CN109031440A - 一种基于深度学习的伽马放射性成像方法 - Google Patents
一种基于深度学习的伽马放射性成像方法 Download PDFInfo
- Publication number
- CN109031440A CN109031440A CN201810561908.8A CN201810561908A CN109031440A CN 109031440 A CN109031440 A CN 109031440A CN 201810561908 A CN201810561908 A CN 201810561908A CN 109031440 A CN109031440 A CN 109031440A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- image
- gamma
- notch
- gamma radiation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 71
- 230000005855 radiation Effects 0.000 title claims abstract description 67
- 238000003384 imaging method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013461 design Methods 0.000 claims abstract description 19
- 230000003287 optical effect Effects 0.000 claims abstract description 19
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 18
- 230000002285 radioactive effect Effects 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 239000000941 radioactive substance Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000004904 shortening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 239000010937 tungsten Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 241001637516 Polygonia c-album Species 0.000 description 1
- 229910001080 W alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- TVFDJXOCXUVLDH-RNFDNDRNSA-N cesium-137 Chemical compound [137Cs] TVFDJXOCXUVLDH-RNFDNDRNSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000012857 radioactive material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
Landscapes
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种基于深度学习的伽马放射性成像方法，属于辐射探测技术和放射性监测领域，能够缩短伽马辐射成像所需时间，提高图像质量，精确反映放射性空间分布的目的。本发明包括：采用蒙特卡罗方法模拟编码成像过程，获得数量充足的编码图像样本；将编码图像进行处理后作为样本对深度学习网络模型进行训练和测试，并对编码孔准直器的设计进行优化；使用编码孔伽马相机获得探测目标区域的伽马辐射编码图像；使用训练完成的深度学习网络对所述伽马辐射编码图像进行解码处理；使用深度视觉检测系统获得探测目标区域的深度图和光学图像；将解码得到的辐射热点图像与所述深度图、光学图像进行融合，获得探测目标区域的放射性热点分布复合图像。
Description
技术领域
本发明属于辐射探测技术和放射性监测领域，尤其涉及一种基于深度学习的伽马放射性成像方法。
背景技术
随着核工业与核技术应用深入到国家经济发展的各个领域，放射性物质的安全监管和核事故应急能力成为核安全和核安保行业特别关注的问题。传统的放射性分布探测技术，主要采用辐射探测器对目标区域各点进行测量，或者采用阵列式探测器对目标区域进行二维成像，但是均无法获得放射性物质在现实环境中的准确位置。特别地，在复杂场景下的放射性定位，还需要考虑放射性物质的三维空间位置，准确判断辐射来源及与探测装置的位置关系，对成像系统提出了更高要求。
编码孔径成像（Coded Aperture Imaging）是一种多孔成像技术，在远距离辐射成像领域应用广泛。伽马光子通过按照特定方式排列的多孔准直器后，在阵列探测器上形成编码图像，编码图像经过特殊算法进行解码可以还原目标平面的二维辐射分布情况。但是，传统的编码孔准直器按照复杂的数学公式进行设计，其编码和解码算法较为复杂，限制了编码孔准直器的设计，在低剂量率辐射环境下需要较长成像时间，所获得的伽马辐射图像与测量时间密切相关，在短测量时间时无法获得高分辨率的图像。
