CN111938684A - 高速低时空复杂度的pet晶体位置谱数据分割方法 - Google Patents
高速低时空复杂度的pet晶体位置谱数据分割方法 Download PDFInfo
- Publication number
- CN111938684A CN111938684A CN202010653345.2A CN202010653345A CN111938684A CN 111938684 A CN111938684 A CN 111938684A CN 202010653345 A CN202010653345 A CN 202010653345A CN 111938684 A CN111938684 A CN 111938684A
- Authority
- CN
- China
- Prior art keywords
- module
- position spectrum
- pet
- spectrum data
- detector
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 74
- 239000013078 crystal Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 title claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000005260 corrosion Methods 0.000 claims abstract description 11
- 230000007797 corrosion Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 230000003628 erosive effect Effects 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000002600 positron emission tomography Methods 0.000 description 30
- 238000013507 mapping Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Radiation (AREA)
- Nuclear Medicine (AREA)
Abstract
一种高速低时空复杂度的PET晶体位置谱数据分割系统与方法，其结构包括：探测器模块、预处理模块、腐蚀算法模块和禁忌搜索模块。其方法包括：S1：从PET探测器中获取数据并得到位置谱信息；S2：对S1中得到的位置谱信息进行预处理；S3：获取S2中预处理完的位置谱信息中的子集个数；S4：对S3处理完的位置谱数据进行分割。
Description
技术领域
本发明涉及辐射探测成像技术领域，尤其涉及一种高速低时空复杂度的PET晶体位置谱数据分割系统与方法。
背景技术
正电子断层扫描成像(Positron Emission Tomography，PET)获取超高灵敏度的功能影像在肿瘤、心血管、脑功能等疾病超前影像诊断方面有巨大优势。目前常用的PET探测器主要采用晶体条组成的晶体阵列耦合光电转换器件的设计方式。当伽马光子入射到闪烁晶体时，伽马光子与晶体相互作用发生能量沉积并产生可见光信号，光电倍增管接收产生的光信号并将其转换成相应的电信号输出，根据获得的电信号可以计算出伽马光子的入射位置，定位光子事件发生能量沉积所在晶体条单元的位置直方图信息，从而得到湮灭事件响应线的位置。该信息由计算机进行重建组合运算，从而得到人体内标记化合物的三维断层图像。数据采集系统的性能将直接影响PET的成像质量，晶体位置映射图的数据采集和信号处理过程与PET数据采集和图像重建不同；晶体位置映射图数据采集的算法研究是PET数据采集和图像重建的重要组成部分。以点源或泛源持续照射PET晶体阵列，对探测器及前端模拟电路输出的模拟信号进行采集和计算，完成模数转换、基线恢复、事件检测、堆积事件排除、位置逻辑等处理后，得到反映事件作用位置的晶体位置映射图。在实际的PET系统正常工作前，通过晶体位置映射图还可以生成一系列的晶体查找表，所以晶体位置谱的分割方法是PET图像重建过程中的事件位置信息的关键。
理想情况下,位置坐标和晶体条之间的对应关系为线性关系,也就是说,当按照晶体条尺寸大小成比例的划分位置坐标(x,y)的动态变化范围时,每个范围与一个晶体条所覆盖的坐标区域线性对应.然而在实际情况中,位置信息准确度由于受到探测器空间非线性响应、晶体条切槽深度等制作工艺存在一定的差异、晶体与光电倍增管的耦合方式、康普顿散射等因素以及分割算法的制约,这一对应关系总是呈现非线性特征。这些因素都会导致光子事件位置直方图信息发生桶形、蝶形、旋转、压缩和扩张等不规则的形变，若不做任何处理，数据获取过程中，在线处理无法判断晶体像素的行列坐标，直接导致图像分辨率下降，更为严重的会导致图像信息错误。
