفحه تصویربرداری می‌شود. در این تحقیق، یک روش جدید برای پیش‌بینی عدم یکنواختی ارزش پیکسل به دلیل اثر پاشنه لوله اشعه ایکس در صفحه تصویربرداری با استفاده از کد شبیه‌سازی ذره مونت کارلو (‏MCNP) ‏و شبکه عصبی مصنوعی (‏ANN) ‏توسعه داده شد. در ابتدا، یک لوله اشعه ایکس صنعتی و یک صفحه تصویر محاسبه‌شده رادیوگرافی (‏CR)‏با استفاده از MCNP شبیه‌سازی شدند. سپس فرآیند شبیه‌سازی با یک آزمایش ارزیابی شد. در مرحله بعد، ۹ تصویر از شبیه‌سازی برای ۹ ولتاژ مختلف لوله در محدوده ۱۰۰–۳۰۰ kV بدست آمد. علاوه بر این، چند پیکسل با زوایای مماسی و قطبی در محدوده ۰ تا ۲۰ درجه و ۰ تا ۱۸۰ درجه نسبت به پیکسل مرکزی از این نه تصویر شبیه‌سازی شده به ترتیب برای آموزش ANN انتخاب شدند. از ولتاژ لوله، زوایای مماسی و قطبی هر پیکسل به عنوان سه ورودی ANN و مقدار خاکستری در هر پیکسل به عنوان خروجی استفاده شد. پس از آموزش، مدل ANN پیشنهادی توانست مقدار خاکستری هر پیکسل در صفحه تصویر برداری را با میانگین خطای نسبی کم‌تر از ۰.۲۳ % پیش‌بینی کند. در مرحله آ

The heel effect in X-ray radiation imaging systems causes a non-uniform radiation distribution on the imaging plane. In this research, a novel method was developed for predicting the pixel value’s non-uniformity due to the heel effect of X-ray tube on the imaging plane using Monte Carlo N particle (MCNP) simulation code and artificial neural network (ANN). At first, an industrial X-ray tube and a computed radiography (CR) image plate were simulated using MCNP. Then, the simulation procedure was benchmarked with an experiment. In the next step, nine images were obtained from the simulation for nine different tube voltages in the range of 100–۳۰۰ kV. Furthermore, some pixels with tangential and polar angles in the range of 0°–۲۰° and of 0°–۱۸۰° with respect to the centered pixel were chosen from these nine simulated images in order to train the ANN, respectively. The tube voltage, tangential and polar angles of each pixel were used as the three inputs of the ANN and gray value in each pi