CN110226943B - 光子到达探测器的参数计算方法、装置和计算机设备 - Google Patents
光子到达探测器的参数计算方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110226943B CN110226943B CN201910604599.2A CN201910604599A CN110226943B CN 110226943 B CN110226943 B CN 110226943B CN 201910604599 A CN201910604599 A CN 201910604599A CN 110226943 B CN110226943 B CN 110226943B
- Authority
- CN
- China
- Prior art keywords
- photon
- detector
- sampling point
- point information
- deep learning
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 128
- 238000013136 deep learning model Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 43
- 238000013135 deep learning Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 22
- 230000000630 rising effect Effects 0.000 claims description 10
- 239000000758 substrate Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 13
- 230000001550 time effect Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012636 positron electron tomography Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
- A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本申请涉及一种光子到达探测器的参数计算方法、装置、计算机设备和存储介质。所述方法包括：获取探测器采集到的光子模拟信号；所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息；将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。将光子模拟信号的采样点信息输入深度学习模型，得到光子到达探测的信息，避免了使用模数转换器，降低了探测器的成本，有效的缩短了信号处理时间，并降低了采样通道的死时间效应。
Description
技术领域
本申请涉及医学成像技术领域，特别是涉及一种光子到达探测器的参数计算方法、装置和计算机设备。
背景技术
PET探测器能够实现对时间信息进行甄别，由精密的光学材料和电子器件组成，技术复杂，是多种高新技术的综合体。TOF(time of flight)技术是PET成像领域的重要技术之一，TOF技术能够提高PET诊断精度、缩短扫描时间，拓展了PET的临床应用，是未来PET发展的主要趋势之一。目前比较普遍性的针对前端探测器模拟信号进行处理的方式是通过模拟信号采样、过阈触发、AD转换、信号甄别、时间信息计算等步骤，从而得到该事件达到晶体的时间信息。
但目前的现有技术，通常使用恒比鉴相器进行信号甄别，对单一信号进行拆分、反转、延时等处理，获得两个同源信号，并通过与门进行加法计算，从而获得该事件达到晶体的时间信息。但是利用恒比鉴相器进行信号甄别，其电路设计复杂，时间信号的拆分、反转等操作需要进行特定的电路设计，并且探测器设计需要兼顾高计数性能，因此这种设计在一定程度上也会导致成本的上升。一般PET系统的的每个探测器单元对应一个采样通道，采样通道多达几百上千个，需要大量使用模数转换芯片，一方面增加了成本；另一方面模数转换芯片对于模拟信号的处理需要一定时间，会带来更大的死时间效应。
发明内容
基于此，有必要针对上述技术问题，提供一种能够减小成本并降低死时间效应的光子到达探测器的参数计算方法、装置和计算机设备方法、装置、计算机设备和存储介质。
一种光子到达探测器的参数计算方法，所述方法包括：获取探测器采集到的光子模拟信号；所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息；将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
在其中一个实施例中，所述光子到达探测器的参数包括：光子到达探测器的时间以及光子到达探测器的能量。
在其中一个实施例中，所述获取探测器采集到的光子模拟信号之前还包括：获取多个探测器采集到的光子模拟信号；根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数；将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型。
在其中一个实施例中，所述将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型包括：采集光子模拟信号中的至少两个采样点的采样点信息；将至少两个所述采样点信息以及相应光子到达探测器的参数作为训练集进行深度学习训练，得到深度学习模型。
在其中一个实施例中，所述采集光子模拟信号中的至少两个采样点的采样点信息包括：采集光子模拟信号上升沿中的至少两个采样点的采样点信息；或采集光子模拟信号下降沿中的至少两个采样点的采样点信息。
在其中一个实施例中，所述采样点信息包括：采样点的时间以及采样点的幅值。