为确保对应关系的准确性,就必需建立位置表，设计一个效率、准确度高的位置映射分割算法来分割、校正位置谱，在位置谱中为晶体条和位置坐标(x,y)定义正确的对应关系就成为人们关注的焦点。为达到PET探测器对位置具有高分辨率的要求,这一对应关系就必须非常准确,于是如何分割出位置谱的算法就成为人们关注的焦点。
目前分割位置谱的方法有有如下几种：
1.中心位置图生成方法，核心思想为采用连续非极大值衰退的方法进行晶体中心位置定位。方法为：获取光子事件二维直方图，光子事件位置直方图进行均衡化矫正，对所述图像I0进行迭代处理得到图像Ii，自动阈值算法处理，提取邻域中心位置，判断所述连通域彼此是否有重叠，保留有重叠的连通域中迭代次数最大的连通域，生成晶体中心位置谱。
2.使用分水岭分割方法，分水岭分割方法是一种基于拓扑理论的数学形态学分割方法，核心思想是将灰度图像看做三维地形拓扑表面，数字图像像素值f(x，y)表示某点海拔高度，某一局部最小值及其边缘连通区域被看做汇水盆地，边界即为分水岭。分水岭算法的实现过程主要分两步，首先对像素的灰度级别进行从低到高排序，然后在从低到高实现淹没过程，对于每一个局部最小值在h高度的影响域采用先进先出结构进行判断和标注，这是一个迭代标注过程。这种算法的主要目标是寻找等高图中山峰峰谷交接处的连线。该方法在针对散点密集区域的分割，忽略一些离散的散点，即在闪烁光子落在分割区域的概率要大于落在分割区域外的概率。忽略那些远离散点聚集中心的点，而只考虑落在分割区域上的最优点。但由于分割时候需要梯度信息，即以原始图像的梯度图的局部极小点作为吸水盆地的标记点，因此原始图像中的噪声信号，在梯度图中都会产生许多虚假局部极小点，从而使得分水岭算法存在过分割问题,进而导致在位置谱边缘模糊、难以准确识别的问题。
发明内容
本发明针对现有算法位置谱边缘模糊、形变严重难以准确识别的问题，利用禁忌表这种灵活的“记忆”技术，提出了一种高速低时空复杂度的PET晶体位置谱数据分割系统与方法。对已经进行的优化过程进行记录和排序，指导下一步的搜索方向，从而在组合优化邻域显示出强大的寻优能力并以其较高的求解质量和效率。该算法是一种实用有效的全局优化算法，与其他全局优化方法相比，它能产生较好的、接近最优解，并具有更好的收敛性和鲁棒性。
为实现上述功能，本发明的技术方案包含如下模块：探测器模块、预处理模块、腐蚀算法模块和禁忌搜索模块。
探测器模块，其中包括晶体阵列模块、光电转换器模块和探测器电子学模块。
预处理模块，其中包括噪声处理模块。
腐蚀算法模块，其中包括腐蚀模块。
禁忌搜索模块，其中包括禁忌表模块和排序模块。
进一步的，所述探测器模块用于捕获PET系统中正电子湮灭事件信息。探测器模块包括晶体阵列模块、光电转换器模块和探测器电子学模块。其中，晶体阵列模块用于接收伽马射线并转换为一定数量的可见光光子，伽马射线入射到晶体阵列模块，发生电离和激发，原子退激发产生荧光光子，产生可见光光子的数量与伽马光子的能量有关。光电转换器模块用于把光信号转化为模拟电信号，晶体阵列模块产生的光信号传输至光电转换器模块，光信号转换成电压或者电流脉冲信号，再通过电子学倍增放大，输出可被后端电路处理的信号大小。探测器电子学模块用于从模拟的电脉冲信号抽取事件的信息，其中包括脉冲处理模块和符合处理模块，脉冲处理模块用于提取单脉冲事件的信息，包括时间、能量和位置信息，符合处理模块按照单脉冲的信息将其归为成对的符合事件。
进一步的，所述预处理模块用于预处理探测器模块传输过来的信息，其中包括噪声处理模块，噪声处理模块，用于对数据进行降噪滤波处理。
进一步的，所述腐蚀算法模块用于获取位置谱信息的子集个数，其中包括腐蚀模块，腐蚀模块用于“腐蚀”位置谱特定坐标的点，使其为0。
进一步的，所述禁忌搜索模块用于对PET晶体位置谱数据进行分割，其中包括禁忌表模块和排序模块。禁忌表模块用于标记对应已搜索过的局部最优解的一些对象，并在进一步的迭代搜索中尽量避开这些对象(而不是绝对禁止循环)，通过设置禁忌表来禁忌一些已经历的操作，并利用藐视准则来奖励一些优良状态，从而保证对不同的有效搜索途径的探索。排序模块用于对已经进行的优化过程进行记录和排序，指导下一步的搜索方向，从而在组合优化邻域显示出强大的寻优能力并以其较高的求解质量和效率。
一种高速低时空复杂度的PET晶体位置谱数据分割方法，包含如下步骤：
S1：从PET探测器中获取数据并得到位置谱信息；
S2：对S1中得到的位置谱信息进行预处理；
S3：获取S2中预处理完的位置谱信息中的子集个数；
S4：对S3处理完的位置谱数据进行分割。
所述步骤S1中，PET探测器是PET系统中捕获正电子湮灭事件信息的探测装置，从结构上看，PET探测器模块包括晶体阵列模块、光电转换器模块、探测器电子学模块。其获取数据具体步骤为：