发明内容
本发明提供了一种基于深度学习的伽马放射性成像方法，使用模拟成像结果训练深度学习模型，优化编码准直器设计，并将训练完成的深度学习网络用于编码图像的解码过程，结合深度检测视觉系统的深度图和光学图像，用以快速获取可以精确反映放射性物质空间分布的辐射分布图像。
为实现以上目的，本发明采用以下技术方案：
一种基于深度学习的伽马放射性成像方法，包括以下步骤：
(1)使用蒙特卡罗方法对编码孔伽马相机的成像过程进行建模，模拟探测平面内不同位置的放射源的成像过程，获得不同位置、不同数量、不同类型的放射源编码孔伽马相机上形成的编码图像；
(2)将所述的编码图像作为样本对深度学习网络模型进行训练和测试，并对编码孔伽马相机的设计进行优化；
(3)使用编码孔伽马相机获得探测目标区域的伽马辐射编码图像；
(4)使用步骤(2)中所述的训练完成的深度学习网络模型对步骤(3)所述伽马辐射编码图像进行解码处理，获得目标区域的辐射热点分布图像；
(5)使用深度检测视觉系统获得目标区域的深度图和光学图像；
(6)将步骤(4)和步骤(5)中所述的辐射热点分布图像、深度图和光学图像进行图像配准，得到可以精确反映放射性空间分布和周围环境特征的复合图像，通过图像显示装置所述的复合图像可视化，为指导放射性物质跟踪定位和有效监管提供参考。
以上所述步骤中，步骤(1)所述蒙特卡罗方法采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种；步骤(2)所述编码孔伽马相机的各项参数的初始化设计依据伽马相机的使用场景和阵列探测器的参数，所述深度学习网络模型的训练包括编码图像和放射源实际位置图像样本的归一化处理，构建深度学习框架，建立深度学习网络模型，初始化模型参数，训练深度学习网络模型，测试深度学习网络模型，优选深度学习网络采用的深度学习框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer或Scikit-Learn中的一种或多种，深度学习网络模型采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种；所述编码孔伽马相机采用阵列探测器和编码孔准直器，优选阵列探测器和编码孔准直器周围使用伽马屏蔽材料作为外壳，采用刚性连接，数据采集、传输和处理模块置于阵列探测器后端,通过信号传输模块与图像处理装置相连接，优选数据采集、传输、处理模块的设计和搭建采用的核心部件为ASIC芯片、FPGA芯片、PCB板、ARM板、Windows主板、无线射频模块、GPRS数据传输模块中的一种或几种，优选阵列探测器为阵列式辐射传感器，阵列式探测器的阵列结构包括线阵式、像素式、多层阻性板式，所述编码孔准直器和周围屏蔽材料所使用的材料为铅、钨、钨合金中的一种或几种；步骤(4)将通过深度学习解码网络解码得到的辐射分布图像进行平滑处理，获得亚像素级的辐射热点分布图像，所述对辐射分布图像进行亚像素精细化处理的方法为克里金插值方法、三次样条插值、矩估计方法、形心法、灰度重心法中的一种或几种；步骤(5)所述深度检测视觉系统为光学相机、双目或多目视觉系统、结构光视觉系统、TOF（TimeofFlight）视觉系统中的一种或几种；步骤(6)中所述图像配准采用的方法为基于灰度信息的方法、基于空间变换域的方法、基于图像特征的方法中的一种或几种；所述图像配准所采用的计算平台为OpenCV计算机视觉库、ArcGIS或MATLAB中的一种或几种；基于深度学习的伽马辐射成像方法包括用于控制伽马相机和深度检测视觉系统的上位机下位机系统、无线通信模块、GPS定位系统；对伽马辐射进行成像的装置包括用于搭载成像系统的载荷设备，载荷设备的控制系统与上下位机系统通过信号传输模块连接，用以为载荷设备进行移动轨迹规划，优选所述载荷设备包括具有指定运载能力且轨迹可控的交通工具，所述交通工具包括无人机、无人汽车、机器人、无人艇和便携式移动平台。
本发明的有益效果为：本发明提供了一种基于深度学习的伽马放射性成像方法，与现有技术相比有以下优点：
（1）本发明采用深度学习的方法改进了编码孔径成像方法，优化编码孔准直器设计，克服了传统编码技术对编码孔准直器设计的限制，减少了成像所需的曝光时间；
（2）本发明采用深度学习的方法对编码图像进行解码计算，加快了图像解码速度，并且对背景辐射不敏感，提高了伽马成像的质量；
（3）本发明采用蒙特卡罗模拟方法为深度学习模型的训练提供样本，扩大了深度学习方法的应用范围，提升了深度学习方法的适用性；
（4）本发明将深度检测技术引入到伽马辐射成像系统，采用图像配准和图像融合技术，改善了传统伽马辐射成像系统单一成像结果的缺点，同时提升了放射性物质在真实场景中定位的准确性，可以获得精确描述放射性空间分布和环境特征的辐射热点分布图；
（5）本发明采用的深度学习方法，可以自动对训练样本进行特征提取，抽象出不同低级特征，用于对未知样本进行预测和回归，而传统的神经网络在图像处理方面依赖于手动特征提取，特征向量的维度等参数需要被确定，这个过程对于工作人员专业知识要求较高，智能化程度差。
附图说明
图1是本发明的总流程图。
图2是本发明中采用蒙特卡罗方法模拟伽马成像过程获得样本的示意图。
图3是本发明中采用蒙特卡罗方法和深度学习网络模型对编码孔准直器进行优化设计的流程图。
图4是本发明实施例中的装置结构示意图。
图5是本发明实施例中待测区域存在3个放射源时本方法获得的辐射图像和传统解码方法获得的辐射图像。