在其中一个实施例中，所述根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数包括：所述光子模拟信号过阈触发之后，将所述光子模拟信号进行转换得到光子数字信号；根据所述光子数字信号，计算得到相应光子到达探测器的参数。
一种光子到达探测器的参数计算装置，所述装置包括：获取模块，用于获取探测器采集到的光子模拟信号；采集模块，用于所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息；深度学习模块，用于将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述光子到达探测器的参数计算方法、装置、计算机设备和存储介质，通过获取探测器采集到的光子模拟信号，当所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息，并将采样点信息输入深度学习模型，得到相应光子到达探测器的参数。将光子模拟信号的采样点信息输入深度学习模型，得到光子到达探测的信息，避免了使用模数转换器，降低了探测器的成本，有效的缩短了信号处理时间，并降低了采样通道的死时间效应。
附图说明
图1为一个实施例中光子到达探测器的参数计算方法的流程示意图；
图2为一个实施例中得到深度学习模型的方法的流程示意图；
图3为一个实施例中光子模拟信号的波形图；
图4为一个实施例中光子到达探测器的参数计算装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)，是核医学领域比较先进的临床检查影像技术。是将某种物质，一般是生物生命代谢中必须的物质，如：葡萄糖、蛋白质、核酸、脂肪酸，标记上短寿命的放射性核素(如18F，11C等)，注入人体后，放射性核素在衰变过程中释放出正电子，一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭，从而产生方向相反的一对能量为511KeV的光子。这对光子，通过高度灵敏的照相机捕捉，并经计算机进行散射和随机信息的校正。经过对不同的正电子进行相同的分析处理，我们可以得到在生物体内聚集情况的三维图像，从而达到诊断的目的。
在一个实施例中，如图1所示，提供了一种光子到达探测器的参数计算方法，包括以下步骤：
步骤S102，获取探测器采集到的光子模拟信号。
具体地，在进行PET扫描时放射性核素在人体内衰变，并释放出正电子，正电子在运动过程中与电子碰撞发生湮灭，湮灭后产生两个运动方向相反的光子被探测器接收，并根据接收到的光子生成光子模拟信号。
步骤S104，所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息。
具体地，所述光子模拟信号过阈触发之后。过阈触发为：当光子模拟信号的幅值超过一定阈值时，相应导通后续电路，对光子模拟信号进行后续处理。过阈触发之后在光子模拟信号中采集至少了两个采样点信息。更具体的，可以在光子模拟信号的上升沿采集至少两个采样点信息，也可以在光子模拟信号的下降沿采集至少两个采样点信息。其中采样点信息包括：采样点的时间信息以及采样点的幅值。采样点的时间信息是基于PET设备的系统时钟得到的时间信息，在单个事件信号周期内为绝对时间。
步骤S106，将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
具体地，深度学习模型的输入信息为采样点信息，也就是采样点的时间信息以及采样点的幅值；深度学习模型的输出信息为相应光子到达探测器的参数。其中光子到达探测器的参数包括：光子到达探测器的时间以及光子到达探测器的能量。将至少两个采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
上述光子到达探测器的参数计算方法，通过获取探测器采集到的光子模拟信号，当所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息，并将采样点信息输入深度学习模型，得到相应光子到达探测器的参数。将光子模拟信号的采样点信息输入深度学习模型，得到光子到达探测的信息，避免了使用模数转换器，降低了探测器的成本，有效的缩短了信号处理时间，并降低了采样通道的死时间效应。
在其中一个实施例中，在执行一种光子到达探测器的参数计算方法之前，首先需要对训练集进行深度学习训练得到深度学习模型。如图2所示，提供了一种得到深度学习模型的方法，包括以下步骤：
步骤S202，获取多个探测器采集到的光子模拟信号。
具体地，在进行深度学习得到深度学习模型的方法中，获取的光子模拟信号可以为多组实时获取的光子模拟信号；也可以为从存储的历史记录中获取的多个探测器采集到的光子模拟信号。光子模拟信号的数量越多，训练得到的深度学习模型越精确。其中，多组实时获取的光子模拟信号，在进行PET扫描时放射性核素在人体内衰变，并释放出正电子，正电子在运动过程中与电子碰撞发生湮灭，湮灭后产生两个运动方向相反的光子被探测器接收，并根据接收到的光子生成光子模拟信号，获取多个探测器生成的光子模拟信号。
步骤S204，根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数。
具体地，在获取到多个光子模拟信号之后，对每个光子模拟信号分别计算相应光子到达探测器的参数。具体的，所述光子模拟信号过阈触发之后，将所述光子模拟信号进行转换得到光子数字信号；根据所述光子数字信号，计算得到相应光子到达探测器的参数。也就是对每个光子模拟信号，首先经过过阈触发，当光子模拟信号的幅值超过一定阈值时，相应导通后续电路，对光子模拟信号进行后续处理。光子模拟信号过阈触发之后通过模数转换，将光子模拟信号转换得到光子数字信号，根据光子数字信号计算光子到达探测器的时间以及光子到达探测器的能量。也可以为在光子模拟信号过阈触发之后通过时间数字转换技术，将光子模拟信号转换得到光子数字信号，根据光子数字信号计算光子到达探测器的时间以及光子到达探测器的能量。