T11：晶体阵列模块把伽玛光子转换成可见光和软紫外光光子；
T12：光电转换器模块把光信号转化为模拟电信号；
T13：探测器电子学模块从模拟的电脉冲信号抽取事件的信息。
所述步骤S2中，预处理模块对S1中得到的位置谱信息进行降噪滤波处理，去除噪声。
所属步骤S3中，利用“腐蚀算法”获取位置谱信息的子集个数，判断该结构元素所覆盖范围内的值是否全部为0，其获取子集个数的步骤具体为：
T31：扫描位置谱中的每一个坐标值，扫描顺序为从左到右、从上到下，设置初始子集个数为0；
T32：在从左到右，从上到下的扫描过程中，遇到位置点1，则记录下当前位置点坐标(x，y)；
T33：如果坐标(x+1，y)、(x-1，y-1)、(x，y-1)、(x+1，y+1)上的点都为零，则不“腐蚀”当前点(x，y)，且子集个数加一，继续扫描下一个点(x+1，y)；
T34：如果坐标(x+1，y)、(x-1，y-1)、(x，y-1)、(x+1，y+1)上有一个或多个点为1，则“腐蚀”这些坐标上的点，使其为0，且子集个数加一，继续扫描下一个点(x+1，y)；
T35：重复步骤T33和T34，直到标记出N个位置集合。扫描完位置谱中的所有坐标值，得到位置谱信息的子集个数N。
所述步骤S4中，利用“禁忌搜索”算法和排序法相结合对PET晶体位置谱数据进行分割，其分割的步骤具体为：
T41：给定算法参数，随机产生初始解，置禁忌表为空；
T42：判断算法收敛准则是否满足，如果满足，则结束搜索，输出优化结果，如果不满足，则进入下一步骤T43；
T43：由当前解产生邻域解，确定候选解；
T44：判断是否满足特赦准则，如果满足，将满足特赦原则的解作为当前解，其对应的对象替换最早进入禁忌表的对象，更新最优状态，然后重复步骤T42；如果不满足，则进入下一步骤T45；
T45：判断候选解禁忌属性，将非禁忌对象对应的最佳解作为当前解，并用该对象替换最早进入禁忌表的对象，然后重复步骤T42；
T46：重复T42步骤直到满足算法收敛准则，结束搜索，输出优化结果。
有益效果
通过采用本发明的系统与方法，针对现有算法位置谱边缘模糊、形变严重难以准确识别的问题，通过禁忌表搜索算法和排序法相结合的高速低时空复杂度的PET晶体位置谱分割方法，对已经进行的优化过程进行记录和排序，指导下一步的搜索方向，从而在组合优化邻域显示出强大的寻优能力并以其较高的求解质量和效率，能产生较好的、接近最优解，并具有更好的收敛性和鲁棒性。
附图说明
图1：为本发明的PET晶体位置谱数据分割流程图；
图2：为本发明的位置谱分割的三级模块信号传递示意图。
具体实施方式
为了使本发明的目的、技术方案以及有点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明的技术方案，并不限于本发明。
本发明的技术方案包含如下模块：探测器模块100、预处理模块200、腐蚀算法模块300和禁忌搜索模块400。
探测器模块100，其中包括晶体阵列模块110、光电转换器模块120和探测器电子学模块130。
预处理模块200，其中包括噪声处理模块210。
腐蚀算法模块300，其中包括腐蚀模块310。
禁忌搜索模块400，其中包括禁忌表模块410和排序模块420。
进一步的，所述探测器模块100用于捕获PET系统中正电子湮灭事件信息。探测器模块100包括晶体阵列模块110、光电转换器模块120和探测器电子学模块130。其中，晶体阵列模块110用于接收伽马射线并转换为一定数量的可见光光子，伽马射线入射到晶体阵列模块，发生电离和激发，原子退激发产生荧光光子，产生可见光光子的数量与伽马光子的能量有关。光电转换器模块120用于把光信号转化为模拟电信号，晶体阵列模块110产生的光信号传输至光电转换器模块120，光信号转换成电压或者电流脉冲信号，再通过电子学倍增放大，输出可被后端电路处理的信号大小。探测器电子学模块130用于从模拟的电脉冲信号抽取事件的信息，其中包括脉冲处理模块131和符合处理模块132，脉冲处理模块131用于提取单脉冲事件的信息，包括时间、能量和位置信息，符合处理模块132按照单脉冲的信息将其归为成对的符合事件。
进一步的，所述预处理模块200用于预处理探测器模块100传输过来的信息，其中包括噪声处理模块210，噪声处理模块210，用于对数据进行降噪滤波处理。
进一步的，所述腐蚀算法模块300用于获取位置谱信息的子集个数，其中包括腐蚀模块310，腐蚀模块310用于“腐蚀”位置谱特定坐标的点，使其为0。
进一步的，所述禁忌搜索模块400用于对PET晶体位置谱数据进行分割，其中包括禁忌表模块410和排序模块420。禁忌表模块410用于标记对应已搜索过的局部最优解的一些对象，并在进一步的迭代搜索中尽量避开这些对象(而不是绝对禁止循环)，通过设置禁忌表来禁忌一些已经历的操作，并利用藐视准则来奖励一些优良状态，从而保证对不同的有效搜索途径的探索。排序模块420用于对已经进行的优化过程进行记录和排序，指导下一步的搜索方向，从而在组合优化邻域显示出强大的寻优能力并以其较高的求解质量和效率。