图6是本发明实施例中待测区域存在2个放射源时本方法获得的辐射图像和传统解码方法获得的辐射图像。
具体实施方式
下面结合附图对本发明的具体实施方式作出进一步说明，以下实施是对本发明的解释而本发明并不局限于以下实施例。
参见图1，一种基于深度学习的伽马辐射成像方法，包括以下步骤：
步骤101：使用蒙特卡罗方法模拟编码成像过程，获得数量充足的编码图像样本。
具体的，使用蒙特卡罗方法对编码孔伽马相机的成像过程进行建模，模拟探测平面内不同位置的放射源的成像过程，获得不同位置、不同数量、不同类型的放射源在编码孔伽马相机上形成的编码图像。蒙特卡罗方法又叫随机抽样法或统计实验法，属于计算数学的一个分支，它能够真实地模拟实际物理过程，解决问题与实际非常符合。蒙特卡洛程序是基于蒙特卡洛方法的用于计算三维复杂几何结构中的中子、光子、电子或耦合中子/光子/电子输运问题的通用软件包，基于实际探测器尺寸、材料组成等参数可以使用蒙特卡洛程序对其模型建立，并确定其对中子、光子和电子的响应。使用蒙特卡洛程序模拟编码孔径相机成像过程，可以克服实测条件下难以短时间获得大量数据样本的难题，通过模拟多种条件下的编码成像过程，可以使深度学习具有更强的学习及预测能力。所述蒙特卡洛程序采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。
步骤102：将步骤101所述的编码图像作为样本对深度学习网络模型进行训练和测试，并对编码孔准直器的设计进行优化；
具体的，深度学习网络模型的训练包括编码图像和放射源实际位置图像样本的归一化处理，构建深度学习框架，建立深度学习网络模型，初始化模型参数，训练深度学习网络模型，测试深度学习网络模型。深度学习又称深度机器学习，是机器学习的一个分支，它集中于学习数据的深层结构。多层的深度学习网络可以更好的模拟人脑进行分析学习及数据解释。它已在计算机视觉、语音识别、自然语音处理等领域成功应用。所述步骤102中的深度学习网络模型采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种。所述步骤102中的深度学习网络采用的深度学习框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer或Scikit-Learn中的一种或多种。
步骤103：使用编码孔伽马相机获得探测目标区域的伽马辐射编码图像。
具体的，所述步骤103中的编码孔伽马相机采用阵列探测器和编码孔准直器，结合数据获取模块、数据传输模块和数据处理模块，组装成一套完整的编码孔伽马相机，对探测目标区域进行成像，获得探测目标区域的伽马辐射编码图像。编码孔伽马相机是一种多孔准直辐射成像装置，在远距离辐射成像领域应用广泛。伽马光子通过按照特定方式排列的多孔准直器后，在阵列探测器上形成编码图像，编码图像经过特殊算法进行解码可以还原目标平面的二维辐射分布情况。所述步骤103中的阵列探测器和编码孔准直器周围使用伽马屏蔽材料作为外壳，采用刚性连接，数据采集、传输和处理模块置于阵列探测器后端,通过信号传输模块与图像处理装置相连接。
步骤104：使用步骤102中所述的训练完成的深度学习网络对所述伽马辐射编码图像进行解码处理，获得目标区域的辐射热点分布图像。
具体的，将步骤103中所述的使用编码孔伽马相机获得的探测目标区域的伽马辐射编码图像进行归一化处理，输入到步骤102中所述的训练完成的深度学习网络中，得到预测的放射源位置图像。所述步骤104中还包括将通过深度学习网络解码得到的辐射分布图像进行平滑处理，获得亚像素级的辐射热点分布图像。所述对辐射分布图像进行亚像素精细化处理的方法为克里金插值方法、三次样条插值、矩估计方法、形心法、灰度重心法中的一种或几种。
步骤105：使用深度检测视觉系统获得探测目标区域的深度图和光学图像；
具体的，使用深度检测视觉系统和光学相机对探测目标区域进行成像分析，获得探测目标区域的深度图和光学图像。深度检测视觉系统是一种可以直接获取探测目标区域深度信息和光学图像的视觉检测装置，在计算机视觉、三维视觉重建、虚拟现实等领域广泛应用。所述步骤105中的深度检测视觉系统为光学相机、双目或多目视觉系统、结构光视觉系统、TOF视觉系统中的一种或几种。
步骤106：将步骤104和步骤105中所述的辐射热点分布图像、深度图和光学图像进行图像配准，得到可以精确反映放射性空间分布和周围环境特征的复合图像，通过图像显示装置所述的复合图像可视化，为指导放射性物质跟踪定位和有效监管提供参考。
具体的，将辐射热点分布图像、深度图和光学图像通过一定方法进行图像配准，消除不同装置带来的视差的影响。图像配准就是将不同时间、不同传感器或不同条件下获取的两幅或多幅图像进行匹配、叠加的过程，已经被广泛应用于遥感数据分析、计算机视觉、图像处理等领域。所述步骤106中的图像配准采用的方法为基于灰度信息的方法、基于空间变换域的方法、基于图像特征的方法中的一种或几种。所述步骤106中的图像配准所采用的计算平台为OpenCV计算机视觉库、ArcGIS或MATLAB中的一种或几种。
下面通过具体实例来对本发明进一步说明：
在本实施例中，根据步骤101，使用Phits软件利用蒙特卡罗方法模拟编码成像过程，获得数量充足的编码图像样本。蒙特卡罗方法模拟的过程包括编码孔伽马相机模型的建立，放射源位置、类型、活度等参数的确定，计算过程仿真和计算结果处理。
以下结合图2对如何使用蒙特卡罗方法模拟编码成像过程进行说明：
