CN113777648B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113777648B CN113777648B CN202111056477.8A CN202111056477A CN113777648B CN 113777648 B CN113777648 B CN 113777648B CN 202111056477 A CN202111056477 A CN 202111056477A CN 113777648 B CN113777648 B CN 113777648B
- Authority
- CN
- China
- Prior art keywords
- neural network
- coded
- detector
- array
- collimator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003384 imaging method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 230000002285 radioactive effect Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 20
- 239000000523 sample Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000005251 gamma ray Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 230000008901 benefit Effects 0.000 description 9
- 238000003491 array Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/29—Measurement performed on radiation beams, e.g. position or section of the beam; Measurement of spatial distribution of radiation
- G01T1/2914—Measurement of spatial distribution of radiation
- G01T1/2921—Static instruments for imaging the distribution of radioactivity in one or two dimensions; Radio-isotope cameras
- G01T1/295—Static instruments for imaging the distribution of radioactivity in one or two dimensions; Radio-isotope cameras using coded aperture devices, e.g. Fresnel zone plates
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B42/00—Obtaining records using waves other than optical waves; Visualisation of such records by using optical means
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本申请公开了一种基于随机编码与神经网络探测器成像的方法，包括：S1、获得多个穿过编码准直器的编码图像信息；S2、将所述编码图像信息划分为训练集和测试集，利用所述训练集构建反向神经网络模型；S3、利用所述训练集对所述反向神经网络模型进行训练，获得训练后的神经网络模型，再利用所述测试集对所述训练后的神经网络模型进行测试；S4、若测试结果中放射源位置识别准确率、放射源数量识别准确率、解码图像信噪比满足预设值时，则神经网络模型训练完成后即为探测器成像方法，若测试结果达不到要求，则重复步骤S2、S3、S4。使用本发明方法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。
Description
技术领域
本申请涉及放射源检测与监控技术领域，特别地，涉及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。
背景技术
随着我国国民经济和核能利用的大力发展，核能开发、国土安全与核反恐备受关注，这就使得对核设施辐射安全、放射源的检测与监控提出了更高的要求。在一些放射事故中，若发生放射源丢失或放射源弥散的情况，即需要迅速判断放射性核素所在。在核探测技术领域，相对于传统的数值、谱线等辐射探测手段，射线成像技术可在远距离给出反映辐射热点分布情况的二维图像，并可以与光学图像相融合，具有效率高、效果直观等突出优点。
编码孔径成像技术（Coded Aperture Imaging）是在单针孔成像的基础上发展起来的一种高灵敏度的射线成像方法。传统的单孔成像技术虽然可以获得具有较高信噪比的图像，但是成像时间长，效率低下。其通过采用预设图样的多开孔准直器，大大提高了系统的探测效率和图像信噪比，显著降低了系统的成像时间，并逐渐在放射源检测与监控、核能开发和生物医学等领域广泛应用。