本文提出的一种高速低时空复杂度的PET晶体位置谱数据分割方法，包含如下步骤：
S1：从PET探测器中获取数据并得到位置谱信息；
S2：对S1中得到的位置谱信息进行预处理；
S3：获取S2中预处理完的位置谱信息中的子集个数；
S4：对S3处理完的位置谱数据进行分割。
所述步骤S1中，PET探测器是PET系统中捕获正电子湮灭事件信息的探测装置，从结构上看，PET探测器模块包括晶体阵列模块、光电转换器模块、探测器电子学模块。其获取数据具体步骤为：
T11：晶体阵列模块把伽玛光子转换成可见光和软紫外光光子；
T12：光电转换器模块把光信号转化为模拟电信号；
T13：探测器电子学模块从模拟的电脉冲信号抽取事件的信息。
所述步骤S2中，预处理模块对S1中得到的位置谱信息进行降噪滤波处理，去除噪声。
所属步骤S3中，利用“腐蚀算法”获取位置谱信息的子集个数，判断该结构元素所覆盖范围内的值是否全部为0，其获取子集个数的步骤具体为：
T31：扫描位置谱中的每一个坐标值，扫描顺序为从左到右、从上到下，设置初始子集个数为0；
T32：在从左到右，从上到下的扫描过程中，遇到位置点1，则记录下当前位置点坐标(x，y)；
T33：如果坐标(x+1，y)、(x-1，y-1)、(x，y-1)、(x+1，y+1)上的点都为零，则不“腐蚀”当前点(x，y)，且子集个数加一，继续扫描下一个点(x+1，y)；
T34：如果坐标(x+1，y)、(x-1，y-1)、(x，y-1)、(x+1，y+1)上有一个或多个点为1，则“腐蚀”这些坐标上的点，使其为0，且子集个数加一，继续扫描下一个点(x+1，y)；
T35：重复步骤T33和T34，直到标记出N个位置集合。扫描完位置谱中的所有坐标值，得到位置谱信息的子集个数N。
所述步骤S4中，利用“禁忌搜索”算法和排序法相结合对PET晶体位置谱数据进行分割，其分割的步骤具体为：
T41：给定算法参数，随机产生初始解，置禁忌表为空；
T42：判断算法收敛准则是否满足，如果满足，则结束搜索，输出优化结果，如果不满足，则进入下一步骤T43；
T43：由当前解产生邻域解，确定候选解；
T44：判断是否满足特赦准则，如果满足，将满足特赦原则的解作为当前解，其对应的对象替换最早进入禁忌表的对象，更新最优状态，然后重复步骤T42；如果不满足，则进入下一步骤T45；
T45：判断候选解禁忌属性，将非禁忌对象对应的最佳解作为当前解，并用该对象替换最早进入禁忌表的对象，然后重复步骤T42；
T46：重复T42步骤直到满足算法收敛准则，结束搜索，输出优化结果。
禁忌表模块使用数组顺序结构、队列顺序结构实现或链表顺序结构实现。
通过采用本发明的系统与方法，针对现有算法位置谱边缘模糊、形变严重难以准确识别的问题，通过禁忌表搜索算法和排序法相结合的高速低时空复杂度的PET晶体位置谱分割方法，对已经进行的优化过程进行记录和排序，指导下一步的搜索方向，从而在组合优化邻域显示出强大的寻优能力并以其较高的求解质量和效率，能产生较好的、接近最优解，并具有更好的收敛性和鲁棒性。
高速低时空复杂度的PET晶体位置谱数据分割系统与方法中运用到的禁忌表是用来存放禁忌对象的一个容器，放入禁忌表中的禁忌对象在解禁之前不能被再次搜索。它模拟了人的记忆机制，主要目的是阻止搜索过程中出现循环和避免陷入局部最优，进而探索更多搜索空间。
Claims (10)
1.高速低时空复杂度的PET晶体位置谱数据分割系统，其特征在于：包括探测器模块(100)、预处理模块(200)、腐蚀算法模块(300)和禁忌搜索模块(400)，其中，
探测器模块(100)，包括晶体阵列模块(110)、光电转换器模块(120)和探测器电子学模块(130)，用于捕获PET系统中正电子湮灭事件信息；
预处理模块(200)，包括噪声处理模块(210)，用于预处理探测器模块传输过来的信息；
腐蚀算法模块(300)，包括腐蚀模块(310)，用于获取位置谱信息的子集个数；
禁忌搜索模块(400)，包括禁忌表模块(410)和排序模块(420)，用于对PET晶体位置谱数据进行分割。
2.根据权利要求1所述的高速低时空复杂度的PET晶体位置谱数据分割系统，其特征在于：探测器模块(100)捕获的正电子湮灭事件信息传输至预处理模块进行预处理。
3.根据权利要求1所述的高速低时空复杂度的PET晶体位置谱数据分割系统，其特征在于：探测器电子学模块(130)包括脉冲处理模块(131)、符合处理模块(132)，用于从模拟的电脉冲信号抽取事件的信息，包括时间、能量和位置信息。
4.根据权利要求1所述的高速低时空复杂度的PET晶体位置谱数据分割系统，其特征在于：噪声处理模块(210)用于对数据进行降噪滤波处理。
5.根据权利要求1所述的高速低时空复杂度的PET晶体位置谱数据分割系统，其特征在于：禁忌表模块(410)用于标记对应已搜索过的局部最优解的一些对象，并在进一步的迭代搜索中尽量避开这些对象。
6.高速低时空复杂度的PET晶体位置谱数据分割方法，其特征在于：包括步骤：
S1：从PET探测器中获取数据并得到位置谱信息；
S2：对S1中得到的位置谱信息进行预处理；
S3：获取S2中预处理完的位置谱信息中的子集个数；
S4：对S3处理完的位置谱数据进行分割。
7.根据权利要求6所述的高速低时空复杂度的PET晶体位置谱数据分割方法，其特征在于：所述步骤S1中，PET探测器是PET系统中捕获正电子湮灭事件信息的探测装置，其获取数据具体步骤为：
T11：晶体阵列模块(110)把伽玛光子转换成可见光和软紫外光光子；
T12：光电转换器模块(120)把光信号转化为模拟电信号；
T13：探测器电子学模块(130)从模拟的电脉冲信号抽取事件的信息。
8.根据权利要求6所述的高速低时空复杂度的PET晶体位置谱数据分割方法，其特征在于：所述步骤S2中，预处理模块(200)对S1中得到的位置谱信息进行降噪滤波处理，去除噪声。
9.根据权利要求6所述的高速低时空复杂度的PET晶体位置谱数据分割方法，其特征在于：所属步骤S3中，利用“腐蚀算法”获取位置谱信息的子集个数，判断该结构元素所覆盖范围内的值是否全部为0，其获取子集个数的步骤具体为：
T31：扫描位置谱中的每一个坐标值，扫描顺序为从左到右、从上到下，设置初始子集个数为0；
T32：在从左到右，从上到下的扫描过程中，遇到位置点1，则记录下当前位置点坐标(x，y)；
T33：如果坐标(x+1，y)、(x-1，y-1)、(x，y-1)、(x+1，y+1)上的点都为零，则不“腐蚀”当前点(x，y)，且子集个数加一，继续扫描下一个点(x+1，y)；
T34：如果坐标(x+1，y)、(x-1，y-1)、(x，y-1)、(x+1，y+1)上有一个或多个点为1，则“腐蚀”这些坐标上的点，使其为0，且子集个数加一，继续扫描下一个点(x+1，y)；
T35：重复步骤T33和T34，直到标记出N个位置集合。扫描完位置谱中的所有坐标值，得到位置谱信息的子集个数N。
10.根据权利要求6所述的高速低时空复杂度的PET晶体位置谱数据分割方法，其特征在于：所述步骤S4中，利用“禁忌搜索”算法和排序法相结合对PET晶体位置谱数据进行分割，其分割的步骤具体为：
T41：给定算法参数，随机产生初始解，置禁忌表为空；
T42：判断算法收敛准则是否满足，如果满足，则结束搜索，输出优化结果，如果不满足，则进入下一步骤T43；
T43：由当前解产生邻域解，确定候选解；
T44：判断是否满足特赦准则，如果满足，将满足特赦原则的解作为当前解，其对应的对象替换最早进入禁忌表的对象，更新最优状态，然后重复步骤T42；如果不满足，则进入下一步骤T45；
T45：判断候选解禁忌属性，将非禁忌对象对应的最佳解作为当前解，并用该对象替换最早进入禁忌表的对象，然后重复步骤T42；
T46：重复T42步骤直到满足算法收敛准则，结束搜索，输出优化结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010653345.2A CN111938684B (zh) | 2020-07-08 | 2020-07-08 | 高速低时空复杂度的pet晶体位置谱数据分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010653345.2A CN111938684B (zh) | 2020-07-08 | 2020-07-08 | 高速低时空复杂度的pet晶体位置谱数据分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111938684A true CN111938684A (zh) | 2020-11-17 |
| CN111938684B CN111938684B (zh) | 2024-01-02 |
Family
ID=73341456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010653345.2A Active CN111938684B (zh) | 2020-07-08 | 2020-07-08 | 高速低时空复杂度的pet晶体位置谱数据分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111938684B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112285761A (zh) * | 2020-11-24 | 2021-01-29 | 南昌华亮光电有限责任公司 | 一种面向植物pet的晶体位置谱数据分割系统与方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040175702A1 (en) * | 2003-03-07 | 2004-09-09 | Illumigen Biosciences, Inc. | Method and apparatus for pattern identification in diploid DNA sequence data |
| CN102982553A (zh) * | 2012-12-21 | 2013-03-20 | 天津工业大学 | 一种镜头边界检测方法 |
| CN103177252A (zh) * | 2013-03-04 | 2013-06-26 | 苏州瑞派宁科技有限公司 | 一种自动识别并分割位置谱的方法及装置 |
| CN103426127A (zh) * | 2013-08-16 | 2013-12-04 | 江苏大学 | 一种基于伪杂交禁忌混合遗传算法的城市电网规划方法 |
| CN103914860A (zh) * | 2013-01-05 | 2014-07-09 | 苏州瑞派宁科技有限公司 | 晶体条位置查找表生成方法及装置 |
| US20160163042A1 (en) * | 2014-12-08 | 2016-06-09 | General Electric Company | Systems and methods for motion mitigation determinations |
| US20160324498A1 (en) * | 2013-07-25 | 2016-11-10 | Raycan Technology Co., Ltd. (Su Zhou) | On-line energy coincidence method and system for all-digital pet system |
| CN109756270A (zh) * | 2019-02-26 | 2019-05-14 | 重庆邮电大学 | 一种室内可见光通信系统下行干扰抑制方法 |
| CN110471102A (zh) * | 2019-08-19 | 2019-11-19 | 苏州瑞派宁科技有限公司 | 一种识别位置谱的方法、装置及计算机存储介质 |
-
2020
- 2020-07-08 CN CN202010653345.2A patent/CN111938684B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040175702A1 (en) * | 2003-03-07 | 2004-09-09 | Illumigen Biosciences, Inc. | Method and apparatus for pattern identification in diploid DNA sequence data |
| CN102982553A (zh) * | 2012-12-21 | 2013-03-20 | 天津工业大学 | 一种镜头边界检测方法 |
| CN103914860A (zh) * | 2013-01-05 | 2014-07-09 | 苏州瑞派宁科技有限公司 | 晶体条位置查找表生成方法及装置 |
| CN103177252A (zh) * | 2013-03-04 | 2013-06-26 | 苏州瑞派宁科技有限公司 | 一种自动识别并分割位置谱的方法及装置 |
| US20160324498A1 (en) * | 2013-07-25 | 2016-11-10 | Raycan Technology Co., Ltd. (Su Zhou) | On-line energy coincidence method and system for all-digital pet system |
| CN103426127A (zh) * | 2013-08-16 | 2013-12-04 | 江苏大学 | 一种基于伪杂交禁忌混合遗传算法的城市电网规划方法 |
| US20160163042A1 (en) * | 2014-12-08 | 2016-06-09 | General Electric Company | Systems and methods for motion mitigation determinations |
| CN109756270A (zh) * | 2019-02-26 | 2019-05-14 | 重庆邮电大学 | 一种室内可见光通信系统下行干扰抑制方法 |
| CN110471102A (zh) * | 2019-08-19 | 2019-11-19 | 苏州瑞派宁科技有限公司 | 一种识别位置谱的方法、装置及计算机存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112285761A (zh) * | 2020-11-24 | 2021-01-29 | 南昌华亮光电有限责任公司 | 一种面向植物pet的晶体位置谱数据分割系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111938684B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Study on modeling method of forest tree image recognition based on CCD and theodolite | |
| Cheng et al. | SeNet: Structured edge network for sea–land segmentation | |
| CN108444447B (zh) | 一种用于水下避障系统中的渔网实时自主检测方法 | |
| Priyadharsini et al. | Object detection in underwater acoustic images using edge based segmentation method | |
| Chuang et al. | Automatic fish segmentation via double local thresholding for trawl-based underwater camera systems | |
| Fabel et al. | Applying self-supervised learning for semantic cloud segmentation of all-sky images | |
| CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
| US20220163686A1 (en) | Method and Apparatus for Identifying Location Spectrum, and Computer Storage Medium | |
| CN113139489B (zh) | 基于背景提取和多尺度融合网络的人群计数方法及系统 | |
| CN107705313A (zh) | 一种遥感图像舰船目标分割方法 | |
| CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
| EP3953691A1 (en) | Methods and systems for crack detection using a fully convolutional network | |
| CN108305265B (zh) | 微弱小目标图像实时处理方法及系统 | |
| CN114627367B (zh) | 一种侧扫声呐图像的海底线探测方法 | |
| CN113989343A (zh) | 基于注意力机制的传感器融合深度重建数据驱动方法 | |
| CN111938684B (zh) | 高速低时空复杂度的pet晶体位置谱数据分割方法 | |
| CN113435396B (zh) | 基于图像自适应抗噪的水下鱼群检测方法 | |
| CN112285761A (zh) | 一种面向植物pet的晶体位置谱数据分割系统与方法 | |
| CN113343819A (zh) | 一种高效的无人机载sar图像目标分割方法 | |
| CN108537809A (zh) | 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 | |
| Shi et al. | Detecting organisms for marine video surveillance | |
| Gupta et al. | Fully automated image de-fencing using conditional generative adversarial networks | |
| di Baja et al. | 2D grey-level skeleton computation: a discrete 3D approach | |
| Qu et al. | Point clouds denoising method based on SPAD discrete probability model and completion | |
| CN109271939B (zh) | 基于单调波方向能量直方图的热红外人体目标识别方法 |
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 |