步骤S206，将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型。
具体地，采集光子模拟信号中的至少两个采样点的采样点信息；将至少两个所述采样点信息以及相应光子到达探测器的参数作为训练集进行深度学习训练，得到深度学习模型。采样点信息可以为采集光子模拟信号上升沿中的至少两个采样点的采样点信息；采样点信息还可以为采集光子模拟信号下降沿中的至少两个采样点的采样点信息。
在其中一个实施例中，将深度学习模型预置在人工智能芯片中，使用人工智能芯片对光子模拟信号进行处理，即在信号过阈触发之后，将光子模拟信号传输至人工智能芯片，通过人工智能芯片内预置的深度学习模型，将光子模拟信号的前2-4个采样点的信号作为输入，输出光子达到探测器的时间以及光子到达探测器的能量以便进行进一步的处理。
在其中一个实施例中，首先在人工智能芯片中内置深度学习模型。具体的，通过模拟信号处理平台，获得探测器接收的光子模拟信号，以及光子模拟信号的图像信息。从光子模拟信号的图像信息中，提取光子模拟信号上升沿一定时间内2-4个采样点的信息；也可以提取光子模拟信号下降沿一定时间内2-4个采样点的信息，并将采样点的信息作为深度学习算法的输入，将光子模拟信号对应的光子到达探测器的时间以及光之到达探测器的能量作为深度学习算法的输出，进行深度镀锡训练，得到深度学习模型。并将深度学习模型预置进入人工智能芯片，在将人工智能芯片集成至PET探测器的电路板上。在使用深度学习模型得到相应光子到达探测器的参数时，首先获取探测器生成的光子模拟信号，采集光子模拟信号上升沿一定时间内2-4个采样点的信息，或采集光子模拟信号下降沿一定时间内2-4个采样点的信息。将采样点信息输入深度学习模型，得到相应光子到达探测器的参数，也就是得到光子到达探测器的时间以及光子到达探测器的能量。
如图3所示，图3为一个实施例中光子模拟信号的波形图，P1、P2、P3以及P4为光子模拟信号下降沿上的四个采样点，该采样点的信息包括：采样点的时间以及采样点的幅值。在接收到光子模拟信号之后，人工智能芯片会根据输入采样点信息，推测出光子模拟信号的波形形状，并计算出相应光子到达探测器的时间以及相应光子到达探测器的能量，再将得到的光子到达探测器的时间和光子到达探测器的能量传输至后端电路进行下一步的处理。本实施例的技术方案，避免了模数转换器的使用，降低了探测器的成本，有效的缩短了信号处理的时间，降低了采样通道的死时间效应。
应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种光子到达探测器的参数计算装置，包括：获取模块100、采集模块200和深度学习模块300，其中：
获取模块100，用于获取探测器采集到的光子模拟信号。
采集模块200，用于所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息。
深度学习模块300，用于将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
深度学习模块300，还用于获取多个探测器采集到的光子模拟信号；根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数；将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型。
深度学习模块300，还用于采集光子模拟信号中的至少两个采样点的采样点信息；将至少两个所述采样点信息以及相应光子到达探测器的参数作为训练集进行深度学习训练，得到深度学习模型。
采集模块200，还用于采集光子模拟信号上升沿中的至少两个采样点的采样点信息；或采集光子模拟信号下降沿中的至少两个采样点的采样点信息。
深度学习模块300，还用于所述光子模拟信号过阈触发之后，将所述光子模拟信号进行转换得到光子数字信号；根据所述光子数字信号，计算得到相应光子到达探测器的参数。
关于光子到达探测器的参数计算装置的具体限定可以参见上文中对于光子到达探测器的参数计算方法的限定，在此不再赘述。上述光子到达探测器的参数计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种光子到达探测器的参数计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取探测器采集到的光子模拟信号；所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息；将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个探测器采集到的光子模拟信号；根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数；将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集光子模拟信号中的至少两个采样点的采样点信息；将至少两个所述采样点信息以及相应光子到达探测器的参数作为训练集进行深度学习训练，得到深度学习模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集光子模拟信号上升沿中的至少两个采样点的采样点信息；或采集光子模拟信号下降沿中的至少两个采样点的采样点信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述光子模拟信号过阈触发之后，将所述光子模拟信号进行转换得到光子数字信号；根据所述光子数字信号，计算得到相应光子到达探测器的参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取探测器采集到的光子模拟信号；所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息；将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