其中，编码孔伽马相机的模型包括编码孔准直器203、屏蔽材料204、阵列探测器205；
进一步地，在本实施例中，编码孔准直器203设置为钨金属制成的多孔板，多孔板的孔径排布方式为MURA修正非冗余阵列，屏蔽材料204选用的材料为铅，阵列探测器205设置为碲锌镉像素阵列探测器；
进一步地，201为伽马相机探测目标区域，其大小与所选探测器和编码孔准直器的尺寸相关，在本例中，目标区域在距离多孔板90 cm远处大小为70×70 cm2，202所示为放射源所在位置，探测目标区域可以离散成单位面积位10×10cm2的7×7像素化平面；
进一步地，在本实施例中，通过不断改变201探测目标区域内放射源202的个数、位置、类型，并对每种情况进行模拟，即可以在阵列探测器205上获得大量编码图像，本实施例中模拟了单个放射源在离散探测目标平面内的所有49中可能成像结果，以及两个和三个放射源位于离散探测目标平面不同位置时的19649种可能结果，每种位置情况分别进行测量时间为100 s，50 s，20 s，10 s，1s的模拟，放射源活度为1mCi，放射性核素种类为铯-137。
进一步地，假设探测目标区域201的原始图像为S，编码孔准直器203的编码函数为A，根据编码孔径成像理论，在阵列探测器205中生成的编码图像P可以表示如下式。式中*为相关运算符，N为编码算法的噪声。
P = S * A + N （1）
则要想通过解码图像P获得原始图像S，需要构建解码函数G，使得满足下式。其中，δ为阶跃函数。
A * G = δ （2）
将式（2）代入式（1），即可得到下式。其中，R为重建图像。
R = S * δ + N * G（3）
通过推导可知，精确计算出解码函数G的形式就能最大程度地重建出原始图像P。
在本实施例中，根据步骤102，将步骤101所述的编码图像作为样本对深度学习网络模型进行训练和测试，并对编码孔准直器的设计进行优化；
以下结合图3对如何将编码图像和放射源实际位置图像作为样本对深度学习模型进行训练，并获得训练完成的深度学习网络和优化后的编码孔径设计参数进行说明：
其中，首先根据步骤301确定选用的阵列探测器的参数，本例中，像素大小为0.34 ×0.34 cm2，像素阵列为7×7排布；然后根据步骤302对编码孔径参数进行初始设计，所需考虑的设计参数包括准直器的材料和尺寸，孔径的大小、孔的形状、孔的密度、孔的排列方式等。
进一步地，将步骤302中的设计方案带入步骤303中，使用蒙特卡罗方法模拟编码成像，分别模拟测量时间为100 s，50 s，20 s，10 s，1s的情况；
进一步地，在本实施例中，将模拟获得的编码图像和放射源实际位置图像进行归一化处理，归一化方法为将每个样本归一化到-1到1区间内，将测量时间为100 s，50 s，20 s的样本输入到深度学习网络模型中，作为训练样本；
进一步地，根据所述上式（1）（2）（3），对深度学习网络模型的训练目的是，通过大量样本使得深度学习网络自动进行特征提取和匹配，抽象出对应编码孔准直器的解码函数G，从而实现对编码图像的精确重建；
在本实施例中，步骤304采用的深度学习网络框架是TensorFlow，所使用的深度学习模型是卷积神经网络，在本实施例中，构建的卷积神经网络包含卷积层、隐含层、池化层、全连接层，其中卷积核的大小为3，卷积层个数为2，池化方式为最大值池化，卷积层激活函数为ReLU函数，全连接层激活函数为Sigmoid函数；
进一步地，根据步骤305对初步训练的深度学习模型进行测试，所选取的测试样本为模拟测量时间为10 s，1s的已经归一化的样本，需要检验的性能参数包括放射源位置识别准确率、放射源数量识别准确率、解码图像信噪比，如果测试参数满足要求，则获得训练完成的深度学习网络，否则，对编码孔径初始设计进行修正，重复步骤302到步骤305，直至获得满足预期测试参数要求的深度学习网络。
在本实施例中，图5左侧展示了2组最终训练完成的卷积神经网络模型对3个放射源同时存在时的解码图像结果，图6左侧展示了2组最终训练完成的卷积神经网络模型对2个放射源同时存在时的解码图像结果，图5、图6的右侧分别是与之比较的传统解码方式得到的图像结果；可以见得，使用本发明所述的蒙特卡罗模拟结合神经学习方法的解码方式得到的图像结果可以准确反应放射源的真实位置信息，同时相比于传统方法具有更高的信噪比和图像清晰度，可以预见，在更低计数情况下相比于传统方法该方法在成像质量方面具有更加大优势
在本实施例中，根据步骤103，使用步骤102中经过蒙特卡罗模拟和深度学习模型优化的编码孔准直器参数，屏蔽材料参数，屏蔽结构设计方案，对编码孔伽马相机进行设计组装，获得探测目标区域的伽马辐射编码图像。
以下结合图4对本发明的具体实施例中的装置结构和流程进一步说明：
在本实施例中，编码孔伽马相机结构为阵列探测器和编码孔准直器，结合数据获取模块、数据传输模块和数据处理模块，组装成一套完整的编码孔伽马相机。
进一步地，阵列探测器和编码孔准直器周围使用伽马屏蔽材料作为外壳，采用刚性连接，数据采集、传输和处理模块置于阵列探测器后端,通过信号传输模块与图像处理装置相连接。
进一步地，所述的数据获取、传输、处理模块的主要部件有ASIC芯片、FPGA芯片、PCB板、Windows主板、无线射频模块、GPRS数据传输模块。
在本实施例中，使用步骤102中所述的训练完成的深度学习网络模型对步骤103中所述伽马辐射编码图像进行解码处理，获得目标区域的辐射热点分布图像。
进一步地，由于所选用的阵列探测器像素精度较低，解码得到的图像像素精度较差，采用亚像素处理方法对解码图像进行进一步处理，处理方法为克里金插值方法。
在本实施例中，使用深度检测视觉系统获得探测目标区域的深度图和光学图像。在本实施例中，使用商业化深度检测视觉产品Microsoft Kinect，可以通过配套软件系统直接获得探测目标区域的深度图和光学图像。
在本实施例中，将辐射热点分布图像、深度图和光学图像进行图像配准，得到可以精确反映放射性空间分布和周围环境特征的复合图像。
进一步地，采用基于空间变换域的方法，结合OpenCV计算机视觉库和MATLAB软件，通过一系列实验设置确定配准模型，然后将辐射热点分布图像、深度图和光学图像在配准模型中进行配准。
在本实施例中，配有图像显示装置可以将最终得到的复合图像可视化，为指导放射性物质跟踪定位和有效监管提供参考。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。
Claims (9)
1.一种基于深度学习的伽马放射性成像方法，其特征在于，包括以下步骤：
(1)使用蒙特卡罗方法对编码孔伽马相机的成像过程进行建模，模拟探测平面内不同位置的放射源的成像过程，获得不同位置、不同数量、不同类型的放射源在编码孔伽马相机上形成的编码图像；
(2)将所述的编码图像作为样本对深度学习网络模型进行训练和测试，并对编码孔伽马相机的设计进行优化；
(3)使用编码孔伽马相机获得探测目标区域的伽马辐射编码图像；
(4)使用步骤(2)中所述的训练完成的深度学习网络模型对步骤(3)所述伽马辐射编码图像进行解码处理，获得目标区域的辐射热点分布图像；
(5)使用深度检测视觉系统获得目标区域的深度图和光学图像；
(6)将步骤(4)和步骤(5)中所述的辐射热点分布图像、深度图和光学图像进行图像配准，得到可以精确反映放射性空间分布和周围环境特征的复合图像，通过图像显示装置所述的复合图像可视化，为指导放射性物质跟踪定位和有效监管提供参考。
2.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(1)所述蒙特卡罗方法采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。
3.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(2)所述编码孔伽马相机的各项参数的初始化设计依据伽马相机的使用场景和阵列探测器的参数，所述深度学习网络模型的训练包括编码图像和放射源实际位置图像样本的归一化处理，构建深度学习框架，建立深度学习网络模型，初始化模型参数，训练深度学习网络模型，测试深度学习网络模型。
4.根据权利要求1或3所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(2)所述深度学习网络采用的深度学习框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer或Scikit-Learn中的一种或多种，所述深度学习网络模型采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种。
5.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，所述编码孔伽马相机采用阵列探测器和编码孔准直器，阵列探测器和编码孔准直器周围使用伽马屏蔽材料作为外壳，采用刚性连接，数据采集、传输和处理模块置于阵列探测器后端,通过信号传输模块与图像处理装置相连接，阵列探测器为阵列式辐射传感器，包括线阵式、像素式、多层阻性板式。
6.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(4)将通过深度学习解码网络解码得到的辐射分布图像进行平滑处理，获得亚像素级的辐射热点分布图像，所述对辐射分布图像进行亚像素精细化处理的方法为克里金插值方法、三次样条插值、矩估计方法、形心法、灰度重心法中的一种或几种。
7.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(6)中所述图像配准采用的方法为基于灰度信息的方法、基于空间变换域的方法、基于图像特征的方法中的一种或几种。
8.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，对伽马辐射进行成像的装置包括用于搭载成像系统的具有指定运载能力且轨迹可控的交通工具。
9.根据权利要求8所述的基于深度学习的伽马放射性成像方法，其特征在于，所述交通工具包括无人机、无人汽车、机器人、无人艇、便携式移动平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810561908.8A CN109031440B (zh) | 2018-06-04 | 2018-06-04 | 一种基于深度学习的伽马放射性成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810561908.8A CN109031440B (zh) | 2018-06-04 | 2018-06-04 | 一种基于深度学习的伽马放射性成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109031440A true CN109031440A (zh) | 2018-12-18 |
| CN109031440B CN109031440B (zh) | 2020-02-21 |
Family
ID=64611753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810561908.8A Active CN109031440B (zh) | 2018-06-04 | 2018-06-04 | 一种基于深度学习的伽马放射性成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109031440B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109893155A (zh) * | 2019-03-05 | 2019-06-18 | 中国辐射防护研究院 | 一种用于伽玛相机的编码孔准直器制作方法 |
| CN110769169A (zh) * | 2019-09-06 | 2020-02-07 | 南京航空航天大学 | 一种基于偶数阶编码阵列的编码孔伽马相机及其设计方法 |
| CN110780333A (zh) * | 2019-09-30 | 2020-02-11 | 南京航空航天大学 | 一种基于双编码板的伽马相机及其用于放射性物质定位的方法 |
| CN110779797A (zh) * | 2019-11-08 | 2020-02-11 | 南京航空航天大学 | 一种测量金属拉伸试验过程中塑性应变比的方法 |
| CN110796713A (zh) * | 2019-11-29 | 2020-02-14 | 北京中科核安科技有限公司 | 放射源定位方法和装置、电子设备及计算机可读存储介质 |
| CN111027590A (zh) * | 2019-11-11 | 2020-04-17 | 郑州大学第一附属医院 | 一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法 |
| CN111053579A (zh) * | 2019-12-31 | 2020-04-24 | 深圳开立生物医疗科技股份有限公司 | 盆底状态的分类方法、系统、超声设备及计算机存储介质 |
| CN111080558A (zh) * | 2019-12-26 | 2020-04-28 | 南京航空航天大学 | 基于活体小动物伽马相机成像的图像显示及优化方法 |
| CN111401548A (zh) * | 2020-03-03 | 2020-07-10 | 西北工业大学 | 一种基于深度学习的Lofar线谱检测方法 |
| CN111724419A (zh) * | 2019-03-19 | 2020-09-29 | 长春工业大学 | 一种改进极限学习机的tof相机深度数据空间配准算法研究 |
| CN112258597A (zh) * | 2020-12-18 | 2021-01-22 | 成都理工大学 | 基于神经网络定位算法的快速成像方法及装置 |
| CN112263787A (zh) * | 2020-10-30 | 2021-01-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
| CN113077433A (zh) * | 2021-03-30 | 2021-07-06 | 山东英信计算机技术有限公司 | 基于深度学习的肿瘤靶区云检测装置、系统、方法及介质 |
| CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
| CN114757105A (zh) * | 2022-04-29 | 2022-07-15 | 西安交通大学 | 基于能量窗调制的三能段伽马成像系统与系统设计方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103163548A (zh) * | 2013-03-07 | 2013-06-19 | 北京辛耕普华医疗科技有限公司 | 基于伽马相机的放射性物质探测方法及其装置和系统 |
| WO2014064295A1 (en) * | 2012-10-26 | 2014-05-01 | Universiteit Gent | Calibration of monolithic crystal-based detectors |
| CN104237959A (zh) * | 2014-08-21 | 2014-12-24 | 北京辛耕普华医疗科技有限公司 | 对放射性物质实时动态追踪定位的方法和设备 |
| CN107229787A (zh) * | 2017-05-24 | 2017-10-03 | 南京航空航天大学 | 一种基于近似系数与深度学习的伽马能谱分析方法 |
| CN107592536A (zh) * | 2012-02-29 | 2018-01-16 | 索尼公司 | 图像处理装置和方法 |
| US9880289B2 (en) * | 2012-05-03 | 2018-01-30 | Kepco Nuclear Fuel Co., Ltd. | Method of measuring radioactive material of ingot using NaI gamma scintillator |
-
2018
- 2018-06-04 CN CN201810561908.8A patent/CN109031440B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107592536A (zh) * | 2012-02-29 | 2018-01-16 | 索尼公司 | 图像处理装置和方法 |
| US9880289B2 (en) * | 2012-05-03 | 2018-01-30 | Kepco Nuclear Fuel Co., Ltd. | Method of measuring radioactive material of ingot using NaI gamma scintillator |
| WO2014064295A1 (en) * | 2012-10-26 | 2014-05-01 | Universiteit Gent | Calibration of monolithic crystal-based detectors |
| CN103163548A (zh) * | 2013-03-07 | 2013-06-19 | 北京辛耕普华医疗科技有限公司 | 基于伽马相机的放射性物质探测方法及其装置和系统 |
| CN104237959A (zh) * | 2014-08-21 | 2014-12-24 | 北京辛耕普华医疗科技有限公司 | 对放射性物质实时动态追踪定位的方法和设备 |
| CN107229787A (zh) * | 2017-05-24 | 2017-10-03 | 南京航空航天大学 | 一种基于近似系数与深度学习的伽马能谱分析方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109893155A (zh) * | 2019-03-05 | 2019-06-18 | 中国辐射防护研究院 | 一种用于伽玛相机的编码孔准直器制作方法 |
| CN111724419A (zh) * | 2019-03-19 | 2020-09-29 | 长春工业大学 | 一种改进极限学习机的tof相机深度数据空间配准算法研究 |
| CN110769169A (zh) * | 2019-09-06 | 2020-02-07 | 南京航空航天大学 | 一种基于偶数阶编码阵列的编码孔伽马相机及其设计方法 |
| CN110769169B (zh) * | 2019-09-06 | 2022-04-22 | 南京航空航天大学 | 一种基于偶数阶编码阵列的编码孔伽马相机及其设计方法 |
| CN110780333A (zh) * | 2019-09-30 | 2020-02-11 | 南京航空航天大学 | 一种基于双编码板的伽马相机及其用于放射性物质定位的方法 |
| CN110779797A (zh) * | 2019-11-08 | 2020-02-11 | 南京航空航天大学 | 一种测量金属拉伸试验过程中塑性应变比的方法 |
| CN111027590A (zh) * | 2019-11-11 | 2020-04-17 | 郑州大学第一附属医院 | 一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法 |
| CN111027590B (zh) * | 2019-11-11 | 2023-03-24 | 郑州大学第一附属医院 | 一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法 |
| CN110796713A (zh) * | 2019-11-29 | 2020-02-14 | 北京中科核安科技有限公司 | 放射源定位方法和装置、电子设备及计算机可读存储介质 |
| CN110796713B (zh) * | 2019-11-29 | 2023-06-02 | 北京中科核安科技有限公司 | 放射源定位方法和装置、电子设备及计算机可读存储介质 |
| CN111080558B (zh) * | 2019-12-26 | 2023-10-03 | 南京航空航天大学 | 基于活体小动物伽马相机成像的图像显示及优化方法 |
| CN111080558A (zh) * | 2019-12-26 | 2020-04-28 | 南京航空航天大学 | 基于活体小动物伽马相机成像的图像显示及优化方法 |
| CN111053579A (zh) * | 2019-12-31 | 2020-04-24 | 深圳开立生物医疗科技股份有限公司 | 盆底状态的分类方法、系统、超声设备及计算机存储介质 |
| CN111401548A (zh) * | 2020-03-03 | 2020-07-10 | 西北工业大学 | 一种基于深度学习的Lofar线谱检测方法 |
| CN111401548B (zh) * | 2020-03-03 | 2022-03-22 | 西北工业大学 | 一种基于深度学习的Lofar线谱检测方法 |
| CN112263787A (zh) * | 2020-10-30 | 2021-01-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
| CN112263787B (zh) * | 2020-10-30 | 2021-08-10 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 放疗的控制方法及装置 |
| CN112258597B (zh) * | 2020-12-18 | 2021-04-20 | 成都理工大学 | 基于神经网络定位算法的快速成像方法及装置 |
| CN112258597A (zh) * | 2020-12-18 | 2021-01-22 | 成都理工大学 | 基于神经网络定位算法的快速成像方法及装置 |
| CN113077433A (zh) * | 2021-03-30 | 2021-07-06 | 山东英信计算机技术有限公司 | 基于深度学习的肿瘤靶区云检测装置、系统、方法及介质 |
| CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
| CN113777648B (zh) * | 2021-09-09 | 2024-04-12 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
| CN114757105A (zh) * | 2022-04-29 | 2022-07-15 | 西安交通大学 | 基于能量窗调制的三能段伽马成像系统与系统设计方法 |
| CN114757105B (zh) * | 2022-04-29 | 2024-02-23 | 西安交通大学 | 基于能量窗调制的三能段伽马成像系统与系统设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109031440B (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109031440A (zh) | 一种基于深度学习的伽马放射性成像方法 | |
| CN103163548B (zh) | 基于伽马相机的放射性物质探测方法及其装置和系统 | |
| Erdmann et al. | A deep learning-based reconstruction of cosmic ray-induced air showers | |
| Shahzad et al. | Buildings detection in VHR SAR images using fully convolution neural networks | |
| CN109076148A (zh) | 日常场景重建引擎 | |
| CN104165750B (zh) | 立体视觉结合陀螺仪风洞模型位姿测量方法 | |
| CN104272731B (zh) | 用于处理3d信息的设备和方法 | |
| Wells III | Statistical object recognition | |
| CN106772428A (zh) | 一种无扫描式光子计数非视域三维成像装置及方法 | |
| CN104569972B (zh) | 一种植物根系三维构型无损检测方法 | |
| CN104237959A (zh) | 对放射性物质实时动态追踪定位的方法和设备 | |
| CN109631912A (zh) | 一种深空球形目标被动测距方法 | |
| CN112254902B (zh) | 基于激光和可见光扫描生成立体激光点云图的方法及装置 | |
| CN104634248A (zh) | 一种双目视觉下的转轴标定方法 | |
| Lensch et al. | Planned sampling of spatially varying BRDFs | |
| CN106022266A (zh) | 一种目标跟踪方法及装置 | |
| CN105701578A (zh) | 一种基于电子鼻和红外摄像仪烟羽前端扩散路径预测方法 | |
| Remetean et al. | Philae locating and science support by robotic vision techniques | |
| Li et al. | Physics-based stitching of multi-FOV PIV measurements for urban wind fields | |
| Drouin et al. | Modeling and simulation framework for airborne camera systems | |
| CN112598617B (zh) | 一种基于虚拟平台的外弹道光学测量精度分析方法 | |
| Soheilian et al. | Multi-view 3D circular target reconstruction with uncertainty analysis | |
| Anderson et al. | Detection and location of Gamma-Ray sources with a modulating coded mask | |
| CN117333609B (zh) | 图像渲染方法、网络的训练方法、设备及介质 | |
| Ristanto et al. | Development of laboratory devices for real-time measurement of object 3D position using stereo cameras |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |