CN113390913B - 基于深度学习的正电子湮没角关联测量方法及装置 - Google Patents
基于深度学习的正电子湮没角关联测量方法及装置 Download PDFInfo
- Publication number
- CN113390913B CN113390913B CN202110649116.8A CN202110649116A CN113390913B CN 113390913 B CN113390913 B CN 113390913B CN 202110649116 A CN202110649116 A CN 202110649116A CN 113390913 B CN113390913 B CN 113390913B
- Authority
- CN
- China
- Prior art keywords
- gamma photon
- sample
- gamma
- neural network
- obtaining
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
- G01T1/361—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry with a combination of detectors of different types, e.g. anti-Compton spectrometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/108—Different kinds of radiation or particles positrons; electron-positron annihilation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of Radiation (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明涉及一种基于深度学习的正电子湮没角关联测量方法及装置,属于核探测技术领域,解决了现有测量方法对器件的性能要求高、测量效率低的问题。该方法包括获取样本训练集;基于样本训练集对深度神经网络模型进行优化;利用伽马光子探测装置探测待测样品中电子与正电子湮没所产生的两个伽马光子对应获得两个二维数组;利用优化好的深度神经网络模型基于两个二维数组分别获得两个伽马光子的入射位置坐标;根据所述入射位置坐标及待测样品的位置坐标获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱,该方法将湮没角测量与深度学习相结合,提高了定位效率,即保证了测量精度,又减少了测量时间开销。
Description
技术领域
本发明涉及核探测技术领域,尤其涉及一种基于深度学习的正电子湮没角关联测量方法及装置。
背景技术
正电子湮没角关联技术在测量电子态密度和电子动量方面具有独特的灵敏性。正电子在材料中热化后与电子发生湮没,根据动量守恒,湮没产生的两个反方向的特征伽马射线会在180°直线上偏转一定的角度θ,偏转角θ的范围一般在1°内。θ分布曲线即是角关联谱,对光谱仪的角分辨率要求很高,一般要求亚mrad(毫弧度)量级,可以反映出材料中电子动量的分布情况。
现有技术中,通常利用高精密仪器对光束准直定位确定有效事件,进而统计得到角关联一维曲线,或者,采用伽马光子的定位算法获得光子在探测器入射点坐标,进而反推光子传播方向从而计算出偏转角。
现有技术至少存在以下缺陷,一是通过高精密仪器设备实现高角分辨率,但其计数效率低、扰动信号强,增加了测量的复杂性、可操作性差;二是使用定位算法,虽可以有效解决分辨率受设备精度限制的问题,但是,常用的定位算法精度低且对大量数据的处理效率低,例如,重心法定位精度低,极大似然法对数据进行处理时时间开销大。
发明内容
鉴于上述的分析,本发明旨在提供一种基于深度学习的正电子湮没角关联测量方法及装置,用以解决现有测量方法对仪器的性能要求高、测量效率低的问题。
一方面,本发明提供了一种基于深度学习的正电子湮没角关联测量方法,包括:
获取样本训练集,该样本训练集中每一样本包括探测伽马光子对对应获得的两个二维数组以及伽马光子对的入射位置坐标;
基于所述样本训练集对深度神经网络模型进行优化;
利用伽马光子探测装置探测待测样品中电子与正电子湮没所产生的第一伽马光子、第二伽马光子对应获得第一二维数组、第二二维数组;
利用优化好的深度神经网络模型基于所述第一二维数组、第二二维数组分别获得第一伽马光子和第二伽马光子的入射位置坐标;
根据所述入射位置坐标及待测样品的位置坐标获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱。
进一步的,所述伽马光子探测装置包括:
Na22放射源,用于产生正电子;
两个荧光探测器,分别覆盖耦合有闪烁晶体板,分别平行对称地设置于待测样品两侧;两个所述闪烁晶体板,用于探测待测样品中电子与正电子湮没所产生的沿反向传播的第一伽马光子和第二伽马光子产生相应的荧光信号,两个所述荧光探测器,用于探测对应的荧光信号获得对应的第一二维数组、第二二维数组;所述闪烁晶体板的尺寸与所述荧光探测器的尺寸相同;
伽马光子探测器,设置于两个荧光探测器中间上部且与该两个荧光探测器垂直,用于探测所述Na22放射源产生正电子时伴随产生的第三伽马光子,以作为所述两个荧光探测器的曝光触发器。
进一步的,所述Na22放射源与所述待测样品位于同一位置处。
进一步的,通过下述方式获得所述样本训练集:
对所述伽马光子探测装置进行仿真,并设置伽马光子对的发射位置、入射角度,以探测伽马光子对对应获得两个二维数组;
根据设置的所述伽马光子对的发射位置、入射角度对应获得两个伽马光子分别在两个荧光探测器上的入射位置坐标;
将所述伽马光子对对应的两个二维数组以及入射位置坐标组成一个样本;
通过改变伽马光子对的入射角度对应获得多个样本,进而获得所述样本训练集。
进一步的,所述深度神经网络模型包括依次连接的输入层、第一卷积层、第一ReLU激活层、第一池化层、第二卷积层、第二ReLU激活层、第二池化层、第一全连接层、第二全连接层及输出层;
所述二维数组对应为表示图像两个维度上的像素数的图像矩阵;
所述第一卷积层包括16个3×3的卷积核,用于对所述图像矩阵进行卷积运算,对应获得16个特征矩阵;
所述第一池化层,用于对经所述第一ReLU激活层输出的16个特征矩阵进行降采样,对应获得16个降维后的特征矩阵;
所述第二卷积层包括32个3×3的卷积核,用于对所述16个降维后的特征矩阵进行卷积运算,对应获得32个特征矩阵;
所述第二池化层,用于对经所述第二ReLU激活层输出的32个特征矩阵进行进一步降采样,对应获得32个降维后的特征矩阵;
所述第一全连接层包含32个神经元,每一神经元分别与所述第二池化层的每一神经元进行连接,所述第二全连接层包含16个神经元,每一神经元与所述第一全连接层的每一神经元进行连接,所述输出层包括两个神经元,每一神经元分别与所述第二全连接层的每一神经元连接,输出与所述二维数组对应的入射位置坐标;
所述第一ReLU激活层、第二ReLU激活层均采用修正线性单元作为激活函数。
进一步的,所述基于所述样本训练集对深度神经网络模型进行优化的步骤包括:
将获取的样本训练集随机分为多个样本训练子集;
基于多个所述样本训练子集对应获得多个深度神经网络模型对应的损失函数;
对于每一损失函数,采用梯度下降法获得使损失函数值最小的深度神经网络模型参数,从而获得对应的深度神经网络模型;
基于多个所述损失函数对应获得多个深度神经网络模型,将最小的损失函数值对应的深度神经网络模型作为优化好的深度神经网络模型;
所述损失函数具体为:
L=(l1,l2,......lN)T
li=(Si-Ti)2,i∈[1,N],
上式中,L(S-T)表示损失函数,Si表示基于深度神经网络模型获得的第一伽马光子和第二伽马光子的预测入射位置坐标组成的向量,Ti表示样本中的第一伽马光子和第二伽马光子的实际入射位置坐标组成的向量,N表示每一样本训练子集中的样本数。
进一步的,所述伽马光子探测装置的探测立体角大于等于35mrad;
所述探测立体角与所述闪烁晶体板的尺寸以及两个所述闪烁晶体板间的距离满足下述关系:
其中,α表示探测立体角的弧度,a表示所述闪烁晶体板的边长,L表示两个所述闪烁晶体板间的距离的一半。
进一步的,所述两个荧光探测器的曝光时间为百纳秒量级。
另一方面,本发明提供了一种基于深度学习的正电子湮没角关联测量装置,包括测量系统以及伽马光子探测装置;
所述伽马光子探测装置,用于探测待测样品中电子与正电子湮没所产生的第一伽马光子、第二伽马光子对应获得第一二维数组、第二二维数组;
所述测量系统包括:
样本获取模块,用于获取样本训练集,该样本训练集中每一样本包括探测伽马光子对对应获得的两个二维数组以及伽马光子对的入射位置坐标;
模型训练模块,基于所述样本训练集对深度神经网络模型进行优化;
定位模块,用于利用优化好的深度神经网络模型基于所述第一二维数组、第二二维数组分别获得第一伽马光子和第二伽马光子的入射位置坐标;
处理器,用于根据所述入射位置坐标及待测样品的位置坐标获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱。
进一步的,所述伽马光子探测装置包括:
Na22放射源,用于产生正电子;
两个荧光探测器,分别覆盖耦合有闪烁晶体板,分别平行对称地设置于待测样品两侧;两个所述闪烁晶体板,用于探测待测样品中电子与正电子湮没所产生的沿反向传播的第一伽马光子和第二伽马光子产生相应的荧光信号,两个所述荧光探测器,用于探测对应的荧光信号获得对应的第一二维数组、第二二维数组;所述闪烁晶体板的尺寸与所述荧光探测器的尺寸相同;
伽马光子探测器,设置于两个荧光探测器中间上部且与该两个荧光探测器垂直,用于探测所述Na22放射源产生正电子时伴随产生的第三伽马光子,以作为所述两个荧光探测器的曝光触发器。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、本发明提出的基于深度学习的正电子湮没角关联测量方法及装置,首次将角关联谱测量与深度学习相结合,利用训练好的深度神经网络模型对探测获得的两个伽马光子对应的二维数组进行处理直接获得对应的入射位置坐标,进而获得角关联谱,简化了测量装置,在保证测量精度的同时提高了测量精度,规避了利用高精度仪器进行探测时效率低、复杂性高且可操作性差的缺陷,也避免了利用定位算法时,定位精度低、对数据处理效率低的缺陷。
2、本发明提出的基于深度学习的正电子湮没角关联测量方法及装置,利用Na22放射源产生正电子时伴随产生的第三伽马光子,利用伽马光子探测器探测第三伽马光子,作为触发荧光探测器曝光的触发器,从而降低对荧光探测器输出信号效率的要求。
3、本发明提出的基于深度学习的正电子湮没角关联测量方法及装置,通过对伽马光子探测装置进行仿真,并设置伽马光子对的发射位置、入射角度,以探测伽马光子对对应获得两个二维数组,从而获得样本训练集,并基于该样本训练集对深度神经网络模型进行训练,样本获取方法简单且样本数据精度高,从而有利于提高深度神经网络模型的优化效果,以提高角关联谱测量精度。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例基于深度学习的正电子湮没角关联测量方法的流程图;
图2为本发明实施例伽马光子探测装置的示意图;
图3为本发明实施例伽马光子对沿反向传播的立体示意图;
图4为本发明实施例设置的入射位置坐标x与计算获得的入射位置坐标x'间的关系示意图;
图5为本发明实施例设置的入射位置坐标y与计算获得的入射位置坐标y'间的关系示意图;
图6为本发明实施例基于深度学习的正电子湮没角关联测量装置的示意图。
附图标记:
1-荧光探测器;2-闪烁晶体板;3-伽马光子探测器;4-待测样品;
110-样本获取模块;120-模型训练模块;130-定位模块;140-处理器。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
方法实施例
本发明的一个具体实施例,公开了一种基于深度学习的正电子湮没角关联测量方法。如图1所示,该方法包括:
S110、获取样本训练集,该样本训练集中每一样本包括探测伽马光子对对应获得的两个二维数组以及伽马光子对的入射位置坐标。
S120、基于样本训练集对深度神经网络模型进行优化。
S130、利用伽马光子探测装置探测待测样品中电子与正电子湮没所产生的第一伽马光子、第二伽马光子对应获得第一二维数组、第二二维数组。其中,二维数组中包含伽马光子的入射位置信息。
S140、利用优化好的深度神经网络模型基于第一二维数组、第二二维数组分别获得第一伽马光子和第二伽马光子的入射位置坐标。
S150、根据入射位置坐标及待测样品的位置坐标获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱。
优选的,如图2所示,伽马光子探测装置包括:
Na22放射源,用于产生正电子。Na22放射源与待测样品位于同一位置处,具体的,在实际应用中,为了使Na22放射源产生的正电子能够更多的进入待测样品中,与其中的电子发生湮没,在Na22放射源的两侧分别放置形状、材料等完全相同的两个待测样品,形成三明治结构;由于Na22放射源的体积很小、可忽略不计,因此可视为Na22放射源与待测样品位于同一位置处。
两个荧光探测器1,分别覆盖耦合有闪烁晶体板2,分别平行对称地设置于待测样品4两侧。具体的,两个闪烁晶体板,用于探测待测样品中电子与正电子湮没所产生的沿反向传播的第一伽马光子γ1和第二伽马光子γ2产生相应的荧光信号,两个荧光探测器1,用于探测对应的荧光信号获得对应的第一二维数组、第二二维数组;闪烁晶体板的尺寸与荧光探测器的尺寸相同。优选的,闪烁晶体板的材质为硅酸钇镥闪烁晶体(LYSO),该晶体接收伽马光子后能够产生大量的荧光信号,有利于探测;此外,闪烁晶体板的厚度越大越有利于伽马光子的能量沉积,但一定程度上也会导致荧光的传输衰减,因此应根据实际测量情况权衡而定,具体的,闪烁晶体板的厚度范围为[5mm,7mm],优选的,设置为6mm。
具体的,荧光探测器为配有光阴极的微通道倍增管(MCP-PMT)或者硅光电倍增管阵列模块(SiPM)。
考虑到现有技术中为了获得时间符合内的有效伽马光子对对应的二维数组,需要探测伽马光子的探测器连续输出信号的时间为百纳秒量级,极大的提高了对相应探测器的性能要求,本发明采用下述技术手段解决了该问题:
Na22放射源产生正电子时能够伴随产生能量为1.28MeV的第三伽马光子。
因此,通过在两个荧光探测器1中间上部设置伽马光子探测器3,并使该伽马光子探测器垂直两个荧光探测器,以探测Na22放射源产生正电子时伴随产生的第三伽马光子γ3,以作为两个荧光探测器的曝光触发器。具体的,当伽马光子探测器探测到第三伽马光子的同时,触发两个荧光探测器曝光,并设置两个荧光探测器的曝光时间为百纳秒量级,进而能够探测有效伽马光子对获得对应的二维数组;此外,通过控制Na22放射源的多次开关相应的获得伽马光子对对应的多组二维数组。
优选的,设置伽马光子探测器的位置与待测样品间的距离越小,越有利于提高测量精度,但需要注意的是,伽马光子探测器的位置设置不能遮挡荧光探测器对第一伽马光子或第二伽马光子的探测。
优选的,对伽马光子探测装置探测获得的伽马光子对对应的两个二维数组,并存储于相应的存储器中,以便后续定位调用。
优选的,步骤S110中,通过下述方式获得样本训练集:
对伽马光子探测装置进行仿真,并在仿真程序中设置伽马光子对的发射位置、入射角度,以探测伽马光子对对应获得两个二维数组。优选的,利用Geant4开源软件对伽马光子探测装置以及伽马光子传输进行仿真;具体的,设置的输入项包括:两个伽马光子源(位于同一位置)、每一伽马光子源产生的伽马光子的能量为0.511MeV、每一伽马光子源发射伽马光子的方向(即角度),并按照伽马光子探测装置设置伽马光子源的位置、荧光探测器和闪烁晶体板的类型、尺寸、摆放位置。设置的输出项包括:探测器中探测到的反应沉积能量(即荧光信号的沉积能量)的二维分布,即二维数组。
根据设置的伽马光子对的发射位置、入射角度对应获得两个伽马光子分别在两个荧光探测器上的入射位置坐标。
将伽马光子对对应的两个二维数组以及入射位置坐标组成一个样本;
通过改变伽马光子对的入射角度对应获得多个样本,进而获得样本训练集。
优选的,根据设置的伽马光子对的发射位置、入射角度对应获得两个伽马光子分别在两个荧光探测器上的入射位置坐标,具体包括:
如图3所示,θ1、分别表示第一伽马光子γ1的入射路径在极坐标系下对应的两个角度;θ2、分别表示第二伽马光子γ2的入射路径在极坐标系下对应的的两个角度,其中伽马光子对的发射位置坐标为坐标零点;具体通过下述公式计算获得入射位置坐标:
第一伽马光子的入射位置坐标A(x1,y1,-L):
x1=L×tanθ1,
第二伽马光子的入射位置坐标B(x2,y2,L):
x2=L×tanθ2,
其中,L表示两个所述闪烁晶体板间的距离的一半,其取值可根据需求具体进行设置。
优选的,深度神经网络模型包括依次连接的输入层、第一卷积层、第一ReLU激活层、第一池化层、第二卷积层、第二ReLU激活层、第二池化层、第一全连接层、第二全连接层及输出层。
具体的,二维数组对应为表示图像两个维度上的像素数的图像矩阵。将该图像矩阵输入至输入层,并用0进行图像边缘填充获得24×35的图像矩阵,并输入至第一卷积层。
第一卷积层包括16个3×3的卷积核,用于对前述图像矩阵进行卷积运算,对应获得16个24×35的特征矩阵,并经第一ReLU激活层,进行处理,使其中部分神经元输出为0,增加深度神经网络各层间的非线性,从而以防止过拟合。
第一池化层,用于对经第一ReLU激活层输出的16个特征矩阵进行降采样,对应获得16个降维后的特征矩阵;具体的,对于每一特征矩阵采用2×2的滑动窗口进行滑窗取值,将滑窗内最大值作为对应的矩阵元素,从而获得23×34的特征矩阵。
第二卷积层包括32个3×3的卷积核,用于对16个降维后的特征矩阵进行卷积运算,对应获得32个23×34的特征矩阵。
第二池化层,用于对经第二ReLU激活层输出的32个特征矩阵进行进一步降采样,对应获得32个降维后的特征矩阵。具体的,与第一池化层基于相同的原理,采用2×2的滑动窗口进行滑窗取值,将滑窗内最大值作为对应的矩阵元素,从而获得22×33的特征矩阵。具体的,第二ReLU激活层与第一ReLU激活层的作用相同,用于防止过拟合,优选的,所述第一ReLU激活层、第二ReLU激活层均采用修正线性单元作为激活函数。
第一全连接层包含32个神经元,每一神经元分别与第二池化层的每一神经元进行连接,第二全连接层包含16个神经元,每一神经元与第一全连接层的每一神经元进行连接,输出层包括两个神经元,每一神经元分别与所述第二全连接层的每一神经元连接,输出与二维数组对应的入射位置坐标。具体的,第一全连接层、第二全连接层及输出层中的每一神经元均分别与其前一层中的每一神经元连接,从而能够保证接收其前一层输出的所有特征。
优选的,S120中,基于样本训练集对深度神经网络模型进行优化的步骤包括:
将获取的样本训练集随机分为多个样本训练子集。
基于多个样本训练子集对应获得多个深度神经网络模型对应的损失函数。
对于每一损失函数,采用梯度下降法获得使损失函数值最小的深度神经网络模型参数,从而获得对应的深度神经网络模型。
基于多个损失函数对应获得多个深度神经网络模型,将最小的损失函数值对应的深度神经网络模型作为优化好的深度神经网络模型;
其中,损失函数具体为:
L=(l1,l2,......lN)T
li=(Si-Ti)2,i∈[1,N],
上式中,L(S-T)表示损失函数,Si表示基于深度神经网络模型获得的第一伽马光子和第二伽马光子的预测入射位置坐标组成的向量,Ti表示样本中的第一伽马光子和第二伽马光子的实际入射位置坐标组成的向量,N表示每一样本训练子集中的样本数。
为了更好的证明本发明提出的利用深度神经网络模型根据二维数组进行计算定位的准确度,现对设置的入射位置坐标与计算获得的入射位置坐标进行比较,如图4所示,其横轴表示经设置的入射角度获得的入射位置坐标中x的值,纵轴表示根据深度神经网络模型计算获得的入射位置坐标中x'的值,图4中每一点表示当设置的入射位置坐标中x取某一值时,对应的经深度神经网络模型计算获得的入射位置坐标中x'的值,对多个点进行拟合获得对应的直线x'=1.0046x+6.617×10-4,从其表达式可以看出,x'值基本与x值相等;此外,如图5所示,其横轴表示经设置的入射角度获得的入射位置坐标中y的值,纵轴表示根据深度神经网络模型计算获得的入射位置坐标中y'的值,图5中每一点表示当设置的入射位置坐标中y取某一值时,对应的经深度神经网络模型计算获得的入射位置坐标中y'的值,对多个点进行拟合获得对应的直线y'=1.0046y+6.617×10-4,从其表达式可以看出,y'值基本与y值相等,因此,基于本发明提出的利用深度神经网络模型根据二维数组进行计算定位具有较高的精度。
优选的,为了实现对1°范围内的偏转角的测量,伽马光子探测装置的探测立体角设置为大于等于35mrad。
优选的,探测立体角与闪烁晶体板的尺寸以及两个闪烁晶体板间的距离满足下述关系:
其中,α表示探测立体角的弧度,a表示所述闪烁晶体板的边长,L表示两个闪烁晶体板间的距离的一半。
在实际探测过程中,利用伽马光子探测装置探测获得伽马光子对对应的两个二维数组并基于优化好的深度神经网络模型进行处理获得对应的入射位置坐标,并通过控制Na22放射源的多次开关进行多次探测获得多组二维数组,进而获得对应的多组入射位置坐标。
优选的,S150中,根据入射位置坐标及待测样品的位置坐标(坐标零点)获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱,具体包括:
根据第一伽马光子和第二伽马光子的入射位置坐标及样品的位置坐标O(0,0,0)通过下述获得对应的立体湮没角:
分别获得立体湮没角在第一投影平面和第二投影平面的第一投影角θ1'和第二投影角θ2';其中,第一投影平面与第二投影平面相互垂直,第一投影平面和第二投影平面均与任一荧光探测器所在的平面垂直。示例性的,在xyz三维坐标系中,两个荧光探测器均与xy平面平行,第一投影平面与yz平面平行,第二投影平面与xz平面平行,相应的,θyz为第一投影角θ1',θxz为第二投影角θ2'具体公式如下:
基于多组入射位置坐标对应获得对多组θ1'值和θ2'值,并进行计数统计获得θ1'值和θ2'值的分布,进而获得正电子湮没角关联谱。
装置实施例
本发明的另一个实施例,公开了一种基于深度学习的正电子湮没角关联测量装置。由于该装置的工作原理与上述方式实施例相同,因此重复之处可以参考上述方法实施例,在此不再赘述。
具体的,如图6所示,该正电子湮没角关联测量装置包括测量系统以及伽马光子探测装置。
优选的,伽马光子探测装置,用于探测待测样品中电子与正电子湮没所产生的第一伽马光子、第二伽马光子对应获得第一二维数组、第二二维数组。
测量系统包括:
样本获取模块110,用于获取样本训练集,该样本训练集中每一样本包括探测伽马光子对对应获得的两个二维数组以及伽马光子对的入射位置坐标。
模型训练模块120,基于样本训练集对深度神经网络模型进行优化。
定位模块130,用于利用优化好的深度神经网络模型基于第一二维数组、第二二维数组分别获得第一伽马光子和第二伽马光子的入射位置坐标。
处理器130,用于根据入射位置坐标及待测样品的位置坐标获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱。
优选的,如图2所示,伽马光子探测装置包括:
Na22放射源,用于产生正电子。
两个荧光探测器,分别覆盖耦合有闪烁晶体板,分别平行对称地设置于待测样品两侧;两个闪烁晶体板,用于探测待测样品中电子与正电子湮没所产生的沿反向传播的第一伽马光子和第二伽马光子产生相应的荧光信号,两个荧光探测器,用于探测对应的荧光信号获得对应的第一二维数组、第二二维数组;闪烁晶体板的尺寸与所述荧光探测器的尺寸相同。
伽马光子探测器,设置于两个荧光探测器中间上部且与该两个荧光探测器垂直,用于探测Na22放射源产生正电子时伴随产生的第三伽马光子,以作为两个荧光探测器的曝光触发器。
与现有技术相比,本发明实施例公开的基于深度学习的正电子湮没角关联测量方法及装置,首次将角关联谱测量与深度学习相结合,利用训练好的深度神经网络模型对探测获得的两个伽马光子对应的二维数组进行处理直接获得对应的入射位置坐标,进而获得角关联谱,简化了测量装置,在保证测量精度的同时提高了测量精度,规避了利用高精度仪器进行探测时效率低、复杂性高且可操作性差的缺陷,也避免了利用定位算法时,定位精度低、对数据处理效率低的缺陷。其次,利用Na22放射源产生正电子伴随产生的第三伽马光子,利用伽马光子探测器探测第三伽马光子,作为触发荧光探测器曝光的触发器,从而降低对荧光探测器输出信号效率的要求。此外,通过对伽马光子探测装置进行仿真,并设置伽马光子对的发射位置、入射角度,以探测伽马光子对对应获得两个二维数组,从而获得样本训练集,并基于该样本训练集对深度神经网络模型进行训练,样本获取方法简单且样本数据精度高,从而有利于提高深度神经网络模型的优化效果,以提高角关联谱测量精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的正电子湮没角关联测量方法,其特征在于,
包括:
获取样本训练集,该样本训练集中每一样本包括探测伽马光子对对应获得的两个二维数组以及伽马光子对的入射位置坐标;
基于所述样本训练集对深度神经网络模型进行优化;
利用伽马光子探测装置探测待测样品中电子与正电子湮没所产生的第一伽马光子、第二伽马光子对应获得第一二维数组、第二二维数组;
利用优化好的深度神经网络模型基于所述第一二维数组、第二二维数组分别获得第一伽马光子和第二伽马光子的入射位置坐标;
根据所述入射位置坐标及待测样品的位置坐标获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱;
其中,所述伽马光子探测装置包括:
Na22放射源,用于产生正电子;
两个荧光探测器,分别覆盖耦合有闪烁晶体板,分别平行对称地设置于待测样品两侧;两个所述闪烁晶体板,用于探测待测样品中电子与正电子湮没所产生的沿反向传播的第一伽马光子和第二伽马光子产生相应的荧光信号,两个所述荧光探测器,用于探测对应的荧光信号获得对应的第一二维数组、第二二维数组;所述闪烁晶体板的尺寸与所述荧光探测器的尺寸相同;
伽马光子探测器,设置于两个荧光探测器中间上部且与该两个荧光探测器垂直,用于探测所述Na22放射源产生正电子时伴随产生的第三伽马光子,以作为所述两个荧光探测器的曝光触发器。
2.根据权利要求1所述的正电子湮没角关联测量方法,其特征在于,所述Na22放射源与所述待测样品位于同一位置处。
3.根据权利要求1所述的正电子湮没角关联测量方法,其特征在于,通过下述方式获得所述样本训练集:
对所述伽马光子探测装置进行仿真,并设置伽马光子对的发射位置、入射角度,以探测伽马光子对对应获得两个二维数组;
根据设置的所述伽马光子对的发射位置、入射角度对应获得两个伽马光子分别在两个荧光探测器上的入射位置坐标;
将所述伽马光子对对应的两个二维数组以及入射位置坐标组成一个样本;
通过改变伽马光子对的入射角度对应获得多个样本,进而获得所述样本训练集。
4.根据权利要求2或3所述的正电子湮没角关联测量方法,其特征在于,所述深度神经网络模型包括依次连接的输入层、第一卷积层、第一ReLU激活层、第一池化层、第二卷积层、第二ReLU激活层、第二池化层、第一全连接层、第二全连接层及输出层;
所述二维数组对应为表示图像两个维度上的像素数的图像矩阵;
所述第一卷积层包括16个3×3的卷积核,用于对所述图像矩阵进行卷积运算,对应获得16个特征矩阵;
所述第一池化层,用于对经所述第一ReLU激活层输出的16个特征矩阵进行降采样,对应获得16个降维后的特征矩阵;
所述第二卷积层包括32个3×3的卷积核,用于对所述16个降维后的特征矩阵进行卷积运算,对应获得32个特征矩阵;
所述第二池化层,用于对经所述第二ReLU激活层输出的32个特征矩阵进行进一步降采样,对应获得32个降维后的特征矩阵;
所述第一全连接层包含32个神经元,每一神经元分别与所述第二池化层的每一神经元进行连接,所述第二全连接层包含16个神经元,每一神经元与所述第一全连接层的每一神经元进行连接,所述输出层包括两个神经元,每一神经元分别与所述第二全连接层的每一神经元连接,输出与所述二维数组对应的入射位置坐标;
所述第一ReLU激活层、第二ReLU激活层均采用修正线性单元作为激活函数。
5.根据权利要求3所述的正电子湮没角关联测量方法,其特征在于,所述基于所述样本训练集对深度神经网络模型进行优化的步骤包括:
将获取的样本训练集随机分为多个样本训练子集;
基于多个所述样本训练子集对应获得多个深度神经网络模型对应的损失函数;
对于每一损失函数,采用梯度下降法获得使损失函数值最小的深度神经网络模型参数,从而获得对应的深度神经网络模型;
基于多个所述损失函数对应获得多个深度神经网络模型,将最小的损失函数值对应的深度神经网络模型作为优化好的深度神经网络模型;
所述损失函数具体为:
L=(l1,l2,......lN)T
li=(Si-Ti)2,i∈[1,N],
上式中,L(S-T)表示损失函数,Si表示基于深度神经网络模型获得的第一伽马光子和第二伽马光子的预测入射位置坐标组成的向量,Ti表示样本中的第一伽马光子和第二伽马光子的实际入射位置坐标组成的向量,N表示每一样本训练子集中的样本数。
7.根据权利要求1所述的正电子湮没角关联测量方法,其特征在于,所述两个荧光探测器的曝光时间为百纳秒量级。
8.一种基于深度学习的正电子湮没角关联测量装置,其特征在于,包括测量系统以及伽马光子探测装置;
所述伽马光子探测装置,用于探测待测样品中电子与正电子湮没所产生的第一伽马光子、第二伽马光子对应获得第一二维数组、第二二维数组;
所述测量系统包括:
样本获取模块,用于获取样本训练集,该样本训练集中每一样本包括探测伽马光子对对应获得的两个二维数组以及伽马光子对的入射位置坐标;
模型训练模块,基于所述样本训练集对深度神经网络模型进行优化;
定位模块,用于利用优化好的深度神经网络模型基于所述第一二维数组、第二二维数组分别获得第一伽马光子和第二伽马光子的入射位置坐标;
处理器,用于根据所述入射位置坐标及待测样品的位置坐标获得对应的立体湮没角,并根据该立体湮没角获得待测样本对应的二维正电子湮没角关联谱;
其中,所述伽马光子探测装置包括:
Na22放射源,用于产生正电子;
两个荧光探测器,分别覆盖耦合有闪烁晶体板,分别平行对称地设置于待测样品两侧;两个所述闪烁晶体板,用于探测待测样品中电子与正电子湮没所产生的沿反向传播的第一伽马光子和第二伽马光子产生相应的荧光信号,两个所述荧光探测器,用于探测对应的荧光信号获得对应的第一二维数组、第二二维数组;所述闪烁晶体板的尺寸与所述荧光探测器的尺寸相同;
伽马光子探测器,设置于两个荧光探测器中间上部且与该两个荧光探测器垂直,用于探测所述Na22放射源产生正电子时伴随产生的第三伽马光子,以作为所述两个荧光探测器的曝光触发器。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649116.8A CN113390913B (zh) | 2021-06-10 | 2021-06-10 | 基于深度学习的正电子湮没角关联测量方法及装置 |
CN202210228672.2A CN114544682A (zh) | 2021-06-10 | 2021-06-10 | 一种伽马光子探测装置以及正电子湮没角关联测量装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649116.8A CN113390913B (zh) | 2021-06-10 | 2021-06-10 | 基于深度学习的正电子湮没角关联测量方法及装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210228672.2A Division CN114544682A (zh) | 2021-06-10 | 2021-06-10 | 一种伽马光子探测装置以及正电子湮没角关联测量装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113390913A CN113390913A (zh) | 2021-09-14 |
CN113390913B true CN113390913B (zh) | 2022-04-12 |
Family
ID=77620288
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649116.8A Active CN113390913B (zh) | 2021-06-10 | 2021-06-10 | 基于深度学习的正电子湮没角关联测量方法及装置 |
CN202210228672.2A Pending CN114544682A (zh) | 2021-06-10 | 2021-06-10 | 一种伽马光子探测装置以及正电子湮没角关联测量装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210228672.2A Pending CN114544682A (zh) | 2021-06-10 | 2021-06-10 | 一种伽马光子探测装置以及正电子湮没角关联测量装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113390913B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574758A (en) * | 1994-02-03 | 1996-11-12 | Nuclear Engineering, Ltd. | Method for measuring gamma-rays of radionuclides, particularly in primary water of nuclear reactor |
CN102967874A (zh) * | 2012-12-17 | 2013-03-13 | 中国科学院高能物理研究所 | 一种正电子湮没角关联谱仪 |
DE102015008272A1 (de) * | 2015-06-18 | 2016-12-22 | Kurt Osterloh | Schlitzblendensystem für bildgebende Verfahren mit harter Strahlung |
CN111077150A (zh) * | 2019-12-30 | 2020-04-28 | 重庆医科大学附属第一医院 | 一种基于计算机视觉和神经网络的大便智能分析方法 |
CN111354442A (zh) * | 2018-12-20 | 2020-06-30 | 中国医药大学附设医院 | 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法 |
CN111487665A (zh) * | 2020-05-09 | 2020-08-04 | 中国科学院高能物理研究所 | 一种二维正电子湮没角关联测量装置及方法 |
CN111487664A (zh) * | 2020-05-09 | 2020-08-04 | 中国科学院高能物理研究所 | 一种基于定位算法的正电子湮没角关联测量装置及方法 |
CN111487666A (zh) * | 2020-05-09 | 2020-08-04 | 中国科学院高能物理研究所 | 正电子湮没角关联测量方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006085442A1 (ja) * | 2005-02-14 | 2006-08-17 | Japan Science And Technology Agency | 高計数率シンチレーター |
US7233643B2 (en) * | 2005-05-20 | 2007-06-19 | Oxford Instruments Analytical Oy | Measurement apparatus and method for determining the material composition of a sample by combined X-ray fluorescence analysis and laser-induced breakdown spectroscopy |
JP5526435B2 (ja) * | 2011-08-03 | 2014-06-18 | 独立行政法人理化学研究所 | Pet装置およびそのイメージング方法 |
CN103033523B (zh) * | 2012-12-17 | 2015-04-08 | 中国科学院高能物理研究所 | 一种新型正电子湮没谱仪及其测量方法 |
-
2021
- 2021-06-10 CN CN202110649116.8A patent/CN113390913B/zh active Active
- 2021-06-10 CN CN202210228672.2A patent/CN114544682A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574758A (en) * | 1994-02-03 | 1996-11-12 | Nuclear Engineering, Ltd. | Method for measuring gamma-rays of radionuclides, particularly in primary water of nuclear reactor |
CN102967874A (zh) * | 2012-12-17 | 2013-03-13 | 中国科学院高能物理研究所 | 一种正电子湮没角关联谱仪 |
DE102015008272A1 (de) * | 2015-06-18 | 2016-12-22 | Kurt Osterloh | Schlitzblendensystem für bildgebende Verfahren mit harter Strahlung |
CN111354442A (zh) * | 2018-12-20 | 2020-06-30 | 中国医药大学附设医院 | 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法 |
CN111077150A (zh) * | 2019-12-30 | 2020-04-28 | 重庆医科大学附属第一医院 | 一种基于计算机视觉和神经网络的大便智能分析方法 |
CN111487665A (zh) * | 2020-05-09 | 2020-08-04 | 中国科学院高能物理研究所 | 一种二维正电子湮没角关联测量装置及方法 |
CN111487664A (zh) * | 2020-05-09 | 2020-08-04 | 中国科学院高能物理研究所 | 一种基于定位算法的正电子湮没角关联测量装置及方法 |
CN111487666A (zh) * | 2020-05-09 | 2020-08-04 | 中国科学院高能物理研究所 | 正电子湮没角关联测量方法 |
Non-Patent Citations (3)
Title |
---|
Neural network based-position estimators for PET detectors using monolithic LSO blocks;Bruyndonckx Peter等;《IEEE TRANSACTIONS ON NUCLEAR SCIENCE》;20041018;第51卷(第5期);第2520-2525页 * |
Positron annihilation spectroscopy of defects in nuclear and irradiated materials- a review;F.A. Selim;《Materials Characterization》;20210209;第174卷;第1-16页 * |
基于连续晶体阵列探测器的一维正电子湮没角关联测量方法;刘进洋等;《核技术》;20210131;第44卷(第1期);第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113390913A (zh) | 2021-09-14 |
CN114544682A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moskal et al. | Time resolution of the plastic scintillator strips with matrix photomultiplier readout for J-PET tomograph | |
Catanesi et al. | The HARP detector at the CERN PS | |
JP2000023963A (ja) | 二元エネルギ―x線撮像のための装置および方法 | |
WO2011001610A1 (ja) | ガンマ線方向検出装置および方法 | |
CN109782326A (zh) | 一种闪烁体阵列探测器及康普顿散射成像中三维位置分辨的方法 | |
Hartill et al. | Antiproton-Proton Annihilation into Electron-Positron Pairs and Gamma-Ray Pairs | |
CN113390913B (zh) | 基于深度学习的正电子湮没角关联测量方法及装置 | |
Agostini et al. | Tomographic diagnostic of the hydrogen beam from a negative ion source | |
RU2687840C1 (ru) | Способ исследования поведения материалов при ударно-волновом нагружении с помощью протонной радиографии | |
US4135089A (en) | Method of and apparatus for producing images for stereoscopic viewing of annihilation radiation sources | |
CN113447976B (zh) | 一种高分辨率慢正电子束形貌的测量方法及装置 | |
Morozov et al. | ANTS—a simulation package for secondary scintillation Anger-camera type detector in thermal neutron imaging | |
Dioszegi et al. | A new pad-based neutron detector for stereo coded-aperture thermal neutron imaging | |
Sridhar | Development and optimization of simulation software tools for the coordinator detector in Jefferson lab’s hall a | |
Folsom | A Compact Neutron Scatter Camera Using Optical Coded-Aperture Imaging | |
Heath et al. | Gantryless Associated-Particle Neutron Radiography | |
Mikeli et al. | 3D reconstruction optimization for compton camera events | |
Lindenbaum | On-line computer techniques in nuclear research | |
Mor | High Spatial-Resolution Fast Neutron Detectors for Imaging and Spectrometry | |
Fan et al. | Development and Performance evaluation of a prompt gamma imaging system for real-time proton therapy monitoring | |
Kemp | Development of a silicon photomultiplier based scintillator detector for cosmic air showers | |
JP2010203807A (ja) | 画像処理装置、画像処理システム、画像処理方法およびプログラム | |
Link | Event Reconstruction for EXO-200 using Deep Learning | |
Marleau et al. | High-Resolution Imaging of Fission Energy Neutrons. | |
Weinfurther | Designing an Optically Segmented Single-Volume Neutron Scatter Camera Using Simulation and Experimental Validation |
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 |