个探测器采集到的光子模拟信号；根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数；将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集光子模拟信号中的至少两个采样点的采样点信息；将至少两个所述采样点信息以及相应光子到达探测器的参数作为训练集进行深度学习训练，得到深度学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集光子模拟信号上升沿中的至少两个采样点的采样点信息；或采集光子模拟信号下降沿中的至少两个采样点的采样点信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述光子模拟信号过阈触发之后，将所述光子模拟信号进行转换得到光子数字信号；根据所述光子数字信号，计算得到相应光子到达探测器的参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种光子到达探测器的参数计算方法，其特征在于，所述方法包括：
获取探测器采集到的光子模拟信号；
所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息；其中，所述采样点信息包括采样点的时间以及采样点的幅值；所述至少两个采样点的采样点信息包括采集光子模拟信号上升沿中的至少两个采样点的采样点信息，或采集光子模拟信号下降沿中的至少两个采样点的采样点信息；
将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
2.根据权利要求1所述的方法，其特征在于，
所述光子到达探测器的参数包括：光子到达探测器的时间以及光子到达探测器的能量。
3.根据权利要求1所述的方法，其特征在于，所述获取探测器采集到的光子模拟信号之前还包括：
获取多个探测器采集到的光子模拟信号；
根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数；
将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型。
4.根据权利要求3所述的方法，其特征在于，所述将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型包括：
采集光子模拟信号中的至少两个采样点的采样点信息；
将至少两个所述采样点信息以及相应光子到达探测器的参数作为训练集进行深度学习训练，得到深度学习模型。
5.根据权利要求3所述的方法，其特征在于，所述根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数包括：
所述光子模拟信号过阈触发之后，将所述光子模拟信号进行转换得到光子数字信号；
根据所述光子数字信号，计算得到相应光子到达探测器的参数。
6.一种光子到达探测器的参数计算装置，其特征在于，所述装置包括：
获取模块，用于获取探测器采集到的光子模拟信号；
采集模块，用于所述光子模拟信号过阈触发之后，采集光子模拟信号中至少两个采样点的采样点信息；其中，所述采样点信息包括采样点的时间以及采样点的幅值；所述采集光子模拟信号中的至少两个采样点的采样点信息包括采集光子模拟信号上升沿中的至少两个采样点的采样点信息，或采集光子模拟信号下降沿中的至少两个采样点的采样点信息；
深度学习模块，用于将至少两个所述采样点信息输入深度学习模型，得到相应光子到达探测器的参数。
7.根据权利要求6所述的装置，其特征在于，所述光子到达探测器的参数包括光子到达探测器的时间以及光子到达探测器的能量。
8.根据权利要求6所述的装置，其特征在于，所述深度学习模块还用于获取多个探测器采集到的光子模拟信号；
根据多个探测器采集到的光子模拟信号，计算得到相应光子到达探测器的参数；
将多个探测器采集到的光子模拟信号以及相应光子到达探测器的参数作为训练集，对训练集进行深度学习训练得到深度学习模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604599.2A CN110226943B (zh) | 2019-07-05 | 2019-07-05 | 光子到达探测器的参数计算方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910604599.2A CN110226943B (zh) | 2019-07-05 | 2019-07-05 | 光子到达探测器的参数计算方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110226943A CN110226943A (zh) | 2019-09-13 |
| CN110226943B true CN110226943B (zh) | 2023-08-15 |
Family
ID=67856628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910604599.2A Active CN110226943B (zh) | 2019-07-05 | 2019-07-05 | 光子到达探测器的参数计算方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110226943B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113057667B (zh) * | 2021-03-26 | 2023-08-15 | 上海联影医疗科技股份有限公司 | Pet探测器信号采样方法、装置、电子装置和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101903798A (zh) * | 2007-11-02 | 2010-12-01 | 华盛顿大学 | 用于正电子发射断层摄影术的数据采集 |