编码孔径成像过程分两步：投影和重建，光源透过编码准直器后将编码阵列图案投影至探测器平面，将探测数据与编码阵列做相关运算即可获得光源的空间位置。编码准直器和位置灵敏探测器分别对应两个步骤的关键设备，他们的参数影响着相机的成像性能，如图1所示。
（1）重建图像的信噪比，取决于编码阵列的自相关性，图像的信噪比比越高，则图像越清晰，分辨细节的能力受噪声影响越小；
（2）几何角分辨率：，可换算为特定距离下的位置分辨率，指相机可分辨的空间的最小位置，指相同视野下可分辨细节的多少；
（3）编码视场的几何半角宽：（全编码），/>（部分编码），此指标指相机可成像的面积的多少，即对多大的区域进行成像；
其中，各个字母含义如下，D：码版到探测器的距离；d：码版元素的大小；S：码版的大小；x：探测器的大小。
但现有的编码孔成像技术要求探测器在任意时刻必须探测到完整的编码阵列才可以重建最好的图像，例如像素阵列为n×n的探测器，则必须要求编码阵列N1×N2（N1≤n、N2≤n）。在应用过程中就很难与常见探测器探测器进行完全匹配，这就造成了探测器像素的浪费，同时无法最大化编码阵列，造成嵌套后成像系统视场角（FOV）受限。
编码准直器上常用两个编码阵列，修正的均匀冗余阵列（Modified UniformlyRedundant Arrays，MURA）与均匀冗余阵列（Uniformly Redundant Arrays，URA）。他们具有开孔率大（约 50％）、在有限大小内的具有理论的相关特性等优点从而被广泛应用。URA可以构建N1×N2的阵列，N1、N2互质且N1-N2=2。MURA可以构建N×N的阵列。在实际应用中为了扩大全编码视场，一般在原有码版排列的基础上向四周循环复制得到嵌套码板，嵌套后码版阵列为（2×N1-1）×（2×N2-1），其上任意连续N1×N2区域保持原有编码信息。
上述原理表明，编码阵列最大只能约为探测器阵列的四倍。常见商用探测器阵列造价高，且阵列固定，由于MURA和URA阵列的特殊性在应用过程中就很难与常见探测器探测器进行完全匹配，这就造成了探测器像素的浪费，同时无法最大化编码阵列，造成嵌套后成像系统视场角FOV受限。
随机阵列（Random Array，RA）可以不受行列的限制获得足够大的阵列，从而不受设计限制最大化系统FOV，同时能最大化利用探测器像素。但是传统的相关运算重建应用到基于随机编码的成像中时，会在重建过程中引入固有的大量的噪声，使得图像信噪比低下。如利用迭代法解码，可以获得优异信噪比的图像，但同时会消耗大量运算时间，一定程度上限制了其在实时、快速成像方面应用。
由上可知，现有技术下编码孔径成像装置受限于编码阵列编码规则、探测器阵列大小等因素，无法兼顾相机成像质量和系统FOV。基于上述，需要一种能拓展相机成像视场角FOV性能并且能快速获得最优化重建图像信噪比的重建技术
发明内容
针对现有技术的不足，本发明提供一种基于随机编码与神经网络探测器成像的方法和一种伽马相机，通过采用基于反向神经网络的编码阵列规则，可以兼顾相机成像质量和系统视场角。
本发明提供了一种基于随机编码与神经网络探测器成像的方法，包括：S1、获得多个穿过编码准直器的编码图像信息；S2、将所述编码图像信息划分为训练集和测试集，利用所述训练集构建反向神经网络模型；S3、利用所述训练集对所述反向神经网络模型进行训练，获得训练后的神经网络模型，再利用所述测试集对所述训练后的神经网络模型进行测试；S4、若测试结果中放射源位置识别准确率、放射源数量识别准确率、解码图像信噪比满足预设值时，则神经网络模型训练完成后即为探测器成像方法，若测试结果达不到要求，则重复步骤S2、S3、S4。
进一步地，获得所述多个穿过所述编码准直器的编码图像信息的方法包括：使用蒙特卡罗软件构建包括随机编码阵列的编码孔准直器模型和探测器模型；模拟不同放射源发射射线穿过所述编码孔准直器模型；所述探测器模型接收所述不同位置放射源的编码图像信息。
进一步地，模拟的所述不同位置的放射源位于所述编码孔准直器模型和所述探测器模型的视场角内。
进一步地，将同一时间的两个或多个编码图像叠加并归一化处理，直到达到训练集和调试集所需的编码图像数据数量。
进一步地，所述蒙特卡罗方法采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits和GADRAS中的一种或几种。
进一步地，所述反向神经网络包括：输入层，所述输入层节点数为探测器像素个数；输出层，所述输出层节点数为接收的所述编码图像信息的像素个数；利用所述输入层、输出层计算所述隐含层节点数，并利用所述激活函数构建所述反向神经网络。
进一步地，所述反向传播神经网络框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer和ScikitLearn中的一种或多种。
进一步地，放射源位置识别准确率预设值为大于或等于95%，放射源数量识别准确率预设值为大于或等于95%，解码图像信噪比预设值为大于等于40。
本申请还公开了一种利用上述的方法的伽马相机，用于发射射线的放射源识别，包括：编码准直器，所述射线穿过编码准直器；探测组件，包括接收器、处理器及存储器，所述接收器接收穿过编码准直器的伽马射线投影的编码阵列图案，所述存储器存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行对所述投影的编码阵列图案进行成像的方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为编码孔成像示意图。
图2为基于随机编码与神经网络探测器成像的方法流程图。
图3为编码孔伽马相机的模型及探测到地数据模型。
图4为迅速获得大量训练数据的方法示意图。
图5展示了利用本申请中的方法对2-5个放射源同时存在的解码图像结果，和相关运算重建方法的解码图像结果。
具体实施方式
以下结合附图和实施例，对本发明的具体实施方式进行更加详细的说明，以便能够更好地理解本发明的方案以及其各个方面的优点。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本发明的限制。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
首先，需解释下BPNN（反向传播神经网络）的由来。人工神经网络（ArtificialNeural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，而反向传播算法（Back-Propagation）作为最早且最普遍使用的多层感知机网络训练方法，早在70、80 年代就被提出来，并一直沿用至今。以误差反向传播算法为核心的反向传播人工神经网络（BPNN）也同样应用广泛。
反向神经网络（BP）模型拓扑结构包括输入层、隐含层以及输出层，输入层的神经元由样本属性的维度决定，输出层的神经元个数由样本分类个数决定，隐含层则可以依据实际情况自己决定。从本质上讲，BP算法就是以网络误差平方目标函数、采用梯度下降法来计算目标函数的最小值。基本BP算法包括信号的前向传播和误差的反向传播两个过程。BPNN（反向传播神经网络）具有诸多优点，比如非线性映射能力强、高度的自学习和自适应能力、容错能力强等。使用BPNN，可以较为有效的提高整个剂量率高度修正的效率，实现核素剂量率高度修正的一体式修正。
此外，还需简单介绍下本申请中利用的MCNP模拟软件。在MCNP软件是一种利用蒙特卡洛模拟程方法的软件。核技术的学科特点导致很多情况下无法进行实际的测量或实验工作，此时计算机模拟计算就显示出了独特的优势。同时对于结构和反应机制复杂的核反应问题，一般的数值方法难以求解，而MC（Monte Carlo）方法能够准确地模拟实际中的物理过程，解决以往数值方法难以解决的问题，因此该方法广泛地应用于涉核领域的研究中。上世纪 40 年代中期随着原子能事业的发展，MC方法逐渐成长起来，其基本思想是基于随机数选择的统计抽样方法，由于传统的经验方法不能逼近真实的物理过程, 难以得到满意的结果，在解决粒子输运问题方面，蒙特卡罗方法有着显著的优势，随后人们逐渐开发了众多的 MC 模拟程序，目前主流的有EGS、MCNP、GEANT4 等，其中MCNP是由美国洛斯阿拉莫斯国家实验室开发，主要用于三维几何结构中光子、电子、中子等在物质中输运问题的蒙特卡罗模拟程序，其适用的光子能量范围在1E-3MeV—1E5MeV，电子能量范围在1E-3MeV—1E3MeV，中子能量范围1E-11MeV—20MeV。MCNP的程序功能较全，各种物质反应截面数据丰富，减小方差的方法多样，通用性强且使用简单。
图2示出了基于随机编码与神经网络探测器成像的方法流程图。
如图2所示，首先获取多个穿过编码准直器的编码图像信息（104步），这些图像信息可以划分为训练集和测试集，利用训练集中的训练数据构建反向神经网络模型，并利用训练数据进行神经网络训练（105步）。获得训练后的神经网络模型，再利用所述测试集对所述训练后的神经网络模型进行测试。若测试结果中射源位置识别准确率大于或等于95%，放射源数量识别准确率大于或等于95%，解码图像信噪比大于等于40时（106步），则训练后的神经网络模型即为探测器成像方法（107步）。若测试结果不满足上述要求，则需要重复105-107步过程。
需要注意的是，当为单个放射源时，位置识别准确率需大于或等于99%，当为多个放射源时，位置识别准确率大于或等于95%，
如图2所示，流程图中还示出了模型搭建的过程。首先需确定阵列探测器类型以及参数和规格，编码孔径阵列大小及孔径、厚度设计等参数（101、102步）。参考以上参数，使用蒙特卡罗软件构建包括随机编码阵列的编码孔准直器模型和探测器模型（103步），和模拟编码孔径的成像过程，获得训练数据。具体过程为模拟不同放射源发射射线穿过所述编码孔准直器模型；所述探测器模型接收所述不同位置放射源的编码图像信息。编码图像信息中包括有放射源地位置信息，此时编码图像信息即为训练数据。
进一步地，在步骤101，需确定选用的阵列探测器的参数。然后根据步骤102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、尺寸、孔径的大小、孔的形状、孔的排列方式等。需要说明的是，101-102步可以根据使用者所具备的客观条件特殊设计。
进一步地，将在101-102步骤中选定的参数带入蒙特卡洛软件中进行模型的搭建，即步骤103。在这一过程中需设置探测器至编码准直器距离。还可设置相机本底屏蔽铝制外壳，完成相机搭建。
对于步骤104，本实施例采用Co-57（活度为798E4 Bq）点源，放置于相机视野内距离相机2m处，分别模拟测量时间为120s、60 s、30s、10s、的情况，统计接收到的编码图像信息。再将模拟获得的编码图像和归一化处理至（-1,1），结合对应空间位置作为输出标签输入到网络模型中，作为训练数据。
步骤105采用的深度学习网络框架是DeepLearnToolbox。利用上述的训练数据构建神经网络。
进一步地，根据步骤106对初步训练的深度学习模型进行测试，如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，且测试样本随机包含1-9多点源成像数据。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。本实施例中设置单放射源位置识别准确率为0.99、多放射源（5放射源）位置识别准确率为0.95、放射源数量（1-5源）识别准确率为0.99、信噪比为40条件来判断网络是否完成训练并是否可进行应用，如不满足，则重复步骤105-107。
下面结合实际模型来详细描述成像过程。图3示出了编码孔伽马相机的模型及探测到地数据模型。如图3所示，编码孔伽马相机包括阵列探测器201和编码孔准直器202，此外还包括屏蔽或者相机外壳203，阵列探测器201和编码孔准直器202置于屏蔽或者相机外壳203中。其中编码孔准直器202中具有编码板。
进一步地，204为伽马相机全编码探测目标区域，205为伽马相机部分编码探测目标区域，本实施例中只考虑全编码探测区域即204区域。206、207所示为放射源所在位置；206处于全编码视场角FOV内，探测器探测到的数据如图中208所示。例如，此时探测数据为16×16矩阵。207处于部分编码视场角FOV内，探测器数据不采用。图示209中，示出一个实施例，如只考虑全编码视场角FOV，则全编码探测区域204被离散成17×17的像素化平面，即探测器可以探测到17×17个连续的且不同的16×16编码阵列，放射源所处位置为1（如图中白色点），其余为0（如图中黑色区域），并构建对应位置标签。获得探测数据及对应位置标签作为训练数据的输入数据，即可进行上述步骤105，构建反向传播神经网络模型，训练网络。
上述表示了一个训练数据的获得过程，但是一个完整的具有高识别率的反向传播人工神经网络需要大量的训练数据进行训练。本申请还示出了如何迅速获得大量训练数据。图4为迅速获得大量训练数据的方法示意图。图4即对上述的图2中104步（蒙特卡罗模拟编码孔径成像过程，获取训练数据）做了进一步说明。
如图4所示，通过不断改变放射源206在204全编码探测目标区域内放射源位置，即可以在阵列探测器201上获得大量编码图像，但是还远远不够网络训练的需求量。步骤301本实施例中模拟了不同时间下单个放射源在离散探测目标平面内的所有17×17种可能成像结果。步骤302在301的基础上，随机抽取同时间下301中2种探测数据进行叠加并归一化，对应位置标签叠加并归一化，本实施例重复以上操作1000000次获得2点源数据。步骤303在301的基础上，随机抽取同时间下301中3种探测数据进行叠加并归一化，对应位置标签叠加并归一化，本实施例重复以上操作1000000次获得3点源数据。步骤304在301的基础上，随机抽取同时间下301中4种探测数据进行叠加并归一化，对应位置标签叠加并归一化，本实施例重复以上操作1000000次获得4点源数据。步骤305在301的基础上，随机抽取同时间下301中5种探测数据进行叠加并归一化，对应位置标签叠加并归一化，本实施例重复以上操作1000000次获得5点源数据。将上述原始单点源数据301，以及叠加所得302、303、304、305多点源数据打包输入数据，对构建的反向神经网络进行训练，即图2中的步骤105。
还需特别指出的是在本申请实施例中，全编码成像构建的反向传播神经网络参数如下：
1层输入层，输入层节点数需要为探测器的像素个数，如节点数为16×16。1层输出层，输出层节点数等于输出图像的像素个数，如本实施例中节点数为17×17。为了保证训练速度，设置1层隐含层，隐含层节点依照经验公式，设置为300。
本实施例中还设置了所需的其他参数，具体如下：
全连接层激活函数为Sigmoid函数。激活函数学习速率0.01。平均下降梯度步长200。训练数据全扫描次数500。
本申请在不同的使用场景中，需调整对应的构建的反向网络参数：
场景一：探测器阵列固定、编码准直器至探测器平面距离固定、码孔尺寸固定的情况下。假定设计编码阵列为N1×N2、探测器阵列为N3×N4。N1、N2的取值决定了全编码FOV的大小。对应全编码FOV被离散成（N1+1-N3）×（N2+1-N4）的像素化平面。在进行步骤104、105时，需要调整对应的输入层节点以及输出层节点。
场景二：编码准直器阵列固定、编码准直器至探测器平面距离固定、码孔尺寸固定的情况下，假定设计编码阵列为N1×N2、探测器阵列为N3×N4。N3、N4的取值决定了全编码FOV以及部分编码FOV的大小。对应全编码FOV需被离散成（N1+1-N3）×（N2+1-N4）的像素化平面。在进行步骤104、105时，需要调整对应的输入层节点以及输出层节点。
本申请还涉及一种伽马相机，用于发射射线的放射源识别，包括：编码准直器，射线穿过编码准直器。探测组件，包括接收器和处理器及存储器，接收器接收穿过编码准直器的伽马射线投影的编码阵列图案，存储器存储有计算机指令，当计算机指令被所述处理器执行时，使得处理器执行对投影的编码阵列图案进行成像的方法。
本申请具有以下优点：
（1）用采用反向传播神经网络作为重建算法，可以有效抑制重建背景噪声，获得高信噪比图像，且重建效果不受编码阵列编码规则的限制。相比于最大似然估计法，重建迅速；相比于相关运算重建，重建图像信噪比优异。
（2）基于固定的探测器阵列，使用随机编码作为相机码板的编码规则，可以灵活设计编码准直器的阵列大小、形状以及开孔率。突出的优点是获得较大的编码阵列，从而获得较大的理论成像FOV视场角。
（3）基于固定的编码准直器，可以通过相对小阵列的阵列探测器重建较大视野的射线热点图像，即且获得更大的成像视场角FOV的同时减少探测器成本。
图5展示了利用本申请中的方法对2-5个放射源同时存在的解码图像结果，和相关运算重建方法的解码图像结果。
如图5所示，可以见得，使用本发明所述的反向传播神经网络重建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。
显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (8)
1.一种基于随机编码与神经网络探测器成像的方法，其特征在于，包括：
S1、获得多个穿过编码准直器的编码图像信息，包括使用蒙特卡罗方法构建包括随机编码阵列的编码孔准直器模型和探测器模型；模拟不同放射源发射射线穿过所述编码孔准直器模型；所述探测器模型接收不同位置放射源的编码图像信息；
S2、将所述编码图像信息划分为训练集和测试集，利用所述训练集构建反向神经网络模型；
S3、利用所述训练集对所述反向神经网络模型进行训练，获得训练后的神经网络模型，再利用所述测试集对所述训练后的神经网络模型进行测试；
S4、若测试结果中放射源位置识别准确率、放射源数量识别准确率、解码图像信噪比满足预设值时，则神经网络模型训练完成后即为探测器成像方法，若测试结果达不到要求，则重复步骤S2、S3、S4；
固定探测器阵列、编码准直器至探测器平面距离，编码孔尺寸固定，若设计编码阵列为N1×N2、探测器阵列为 N3×N4，对应全编码FOV被离散成(N1+1-N3)×(N2+1-N4)的像素化平面，在进行步骤S2、S3时，需要调整对应的输入层节点以及输出层节点；
或固定编码准直器阵列、编码准直器至探测器平面距离、 编码孔尺寸固定，若设计编码阵列为N1×N2、探测器阵列为 N3×N4，N3、N4的取值决定了全编码FOV以及部分编码FOV的大小，对应全编码FOV需被离散成(N1+1-N3)×(N2+1-N4)的像素化平面，在进行步骤S2、S3时，需要调整对应的输入层节点以及输出层节点。
2.如权利要求1所述的方法，其特征在于，模拟的所述不同位置的放射源位于所述编码孔准直器模型和所述探测器模型的视场角内。
3.如权利要求1所述的方法，其特征在于，将同一时间的两个或多个编码图像叠加并归一化处理，直到达到训练集和调试集所需的编码图像数据数量。
4.如权利要求1所述的方法，其特征在于，所述蒙特卡罗方法采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits和GADRAS中的一种或几种。
5.如权利要求1所述的方法，其特征在于，所述反向神经网络包括：
输入层，所述输入层节点数为探测器像素个数；
输出层，所述输出层节点数为接收的所述编码图像信息的像素个数；
利用所述输入层、输出层计算隐含层节点数，并利用激活函数构建所述反向神经网络。
6.如权利要求5所述的方法，其特征在于：
反向传播神经网络框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer和ScikitLearn中的一种或多种。
7.如权利要求1所述的方法，其特征在于：
放射源位置识别准确率预设值为大于或等于95%，放射源数量识别准确率预设值为大于或等于95%，解码图像信噪比预设值为大于等于40。
8.一种利用如权利要求1所述的方法的伽马相机，用于发射射线的放射源识别，其特征在于，包括：
编码准直器，所述射线穿过编码准直器；
探测组件，包括接收器、处理器及存储器，所述接收器接收穿过编码准直器的伽马射线投影的编码阵列图案，所述存储器存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行对所述投影的编码阵列图案进行成像的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111056477.8A CN113777648B (zh) | 2021-09-09 | 2021-09-09 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111056477.8A CN113777648B (zh) | 2021-09-09 | 2021-09-09 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113777648A CN113777648A (zh) | 2021-12-10 |
| CN113777648B true CN113777648B (zh) | 2024-04-12 |
Family
ID=78842106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111056477.8A Active CN113777648B (zh) | 2021-09-09 | 2021-09-09 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113777648B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115950531B (zh) * | 2023-03-15 | 2023-06-20 | 长春理工大学 | 一种探测器信噪比获取方法及检测装置 |
| CN116660969B (zh) * | 2023-07-27 | 2023-10-13 | 四川轻化工大学 | 多时间序列深度神经网络放射源三维定位系统与定位方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373830A (zh) * | 2015-12-11 | 2016-03-02 | 中国科学院上海高等研究院 | 误差反向传播神经网络的预测方法、系统及服务器 |
| CN106846253A (zh) * | 2017-02-14 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于反向传播神经网络的图像超分辨率重建方法 |
| 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 |
| CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
| CN109031440A (zh) * | 2018-06-04 | 2018-12-18 | 南京航空航天大学 | 一种基于深度学习的伽马放射性成像方法 |
| CN110378975A (zh) * | 2019-07-11 | 2019-10-25 | 安徽大学 | 一种基于深度神经网络的压缩编码孔径成像方法及系统 |
| CN110502978A (zh) * | 2019-07-11 | 2019-11-26 | 哈尔滨工业大学 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
| CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
| CN112926157A (zh) * | 2021-03-10 | 2021-06-08 | 中国计量大学 | 一种基于神经网络的光栅滤光片结构优化方法 |
-
2021
- 2021-09-09 CN CN202111056477.8A patent/CN113777648B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373830A (zh) * | 2015-12-11 | 2016-03-02 | 中国科学院上海高等研究院 | 误差反向传播神经网络的预测方法、系统及服务器 |
| CN106846253A (zh) * | 2017-02-14 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于反向传播神经网络的图像超分辨率重建方法 |
| 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 |
| CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
| CN109031440A (zh) * | 2018-06-04 | 2018-12-18 | 南京航空航天大学 | 一种基于深度学习的伽马放射性成像方法 |
| CN110378975A (zh) * | 2019-07-11 | 2019-10-25 | 安徽大学 | 一种基于深度神经网络的压缩编码孔径成像方法及系统 |
| CN110502978A (zh) * | 2019-07-11 | 2019-11-26 | 哈尔滨工业大学 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
| CN112037012A (zh) * | 2020-08-14 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于pso-bp神经网络的互联网金融信用评价方法 |
| CN112926157A (zh) * | 2021-03-10 | 2021-06-08 | 中国计量大学 | 一种基于神经网络的光栅滤光片结构优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 汤爱涛等编著.《计算机在材料工程中的应用》.重庆大学出版社,2008,第175-180页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113777648A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113777648B (zh) | 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 | |
| Zhang et al. | Reconstruction method for gamma-ray coded-aperture imaging based on convolutional neural network | |
| Pedemonte et al. | A machine learning method for fast and accurate characterization of depth-of-interaction gamma cameras | |
| CN107223267A (zh) | 图像重建方法和系统 | |
| Holland et al. | Multi-objective genetic algorithm optimization of a directionally sensitive radiation detection system using a surrogate transport model | |
| Sun et al. | Near-field high-resolution coded aperture gamma-ray imaging with separable masks | |
| Daniel et al. | Application of a deep learning algorithm to Compton imaging of radioactive point sources with a single planar CdTe pixelated detector | |
| Olesen et al. | Maximum likelihood reconstructions for rotating scatter mask imaging | |
| CN116125524B (zh) | 一种阵列自编码探测器系统及其成像方法 | |
| Miller et al. | Hybrid Gama Emission Tomography (HGET): FY16 Annual Report | |
| Geoffroy et al. | Real time artificial neural network FPGA implementation for triple coincidences recovery in PET | |
| CN114397693A (zh) | 一种自适应扩展视场放射源定位方法 | |
| CN110796713B (zh) | 放射源定位方法和装置、电子设备及计算机可读存储介质 | |
| Olesen et al. | Regenerative neural network for rotating scatter mask radiation imaging | |
| US20230072324A1 (en) | Robust automatic tracking of individual triso-fueled pebbles through a novel application of x-ray imaging and machine learning | |
| Moslemi et al. | Estimation of optimized timely system matrix with improved image quality in iterative reconstruction algorithm: A simulation study | |
| Kim et al. | Dual-Particle Imaging Performance of a Cs 2 LiYCl 6: Ce (CLYC)-Based Rotational Modulation Collimator (RMC) System | |
| Swift | Materials and configuration from NMIS type neutron imaging and gamma spectroscopy | |
| Cutura et al. | Breaking the U: Asymmetric U-Net for Object Recognition in Muon Tomography☆ | |
| CN116577819B (zh) | 一种多头康普顿探测方法及系统 | |
| Sanchez-Belenguer et al. | Deep Learning for Passive Gamma Emission Tomography | |
| Konieczka et al. | Transformation of PET raw data into images for event classification using convolutional neural networks | |
| US20050157923A1 (en) | Image processing system and image processing method | |
| CN116660969B (zh) | 多时间序列深度神经网络放射源三维定位系统与定位方法 | |
| Greulich | Radiography of Dry Cask Storage for Used Nuclear Fuel |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Zeyu Inventor after: Tang Xiaobin Inventor after: Gong Pin Inventor after: Wang Peng Inventor after: Hu Zhimeng Inventor after: Liang Dajian Inventor after: Shen Xiaolei Inventor before: Tang Xiaobin Inventor before: Gong Pin Inventor before: Wang Peng Inventor before: Hu Zhimeng Inventor before: Liang Dajian Inventor before: Wang Zeyu Inventor before: Shen Xiaolei |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |