CN114527649A - 基于大滑环锥形束双源能谱ct的网络学习控制方法及设备 - Google Patents
基于大滑环锥形束双源能谱ct的网络学习控制方法及设备 Download PDFInfo
- Publication number
- CN114527649A CN114527649A CN202210059962.9A CN202210059962A CN114527649A CN 114527649 A CN114527649 A CN 114527649A CN 202210059962 A CN202210059962 A CN 202210059962A CN 114527649 A CN114527649 A CN 114527649A
- Authority
- CN
- China
- Prior art keywords
- neural network
- slip ring
- control method
- large slip
- output
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001228 spectrum Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000002591 computed tomography Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 231100000716 Acceptable daily intake Toxicity 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000001959 radiotherapy Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于大滑环锥形束双源能谱CT的网络学习控制方法及设备,网络学习控制方法用于控制多套X光源以及多套影像探测器进行双源能谱CT扫描,包括以下内容:采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,利用BP神经网络调节PID控制器的参数;控制多套X光源同步出束;采用一个控制信号同时控制多套影像探测器同步触发采图。本发明采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,利用BP神经网络调节PID控制器的参数,PID控制器参数的自适应调节能够兼顾速度控制的快速性、稳定性和鲁棒性。
Description
技术领域
本发明属于加速器放射治疗技术领域,具体涉及一种基于大滑环锥形束双源能谱CT的网络学习控制方法。
背景技术
从1971年Hounsfield发明CT出现至今,CT升级一直侧重在图像质量的优化以及检查成功率的提升方面,转速、覆盖宽度、空间分辨率、采集通道等性能指标已发展到接近极限,导致CT成像问题愈发明显:CT扫描获得的是关于组织密度的差异图像,对于物质密度相近的组织无法区分,导致难于发现微小病灶和隐匿性病灶。尤其是进行肿瘤学检查时,CT更多的是基于病灶的密度变化来判断病灶的形态、大小、边缘,增强程度等,这更多是基于病变的解剖结构,而解剖结构变化往往意味着疾病发展到了中、后期,错过了诊疗的最佳时机。
多能谱CT的出现解决了上述问题,其突破传统CT的等密度病灶局限,形成直接反应病灶组织成分的图像,能够带来更丰富、精准、定量的多参数成像信息,对于肿瘤早期病灶发现、冠心病、大血管造影、肌骨成像等多种疾病影像学精准诊断具有独特价值。
随着现代计算机技术和医学影像技术的发展,肿瘤放射治疗已步入精确放疗时代,而精确放疗的基础是患者三维图像信息的精确获取,目前CT是三/四维图像信息获取的主要途径,它不仅能提供肿瘤靶区的信息,也能提供肿瘤周围正常组织的信息。同时放疗计划系统通过重建的CT图像提供的电子密度信息计算校准照射剂量,从而达到精确的肿瘤靶区剂量并减少正常组织的受照剂量。但由于受常规CT机架孔径限制而无法使所有的患者在理想的体位上进行模拟位,因此大孔径CT模拟定位系统在放疗领域逐渐崭露头角。大孔径CT模拟定位系统有别于常规诊断用CT,扫描孔径一般要求最好≥75cm。这是因为放疗模拟扫描,根据不同部位,会有一些特殊体位的摆位及需要结合一些放疗体架。很多小型医院,放疗科刚开始开展,病人不算多,可能科室有1-2台加速器,却没有适合放疗科使用的专业CT模拟机。
大孔径CT模拟定位系统包括:多套X光源和多套影像探测器。由于1s影像探测器需要均匀采多张图,因而对CT滑环旋转速度要求非常稳定精确,对多套影像探测器的触发时序也需要非常的同步和精确,对这大滑环CT的控制来说是一大挑战,也是本领域的攻克难题。
发明内容
为了解决上述技术问题,本发明提出了一种基于大滑环锥形束双源能谱CT的网络学习控制方法及设备。
为了达到上述目的,本发明的技术方案如下:
一方面,本发明公开了一种基于大滑环锥形束双源能谱CT的网络学习控制方法,用于控制多套X光源以及多套影像探测器进行双源能谱CT扫描,包括以下内容:
采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,利用BP神经网络调节PID控制器的参数;
控制多套X光源同步出束;
采用一个控制信号同时控制多套影像探测器同步触发采图。
在上述技术方案的基础上,还可做如下改进:
作为优选的方案,采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,具体包括以下步骤:
S1.1:选定BP神经网络的结构;
S1.2:实时测量大滑环CT的位置;
S1.3:计算大滑环CT的实时速度,并计算速度误差和加速度;
S1.4:前M个时刻的速度误差和加速度作为运动控制器BP神经网络的输入,同时也作为智能驱动器的PID控制器输入;
S1.5:计算BP神经网络的各层神经元的输入和输出,输出层的输出即为PID控制器的三个可调参数KP、KI、KD;
S1.6:计算PID控制器的控制输出;
S1.7:计算修正BP神经网络输出层的加权系数;
S1.8:计算修正BP神经网络隐含层的加权系数;
S1.9:重复步骤S1.2~S1.9直至修正完所有PID控制器的采样点。
作为优选的方案,PID控制器根据定值r(t)与实际输出值y(t)构成控制偏差:
e(t)=r(t)-y(t);
连续情况下PID控制器的控制输出为:
式中,kp为比例系数,TI为积分时间常数,TD为微分时间常数;
离散情况下PID控制器的控制输出为:
Δu(k)=kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2)); (2)
式中,ki=kp*T/TI,kd=kp*T/TD;
T为采样周期,k为采样序号。
作为优选的方案,BP神经网络的结构具体为:
BP神经网络的输入层输入为:
式中,M为输入层的节点数;
BP神经网络的隐含层输出为:
式中,wij (2)为隐含层权系数;wiM (2)为阈值,wiM (2)=θi,θi代表隐含层第i个神经元的阈值;
f[·]为活化函数,f[·]=tanh(x);
Q为隐含层节点数;
BP神经网络的输出层的输入输出为:
式中,wli (3)为输出层加权系数;wlQ (3)为阈值,wlQ (3)=θl,θl代表输出层第l个神经元的阈值;
g[·]为活化函数,满足g[·]=(1/2)[1+tanh(x)];
上标(1),(2),(3)分别表示输入层、隐含层、输出层;
设性能指标函数为:
式中,r代表期望速度,y代表实际速度,z代表速度误差;
根据最速下降法修正网络的加权系数,即按J对加权系数的负梯度方向搜索调整,并附加一个搜索快速收敛全局极小的惯性项,得到下式:
式中:η为学习速率,α为惯性系数。
作为优选的方案,选定BP神经网络的结构,具体包括以下内容:选定BP神经网络输入层的节点数M和隐含层节点数Q,并给出BP神经网络隐含层加权系数的初值wij (2)(0)、输出层加权系数的初值wli (3)(0),选定学习速率η和惯性系数α,k=1。
作为优选的方案,BP神经网络输出层的加权系数的计算公式为:
式中,g'[·]=g(x)[1-g(x)];
S1.7中,根据式(8)计算修正BP神经网络输出层的加权系数。
作为优选的方案,BP神经网络隐含层的加权系数的计算公式为:
式中,f'[·]=[1-f2(X)]/2;
S1.8中,根据式(9)计算修正BP神经网络隐含层的加权系数。
作为优选的方案,多套X光源的开始时间同步,且结束时间同步。
作为优选的方案,多套影像探测器同步触发采图具体包括以下内容:
大滑环CT开始旋转,发送影像触发脉冲触发多套影像探测器同步采图;
根据大滑环CT实时速度V、当前大滑环CT的位置编码器值Y和前几个时刻大滑环CT的位置编码器值Yi,利用三次样条预测算法预测下一时刻的位置编码器值Yj,同时预测下一时刻的旋转速度Vj,则下一个影像触发脉冲的时间为360/(T*p)*X/Vj;
其中:T为大滑环CT旋转一周的时间,p为1s影像探测器均匀采图的张数,X为大滑环CT旋转1°的编码器值。
另一方面,本发明还公开一种基于大滑环锥形束双源能谱CT的网络学习控制设备,包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括上述任一种基于大滑环锥形束双源能谱CT的网络学习控制方法的指令。
本发明一种基于大滑环锥形束双源能谱CT的网络学习控制方法及设备,采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,利用BP神经网络调节PID控制器的参数。PID控制器参数的自适应调节能够兼顾速度控制的快速性、稳定性和鲁棒性,采用一个控制信号同时控制多套影像探测器的触发。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的大滑环锥形束双源能谱CT的结构示意图。
图2为本发明实施例提供的基于EtherCAT网络学习的PID自适应控制方法流程图。
图3为本发明实施例提供的基于网络学习的控制系统结构图。
图4为本发明实施例提供的BP神经网络(NN)结构图。
图5为本发明实施例提供的大滑环CT旋转过程中影像板的触发控制结构图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
“包括”元件的表述是“开放式”表述,该“开放式”表述仅仅是指存在对应的部件或步骤,不应当解释为排除附加的部件或步骤。
为了达到本发明的目的,一种基于大滑环锥形束双源能谱CT的网络学习控制方法及设备的其中一些实施例中,基于大滑环锥形束双源能谱CT的网络学习控制方法用于控制如图1所示两套X光源以及四套影像探测器进行双源能谱CT扫描,大滑环CT旋转按照一周4s或6s的速度进行匀速旋转。
网络学习控制方法包括以下内容:
采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,利用BP神经网络调节PID控制器的参数;
控制两套X光源同步出束;
采用一个控制信号同时控制四套影像探测器同步触发采图。
X光源可以但不限于为X球管,影像探测器可以但不限于为探测板。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,如图2所示,采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,具体包括以下步骤:
S1.1:选定BP神经网络的结构;
S1.2:实时测量大滑环CT的位置;
S1.3:计算大滑环CT的实时速度,并计算速度误差和加速度;
S1.4:前M个时刻的速度误差和加速度作为运动控制器BP神经网络的输入,同时也作为智能驱动器的PID控制器输入;
S1.5:计算BP神经网络的各层神经元的输入和输出,输出层的输出即为PID控制器的三个可调参数KP、KI、KD;
S1.6:计算PID控制器的控制输出;
S1.7:计算修正BP神经网络输出层的加权系数;
S1.8:计算修正BP神经网络隐含层的加权系数;
S1.9:重复步骤S1.2~S1.9直至修正完所有PID控制器的采样点。
大滑环CT旋转运动的速度控制算法采用基于EtherCAT网络学习的PID自适应控制方法,PID控制参数的优化在DSP+FPGA的运动控制器完成,PID控制器在具有EtherCAT网络的智能运动驱动器完成,如图3所示。PID控制具有结构简单、稳定性能好、可靠性高等优点,尤其适用于可建立精确数学模型的确定性控制系统。但是,在实际的应用中,大多数工业过程都不同程度地存在非线性、参数时变性和模型不确定性,因而,一般的PID控制无法实现对这样的过程的精确控制。
基于网络学习的PID自适应控制方法对数学模型的依赖性弱,不需要建立过程的精确数学模型。网络学习算法采用BP神经网络学习算法,可以说是目前最成功的神经网络学习算法。BP神经网络就是一个“万能的模型+误差修正函数”,每次根据训练得到的结果与预想结果进行误差分析,进而修改权值和阈值,一步一步得到能输出和预想结果一致的模型。
进一步,在上述实施例的基础上,PID控制器是一种线性控制器,根据定值r(t)与实际输出值y(t)构成控制偏差:
e(t)=r(t)-y(t);
连续情况下PID控制器的控制输出为:
式中,kp为比例系数,TI为积分时间常数,TD为微分时间常数;
离散情况下PID控制器的控制输出为:
Δu(k)=kp(e(k)-e(k-1))+kie(k)+kd(e(k)-2e(k-1)+e(k-2)); (2)
式中,ki=kp*T/TI,kd=kp*T/TD;
T为采样周期,k为采样序号。
网络学习环节采用BP神经网络控制器,控制回路采用普通的PID控制器,其系统结构如图3所示。
控制系统由二部分组成:
(1)传统PID控制器:直接对被控对象过程进行闭环控制,并且三个参数KP、KI、KD为在线整定式;
(2)神经网络(NN):经过神经网络的学习,以加权系数的形式表现出来,规则的生成就转化为加权系数初值的确定和修改。根据系统的运行状态,调节PID控制器的参数,以达到性能指标的最优化。即输出层神经元的输出状态对应于PID控制器的三个可调参数KP、KI、KD,通过神经网络的自身学习、加权系数调整,从而使其稳定状态对应于误差平方和最小的最优控制律下的PID控制器参数。
本发明采用三层BP神经网络,其网络结构如图4所示,有M个输入节点、Q个隐含节点、3个输出节点。输入节点对应经预测处理后的系统状态变量E{i}。输出节点对应PID控制器的三个可调参数Kp、KI、KD。由于KP、KI、KD不能为负值,所以输出层神经元的活化函数取非负的Sigmoid,而隐含层神经元的活化函数可取正负对称的Sigmoid函数。
进一步,在上述实施例的基础上,BP神经网络的结构具体为:
BP神经网络的输入层输入为:
式中,M为输入层的节点数,输入变量的个数M取决于被控系统的复杂程度;
BP神经网络的隐含层输出为:
式中,wij (2)为隐含层权系数;wiM (2)为阈值,wiM (2)=θi,θi代表隐含层第i个神经元的阈值,也就是最大或最小值;
f[·]为活化函数,f[·]=tanh(x);
Q为隐含层节点数;
BP神经网络的输出层的输入输出为:
式中,wli (3)为输出层加权系数;wlQ (3)为阈值,w1Q (3)=θl,θl代表输出层第l个神经元的阈值,也就是最大或最小值;
g[·]为活化函数,满足g[·]=(1/2)[1+tanh(x)];
上标(1),(2),(3)分别表示输入层、隐含层、输出层;
设性能指标函数为:
式中,r代表期望速度,y代表实际速度,z代表速度误差;
根据最速下降法修正网络的加权系数,即按J对加权系数的负梯度方向搜索调整,并附加一个搜索快速收敛全局极小的惯性项,得到下式:
式中:η为学习速率,α为惯性系数。
进一步,在上述实施例的基础上,选定BP神经网络的结构,具体包括以下内容:选定BP神经网络输入层的节点数M和隐含层节点数Q,并给出BP神经网络隐含层加权系数的初值wij (2)(0)、输出层加权系数的初值wli (3)(0),选定学习速率η和惯性系数α,k=1。
进一步,在上述实施例的基础上,BP神经网络输出层的加权系数的计算公式为:
式中,g'[·]=g(x)[1-g(x)];
S1.7中,根据式(8)计算修正BP神经网络输出层的加权系数。
进一步,在上述实施例的基础上,BP神经网络隐含层的加权系数的计算公式为:
式中,f′[·]=[1-f2(X)]/2;
S1.8中,根据式(9)计算修正BP神经网络隐含层的加权系数。
具体地,网络学习控制方法的计算步骤可归纳如下:
1)选定BP神经网络的结构,即选定BP神经网络输入层的节点数M和隐含层节点数Q,并给出BP神经网络隐含层加权系数的初值wij (2)(0)、输出层加权系数的初值wli (3)(0),选定学习速率η和惯性系数α,k=1;
3)根据式(3)-(5)前向计算BP神经网络的各层神经元的输入和输出,输出层的输出即为PID控制器的三个可调参数KP(N)、KI(N)、KD(N);
4)根据式u(N)=u(N-1)+KP[e(N)-e(N-1)]+KIe(N)+KD[e(N)-2e(N-1)+e(N-2)]计算PID控制器的控制输出u(N),参与控制和计算;
5)由式(8),计算修正输出层的加权系数Wli (3)(N);
6)由式(9),计算修正隐含层的加权系数Wij (2)(N);
7)置k=k+1,ei=ei+1返回步骤2)。
上述步骤中:k=1,2,...N。
本发明采用了基于EtherCAT网络学习的PID自适应控制方法,PID控制参数的优化在DSP+FPGA的运动控制器完成,PID控制器在具有EtherCAT网络的智能运动驱动器完成。在驱动器完成基本控制,保证了控制的稳定性和可靠性,PID控制器参数优化在运动控制器完成,保证了控制性能的优化、精准和抗干扰的鲁棒性。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,两套X光源的开始时间同步,且结束时间同步。
二套X球管A,B进行同步连续出束,不是脉冲出束,所以只要保证开始时间和结束时间同步就可以。
为了进一步地优化本发明的实施效果,在另外一些实施方式中,其余特征技术相同,不同之处在于,四个影像板A1,A2,B1,B2触发需要同步、等间隔快速触发,控制结构如图5所示。
四个影像板同步触发采图具体包括以下内容:
大滑环CT开始旋转,发送影像触发脉冲触发多套影像探测器同步采图;
根据大滑环CT实时速度V、当前大滑环CT的位置编码器值Y和前几个时刻大滑环CT的位置编码器值Yi,利用三次样条预测算法预测下一时刻的位置编码器值Yj,同时预测下一时刻的旋转速度Vj,则下一个影像触发脉冲的时间为360/(T*p)*X/Vj;
其中:T为大滑环CT旋转一周的时间,p为1s影像探测器均匀采图的张数,X为大滑环CT旋转1°的编码器值。
具体地,以大滑环CT旋转一周为4s为例,p=80,则T*p=320,可以采集320张图,需要320个影像触发脉冲,影像板触发控制流程如下:
(1)大滑环CT开始旋转的角度是-10°,停止旋转的角度是370°,保证在0°至360°之间匀速运动;
(2)大滑环CT开始旋转时,X球管A、B开始连续出束,CT停止旋转时,X球管A、B停止出束,保证在0°至360°之间出束正常;
(3)根据现在实时的速度V,现在的位置编码器值Y和前几个时刻的位置编码器值Yi,利用三次样条预测算法预测下一时刻的位置编码器值Yj,从而可以预测出下一时刻的旋转速度Vj,下一个影像触发脉冲的时间就是360/320*X/Vj;
(4)DSP控制器有高精度的定时器,根据预估时间360/320*X/Vj进行精确定时触发。
由于有了旋转速度预测,可以保证在旋转过程中,速度有微小波动情况下的影像板等角度精确触发。若没有预测,则理论上每间隔360/320*X进行脉冲触发。
此外,本发明实施例还公开一种基于大滑环锥形束双源能谱CT的网络学习控制设备,包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括上述任一实施例公开的基于大滑环锥形束双源能谱CT的网络学习控制方法的指令。
本发明一种基于大滑环锥形束双源能谱CT的网络学习控制方法及设备具有以下有益效果:
第一,利用两套X光源以及四套影像探测器进行双源能谱CT扫描,每套光源增加了一套影像探测器,增加采图的FOV,能够诊断更多的病例,能够适应更多的人群。
第二,采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,利用BP神经网络调节PID控制器的参数。PID控制器参数的自适应调节能够兼顾速度控制的快速性、稳定性和鲁棒性。本发明大滑环双源能谱CT的旋转速度稳定、可靠且精准。
第三,采用一个控制信号同时控制多套影像探测器的触发,保证了影像触发的同步性。触发信号的时序控制,利用DSP控制器有高精度的定时器和对下一时刻速度的预测,预测算法采用三次样条预测算法进行误差平方和最小的预测,保证在旋转过程中,速度有微小波动情况下的影像板等角度精确触发。
应当理解,这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被该机器执行时,该机器变成实践本发明的设备。
上述实施例只为说明本发明的技术构思及特点,其目的在于让本领域普通技术人员能够了解本发明的内容并加以实施,并不能以此限制本发明的保护范围,凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.基于大滑环锥形束双源能谱CT的网络学习控制方法,用于控制多套X光源以及多套影像探测器进行双源能谱CT扫描,其特征在于,包括以下内容:
采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,利用BP神经网络调节PID控制器的参数;
控制多套X光源同步出束;
采用一个控制信号同时控制多套影像探测器同步触发采图。
2.根据权利要求1所述的网络学习控制方法,其特征在于,采用基于EtherCAT网络学习的PID自适应控制方法控制大滑环CT旋转运动的速度,具体包括以下步骤:
S1.1:选定BP神经网络的结构;
S1.2:实时测量大滑环CT的位置;
S1.3:计算大滑环CT的实时速度,并计算速度误差和加速度;
S1.4:前M个时刻的速度误差和加速度作为运动控制器BP神经网络的输入,同时也作为智能驱动器的PID控制器输入;
S1.5:计算BP神经网络的各层神经元的输入和输出,输出层的输出即为PID控制器的三个可调参数KP、KI、KD;
S1.6:计算PID控制器的控制输出;
S1.7:计算修正BP神经网络输出层的加权系数;
S1.8:计算修正BP神经网络隐含层的加权系数;
S1.9:重复步骤S1.2~S1.9直至修正完所有PID控制器的采样点。
4.根据权利要求3所述的网络学习控制方法,其特征在于,BP神经网络的结构具体为:
BP神经网络的输入层输入为:
式中,M为输入层的节点数;
BP神经网络的隐含层输出为:
式中,wij (2)为隐含层权系数;wiM (2)为阈值,wiM (2)=θi,θi代表隐含层第i个神经元的阈值;
f[·]为活化函数,f[·]=tanh(x);
Q为隐含层节点数;
BP神经网络的输出层的输入输出为:
式中,wli (3)为输出层加权系数;wlQ (3)为阈值,wlQ (3)=θl,θl代表输出层第l个神经元的阈值;
g[·]为活化函数,满足g[·]=(1/2)[1+tanh(x)];
上标(1),(2),(3)分别表示输入层、隐含层、输出层;
设性能指标函数为:
式中,r代表期望速度,y代表实际速度,z代表速度误差;
根据最速下降法修正网络的加权系数,即按J对加权系数的负梯度方向搜索调整,并附加一个搜索快速收敛全局极小的惯性项,得到下式:
式中:η为学习速率,α为惯性系数。
5.根据权利要求4所述的网络学习控制方法,其特征在于,选定BP神经网络的结构,具体包括以下内容:选定BP神经网络输入层的节点数M和隐含层节点数Q,并给出BP神经网络隐含层加权系数的初值wij (2)(0)、输出层加权系数的初值wli (3)(0),选定学习速率η和惯性系数α,k=1。
8.根据权利要求1-7任一项所述的网络学习控制方法,其特征在于,多套X光源的开始时间同步,且结束时间同步。
9.根据权利要求1-7任一项所述的网络学习控制方法,其特征在于,多套影像探测器同步触发采图具体包括以下内容:
大滑环CT开始旋转,发送影像触发脉冲触发多套影像探测器同步采图;
根据大滑环CT实时速度V、当前大滑环CT的位置编码器值Y和前几个时刻大滑环CT的位置编码器值Yi,利用三次样条预测算法预测下一时刻的位置编码器值Yj,同时预测下一时刻的旋转速度Vj,则下一个影像触发脉冲的时间为360/(T*p)*X/Vj;
其中:T为大滑环CT旋转一周的时间,p为1s影像探测器均匀采图的张数,X为大滑环CT旋转1°的编码器值。
10.基于大滑环锥形束双源能谱CT的网络学习控制设备,其特征在于,包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由一个或多个处理器执行,所述的一个或多个程序包括如权利要求1-9中任一项所述的基于大滑环锥形束双源能谱CT的网络学习控制方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059962.9A CN114527649A (zh) | 2022-01-19 | 2022-01-19 | 基于大滑环锥形束双源能谱ct的网络学习控制方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059962.9A CN114527649A (zh) | 2022-01-19 | 2022-01-19 | 基于大滑环锥形束双源能谱ct的网络学习控制方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114527649A true CN114527649A (zh) | 2022-05-24 |
Family
ID=81620298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210059962.9A Pending CN114527649A (zh) | 2022-01-19 | 2022-01-19 | 基于大滑环锥形束双源能谱ct的网络学习控制方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114527649A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120093382A1 (en) * | 2010-10-13 | 2012-04-19 | Siemens Aktiengesellschaft | Method for generating a tomographic temperature map in a patient by way of a ct device, control and computing unit and ct system |
CN102755171A (zh) * | 2011-04-29 | 2012-10-31 | 上海西门子医疗器械有限公司 | 一种用于ct旋转系统的闭环控制结构和方法 |
CN103284740A (zh) * | 2012-02-28 | 2013-09-11 | 上海西门子医疗器械有限公司 | Ct机的扫描控制方法、扫描控制装置及ct机 |
CN104068885A (zh) * | 2013-03-28 | 2014-10-01 | 上海西门子医疗器械有限公司 | Ct机的扫描触发控制方法、装置及ct机 |
CN105288867A (zh) * | 2015-10-21 | 2016-02-03 | 江苏海明医疗器械有限公司 | 一种放射治疗模拟机旋转运动机构精确控制系统 |
CN105911865A (zh) * | 2016-06-08 | 2016-08-31 | 中国人民解放军后勤工程学院 | 一种pid控制器的控制方法 |
CN109946747A (zh) * | 2019-03-25 | 2019-06-28 | 北京航星机器制造有限公司 | 一种基于新型探测装置的双能ct探测系统 |
CN109953768A (zh) * | 2019-03-29 | 2019-07-02 | 清华大学 | 多源多探测器结合的ct系统及方法 |
US20190261940A1 (en) * | 2018-02-28 | 2019-08-29 | Samsung Electronics Co., Ltd. | Method and apparatus for correcting computed tomography image |
CN110236584A (zh) * | 2019-06-25 | 2019-09-17 | 新里程医用加速器(无锡)有限公司 | 一种双能能谱锥形束ct系统、控制方法、重建方法及装置 |
CN112650053A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于遗传算法优化的bp神经网络的电机pid自整定方法 |
CN113164136A (zh) * | 2018-11-30 | 2021-07-23 | 爱可瑞公司 | 多模式放射设备和方法 |
CN113616943A (zh) * | 2020-09-08 | 2021-11-09 | 上海联影医疗科技股份有限公司 | 一种放射治疗系统 |
-
2022
- 2022-01-19 CN CN202210059962.9A patent/CN114527649A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120093382A1 (en) * | 2010-10-13 | 2012-04-19 | Siemens Aktiengesellschaft | Method for generating a tomographic temperature map in a patient by way of a ct device, control and computing unit and ct system |
CN102755171A (zh) * | 2011-04-29 | 2012-10-31 | 上海西门子医疗器械有限公司 | 一种用于ct旋转系统的闭环控制结构和方法 |
CN103284740A (zh) * | 2012-02-28 | 2013-09-11 | 上海西门子医疗器械有限公司 | Ct机的扫描控制方法、扫描控制装置及ct机 |
CN104068885A (zh) * | 2013-03-28 | 2014-10-01 | 上海西门子医疗器械有限公司 | Ct机的扫描触发控制方法、装置及ct机 |
CN105288867A (zh) * | 2015-10-21 | 2016-02-03 | 江苏海明医疗器械有限公司 | 一种放射治疗模拟机旋转运动机构精确控制系统 |
CN105911865A (zh) * | 2016-06-08 | 2016-08-31 | 中国人民解放军后勤工程学院 | 一种pid控制器的控制方法 |
US20190261940A1 (en) * | 2018-02-28 | 2019-08-29 | Samsung Electronics Co., Ltd. | Method and apparatus for correcting computed tomography image |
CN113164136A (zh) * | 2018-11-30 | 2021-07-23 | 爱可瑞公司 | 多模式放射设备和方法 |
CN109946747A (zh) * | 2019-03-25 | 2019-06-28 | 北京航星机器制造有限公司 | 一种基于新型探测装置的双能ct探测系统 |
CN109953768A (zh) * | 2019-03-29 | 2019-07-02 | 清华大学 | 多源多探测器结合的ct系统及方法 |
CN110236584A (zh) * | 2019-06-25 | 2019-09-17 | 新里程医用加速器(无锡)有限公司 | 一种双能能谱锥形束ct系统、控制方法、重建方法及装置 |
CN113616943A (zh) * | 2020-09-08 | 2021-11-09 | 上海联影医疗科技股份有限公司 | 一种放射治疗系统 |
CN112650053A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于遗传算法优化的bp神经网络的电机pid自整定方法 |
Non-Patent Citations (2)
Title |
---|
何继爱, 达正花: "BP神经网络PID控制器仿真实现", 甘肃联合大学学报(自然科学版), no. 02, 10 April 2005 (2005-04-10), pages 1 * |
程红;陈蓉;: "人工神经网络在PID控制算法中的应用", 农业装备与车辆工程, no. 11, 25 November 2006 (2006-11-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017211332B2 (en) | Therapy control using motion prediction based on cyclic motion model | |
US6793496B2 (en) | Mathematical model and a method and apparatus for utilizing the model | |
US10235606B2 (en) | Method and system for convolutional neural network regression based 2D/3D image registration | |
CN101292877B (zh) | X射线ct设备 | |
Verma et al. | Survey: real-time tumor motion prediction for image-guided radiation treatment | |
CN107708805B (zh) | 一种用于放疗治疗计划的优化的方法、计算机可读介质和系统 | |
CN107133549B (zh) | Ect运动门控信号获取方法及ect图像重建方法 | |
CN103218803B (zh) | 计算机断层造影设备和用于确定身体的体积信息的方法 | |
JP2020512877A (ja) | 逐次モノスコープ追跡 | |
CN111862046B (zh) | 一种心脏冠脉剪影中导管位置判别系统和方法 | |
CN109949215A (zh) | 一种低剂量ct图像模拟方法 | |
CN106777976B (zh) | 基于粒子滤波的放疗机器人肿瘤运动估计预测系统及方法 | |
TW202141517A (zh) | 三維醫學影像的建立方法 | |
CN109785962A (zh) | 一种基于学习模型智能预测放疗中射野参数的方法和系统 | |
CN117438062B (zh) | 剂量信息确定装置、电子设备及计算机可读存储介质 | |
CN114527649A (zh) | 基于大滑环锥形束双源能谱ct的网络学习控制方法及设备 | |
CN114247061A (zh) | 肿瘤动态跟踪控制方法、装置及放射治疗设备 | |
Rostampour et al. | Markerless respiratory tumor motion prediction using an adaptive neuro-fuzzy approach | |
US8489175B2 (en) | Method and device for imaging an organ | |
JP2022528818A (ja) | X線コーンビームコンピュータ断層撮影におけるx線投影ジオメトリを較正する方法 | |
CN110215224A (zh) | 图像重建方法、装置、医疗影像设备和存储介质 | |
CN113592804A (zh) | 图像处理方法、装置及设备 | |
Laurent et al. | Respiratory lung motion using an artificial neural network | |
CN113577581A (zh) | 放疗剂量确定系统 | |
JP2014023606A (ja) | 画像処理装置及びプログラム |
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 |