| CN102262238A (zh) * | 2011-04-19 | 2011-11-30 | 苏州瑞派宁科技有限公司 | 一种提取闪烁脉冲信息的方法及装置 |
| CN103575753A (zh) * | 2012-08-01 | 2014-02-12 | 安捷伦科技有限公司 | 用于x射线检测器的电子可变增益 |
| CN104748765A (zh) * | 2015-04-02 | 2015-07-01 | 西安电子科技大学 | 具有能级测量功能的x射线脉冲星导航电子学读出装置 |
| CN105143921A (zh) * | 2013-04-24 | 2015-12-09 | 皇家飞利浦有限公司 | 使用光学探测器像素阵列和像素元触发状态感测电路来对辐射量子的探测 |
| CN106361361A (zh) * | 2016-08-26 | 2017-02-01 | 沈阳东软医疗系统有限公司 | 一种信息处理方法和装置 |
| CN107422364A (zh) * | 2017-06-26 | 2017-12-01 | 沈阳东软医疗系统有限公司 | 一种检测器的时间定时校正方法及装置 |
| CN108926356A (zh) * | 2018-05-31 | 2018-12-04 | 上海联影医疗科技有限公司 | 探测器光子到达信息确定方法、装置和医疗设备 |
| CN109416405A (zh) * | 2016-06-29 | 2019-03-01 | 皇家飞利浦有限公司 | 光子计数计算机断层摄影 |
| CN109477796A (zh) * | 2016-05-25 | 2019-03-15 | 徕卡显微系统复合显微镜有限公司 | 允许更高光强度的利用时间相关单光子计数的荧光寿命成像显微学方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8269964B2 (en) * | 2006-05-03 | 2012-09-18 | Nellcor Puritan Bennett Llc | Photon measurement method and apparatus |
| EP2076790B1 (en) * | 2006-10-04 | 2014-02-12 | CERN - European Organization For Nuclear Research | Readout circuit for use in a combined pet-ct apparatus |
| CN202177701U (zh) * | 2011-04-19 | 2012-03-28 | 苏州瑞派宁科技有限公司 | 一种提取闪烁脉冲信息的装置 |
| US9645252B2 (en) * | 2011-12-28 | 2017-05-09 | The Board Of Trustees Of The Leland Stanford Junior University | Method to extract photon depth-of interaction and arrival time within a positron emission tomography detector |
| US20140138547A1 (en) * | 2012-09-13 | 2014-05-22 | Raytheon Company | Hybrid high energy photon detector |
| CN105824817B (zh) * | 2015-01-05 | 2019-05-21 | 苏州瑞派宁科技有限公司 | 一种闪烁脉冲的数字化方法 |
| CN104720841B (zh) * | 2015-03-03 | 2017-08-29 | 中国科学院高能物理研究所 | 正电子发射断层成像电子学信号处理系统和方法 |
| CN107024711B (zh) * | 2017-04-17 | 2019-02-26 | 苏州瑞派宁科技有限公司 | 一种闪烁脉冲数字化信号的拟合方法 |
| KR20190051384A (ko) * | 2017-11-06 | 2019-05-15 | 삼성전자주식회사 | X선 단층 영상 데이터를 생성하는 방법 및 장치 |
| KR102114334B1 (ko) * | 2017-12-20 | 2020-05-22 | 서강대학교산학협력단 | 군집화와 딥러닝을 이용한 멀티플렉싱 신호 처리 장치 및 방법 |
| CN108375861B (zh) * | 2018-04-14 | 2020-01-03 | 上海交通大学 | 可实现智能信号处理的高速高精度光模数转换装置和方法 |
-
2019
- 2019-07-05 CN CN201910604599.2A patent/CN110226943B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101903798A (zh) * | 2007-11-02 | 2010-12-01 | 华盛顿大学 | 用于正电子发射断层摄影术的数据采集 |
| CN102262238A (zh) * | 2011-04-19 | 2011-11-30 | 苏州瑞派宁科技有限公司 | 一种提取闪烁脉冲信息的方法及装置 |
| CN103575753A (zh) * | 2012-08-01 | 2014-02-12 | 安捷伦科技有限公司 | 用于x射线检测器的电子可变增益 |
| CN105143921A (zh) * | 2013-04-24 | 2015-12-09 | 皇家飞利浦有限公司 | 使用光学探测器像素阵列和像素元触发状态感测电路来对辐射量子的探测 |
| CN104748765A (zh) * | 2015-04-02 | 2015-07-01 | 西安电子科技大学 | 具有能级测量功能的x射线脉冲星导航电子学读出装置 |
| CN109477796A (zh) * | 2016-05-25 | 2019-03-15 | 徕卡显微系统复合显微镜有限公司 | 允许更高光强度的利用时间相关单光子计数的荧光寿命成像显微学方法 |
| CN109416405A (zh) * | 2016-06-29 | 2019-03-01 | 皇家飞利浦有限公司 | 光子计数计算机断层摄影 |
| CN106361361A (zh) * | 2016-08-26 | 2017-02-01 | 沈阳东软医疗系统有限公司 | 一种信息处理方法和装置 |
| CN107422364A (zh) * | 2017-06-26 | 2017-12-01 | 沈阳东软医疗系统有限公司 | 一种检测器的时间定时校正方法及装置 |
| CN108926356A (zh) * | 2018-05-31 | 2018-12-04 | 上海联影医疗科技有限公司 | 探测器光子到达信息确定方法、装置和医疗设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110226943A (zh) | 2019-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107024711B (zh) | 一种闪烁脉冲数字化信号的拟合方法 | |
| US9677931B2 (en) | Detection of radiation quanta using an optical detector pixel array and pixel cell trigger state sensing circuits | |
| US7381959B2 (en) | Technique for reconstructing PET scan images | |
| CN107468269B (zh) | 一种正电子发射断层成像装置及方法 | |
| Krzemień et al. | Analysis framework for the J-PET scanner | |
| US11842426B2 (en) | Methods for determining a fitting model for a signal, reconstructing a signal and devices thereof | |
| Krzemien et al. | Overview of the software architecture and data flow for the J-PET tomography device | |
| CN110215227B (zh) | 时间窗设置方法、装置、计算机设备和存储介质 | |
| CN110584698A (zh) | 探测器质量控制效验方法、装置、计算机设备和存储介质 | |
| CN104331914A (zh) | 重建心脏相位图像的方法和装置 | |
| CN110327065B (zh) | 单事件计数率校正方法、装置、计算机设备和存储介质 | |
| CN110226943B (zh) | 光子到达探测器的参数计算方法、装置和计算机设备 | |
| Fysikopoulos et al. | Fully digital FPGA-based data acquisition system for dual head PET detectors | |
| CN110687585B (zh) | 获取晶体效率的方法、装置、计算机设备和存储介质 | |
| Albuquerque et al. | The Clear-PEM electronics system | |
| CN113712583B (zh) | 死时间校正方法、装置、计算机设备和存储介质 | |
| Fan et al. | 3D positioning and readout channel number compression methods for monolithic PET detector | |
| CN113712584B (zh) | Pet扫描方法、装置、电子装置和存储介质 | |
| CN108873047A (zh) | 检测放射源活度的方法、系统、计算机设备和存储介质 | |
| CN110403622B (zh) | 生成查找表的寻峰方法、装置、计算机设备和存储介质 | |
| CN112285761A (zh) | 一种面向植物pet的晶体位置谱数据分割系统与方法 | |
| CN108703769B (zh) | Tof数据的校正方法、装置、系统和计算机可读存储介质 | |
| Shi et al. | GPU-based real-time software coincidence processing for digital PET system | |
| Ai et al. | PulseDL-II: a system-on-chip neural network accelerator for timing and energy extraction of nuclear detector signals | |
| CN110215203A (zh) | 心电信号获取方法、装置、计算机设备和存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: 201807 2258 Chengbei Road, Jiading District, Shanghai Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 2258 Chengbei Road, Jiading District, Shanghai Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |