Total-body positronemissietomografie (PET) biedt een oplossing tegen de inferieure gevoeligheid en lange scantijden van gewone PET. De grote hoeveelheid scintillatiemateriaal en elektronica vereist voor het verhoogde axiale gezichtsveld (FOV) maakt het echter te duur voor wijdverbreid klinisch gebruik. Monolithische detectoren zijn aantrekkelijk voor PET wegens hun hoge ruimtelijke resolutie en aanwezige diepte-van-interactie (DOI) informatie tegen een voordelige prijs. Systeemkosten kunnen verder verlaagd worden door de introductie van detector openingen in de scanner. Deze wijzigingen maken total-body PET betaalbaarder, maar vereisen geavanceerdere signaalverwerkingsalgoritmen voor het behoud van een ​​gunstige beeldkwaliteit, waarvoor we deep learning zullen gebruiken. Dit onderzoek richt zich op het verbeteren van drie aspecten van het beeldvormingsproces: 1. schatting van de aankomsttijd van het gamma foton in monolithische kristallen om de time-of-flight (TOF) resolutie te verbeteren, 2. identificatie van comptonverstrooiing in monolithische kristallen voor betere positionering van gamma-interacties en 3. beeldherstel voor total-body PET systemen met een groot aantal detector openingen. Nodige data voor trainen en evaluatie van de neurale netwerken zal verzameld worden door GATE Monte Carlo simulatie, verrijkt met experimenten waar mogelijk. De resultaten van dit onderzoek zullen grotendeels ook toepasbaar zijn op en verbeteringen brengen voor gewone PET systemen.