A Maximum Likelihood Expectation Maximization (ML-EM) iteratív paraméterbecslő séma az orvosi képalkotás emissziós tomográfiás ágaiban egyre elfogadotabbá, lassan bevett eljárássá válik. A Nukleáris Technikai Intézetben  évek óra fejlesztés alatt álló Monte-Carlo (MC) alapú, videokártyákon történő (GPU-n történő) számítást felhasználó ML-EM képrekonstrukciós szoftver fejlesztésébe kapcsolódhat be a hallgató. A diplomamunka során meg kell vizsgálnia a hagyományos ML-EM séma konvergenciasebességének felgyorsításái lehetőségeit, annak érdekében, hogy  MC alapú modellezési motor pontosságában rejlő előnyöket ki lehessen aknázni. A felgyorsítási lehetőségekete a mérési zajok (kevés adat, random beütések, hamis beütések) tekintetében kell elvégezni. A gyorsítási eljárások közül a GPU-hoz és a MC motorhoz illeszkedő eljárásokat választhat a hallgató, mint például szingulárisérték-alapú felbontás, vagy nem strukturált rácsok használata. A konvergenciagyorsítás keretében meg kell vizsgálnia a MC motor felgyorsításának lehetőségeit is a kódban implementált szóráscsökkentési eljárások optimalizációjával. A hallgatónak eredményeit valós, mért adatokon tesztelnie és értkelnie kell.