CN116660969B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116660969B CN116660969B CN202310930144.6A CN202310930144A CN116660969B CN 116660969 B CN116660969 B CN 116660969B CN 202310930144 A CN202310930144 A CN 202310930144A CN 116660969 B CN116660969 B CN 116660969B
- Authority
- CN
- China
- Prior art keywords
- radioactive source
- neural network
- coding
- collimator
- projection data
- 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
- 230000002285 radioactive effect Effects 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000005855 radiation Effects 0.000 claims description 25
- 239000013078 crystal Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000004065 semiconductor Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 28
- 239000000941 radioactive substance Substances 0.000 abstract description 10
- 230000036962 time dependent Effects 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000005202 decontamination Methods 0.000 description 2
- 230000003588 decontaminative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 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
-
- 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
- G01T1/2992—Radioisotope data or image processing not related to a particular imaging system; Off-line processing of pictures, e.g. rescanners
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Radiation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种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，该系统包括环状的编码准直器、S个探测单元、一信号分析处理单元、投影数据输出单元、投影数据拼接单元、训练样本生成单元和一放射源定位模型。探测单元位于编码准直器内，且测量时探测单元保持固定不动、编码准直器旋转从而对放射性物质发射的射线进行调制。所述放射源定位模型由一深度神经网络训练而成。本发明采用深度神经网络直接将多个探测单元的射线计数随时间变化关系、以及多个探测单元之间的成像视差与放射源与成像系统的距离关系建立模型，在模型训练完成后即可实现对放射性物质分布的实时三维全景射线成像，具有成像定位结果准确、灵敏度高、实时性高的优点。
Description
技术领域
本发明涉及一种基于计算机模型的核辐射探测方法，尤其涉及一种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。
背景技术
射线成像技术可直观地指示放射性物质的空间分布和相对强度信息，能有效降低相关工作人员的辐射吸收剂量，在国土安全、核安全、核设施退役、去污等领域已得到了广泛的应用。
时间编码成像技术是一种基于机械准直的射线成像技术，具有角分辨率高、成像视场宽、读出通道少等优点。但现有的时间编码成像系统都采用将单个探测器或单个线阵探测器固定于成像系统的中央位置的方案，探测器的尺寸同时影响着成像角分辨率和灵敏度两个参数，增加探测器的尺寸能提高灵敏度，但需要增加准直器的基本开孔单元尺寸，导致成像角分辨率或图像信噪比降低；减小探测器的尺寸能提高成像角分辨率，但会降低成像灵敏度。此外，现有时间编码成像技术无法获取放射源的距离信息，仅能获取放射性物质分布的二维辐射图像。
发明内容
本发明的目的就在于提供一种解决上述问题，能够实现对放射性物质进行高灵敏度三维全景成像定位的，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。
为了实现上述目的，本发明采用的技术方案是这样的：一种多时间序列深度神经网络放射源三维定位系统，包括环状的编码准直器，所述编码准直器竖直设置，还包括S个探测单元、一信号分析处理单元、投影数据输出单元、投影数据拼接单元、训练样本生成单元和一放射源定位模型；
所述探测单元位于编码准直器内，且探测时编码准直器沿其中心轴水平旋转至少一周，探测单元固定，用于对透过编码准直器的射线进行探测并输出电信号；
所述信号分析处理单元用于从电信号中提取射线与探测单元相互作用的位置和时间信息；
所述投影数据输出单元用于不断获取信号分析处理单元的输出并将其转换为射线计数随时间变化的投影数据，一次探测过程中，每个探测单元对应一投影数据；
所述投影数据拼接单元用于将同一次探测过程中，S个探测单元对应的投影数据拼接成拼接样本；
训练样本生成单元将拼接样本对应的放射源的二维辐射图像及放射源到编码准直器中心的距离作为标签，并将带标签的拼接样本作为训练样本；
所述放射源定位模型由一深度神经网络以拼接样本为输入、该拼接样本对应的标签为期望输出训练得到，并在定位时，输入待测的拼接样本，输出预测的二维辐射图像和放射源到编码准直器中心的距离。
作为优选：所述探测单元采用非像素化的连续晶体或像素化的线阵探测器；
所述连续晶体或线阵探测器均采用闪烁探测器或半导体探测器，若为闪烁探测器，则出光面与光电转换器耦合，若为半导体探测器，则不与光电转换器耦合。
作为优选：所述编码准直器的编码方式包括随机阵列、Singer阵列、均匀冗余阵列、和/或修正均匀冗余阵列。
作为优选：所述深度神经网络，为全连接神经网络、卷积神经网络、残差网络、循环神经网络、长短时记忆网络、和/或Transformer网络。
一种多时间序列深度神经网络放射源三维定位系统的定位方法，包括以下步骤；
（1）构建一多时间序列深度神经网络放射源三维定位系统，编码准直器的编码数为R×C，每个探测单元包含N×1个像素，N≥1，R、C分别为编码数的行和列；
（2）生成一训练样本，包括步骤（21）-（25）；
（21）将多时间序列深度神经网络放射源三维定位系统置于探测区域，该探测区域内放射源的二维辐射图像及放射源到编码准直器中心的距离已知；
（22）编码准直器旋转至少一周，从旋转开始到结束分为M个时段，分别为t1到tM；
（23）获取t1时段，每个探测单元的单时段投影数据；
每个探测单元分别对透过编码准直器的射线进行探测并输出电信号，对每个探测单元的电信号，信号分析处理单元从中提取射线与探测单元相互作用的位置和时间信息，形成S个t1时段的单时段投影数据，每个单时段投影数据大小为N×1；
（24）依次获取t2到tM时刻，每个探测单元对应的单时段投影数据，并将同一探测单元的M个单时段投影数据，拼接成N×M的投影数据；
（25）将同一次探测过程中，S个投影数据拼接成拼接样本，并将对应放射源的二维辐射图像及放射源到编码准直器中心的距离作为标签，得到训练样本；
（3）按步骤（2）的方法生成大量训练样本；
（4）将训练样本送入深度神经网络，以该拼接样本的标签为期望输出训练得到放射源定位模型；
（5）将多时间序列深度神经网络放射源三维定位系统置于待探测区域，按步骤（21）-（24）得到待测的拼接样本，送入放射源定位模型中，输出预测的二维辐射图像和放射源到编码准直器中心的距离。
作为优选：所述步骤（2）中，训练样本通过实测和/或蒙特卡罗模拟获得，且每个训练样本对应不同能量、位置、活度、形状和数量的放射源，以及不同水平、分布的噪声条件。
作为优选：步骤（4）将训练样本送入深度神经网络前，还对其进行预处理，所述预处理包括归一化、标准化、填充、降维和/或主成分分析。
与现有技术相比，本发明的优点在于：提出了一种新的射线成像系统及定位方法，由多个探测单元位于环状的编码准直器内部、测量时探测单元保持固定不动、编码准直器旋转从而对放射性物质发射的射线进行调制。通过不动的探测单元去探测透过编码准直器的射线作用在探测单元上产生的电信号，并随编码准直器的不断旋转，探测单元不断获取电信号，最终被转换为射线计数随时间变化的投影数据，相比于现有技术仅采用单个探测单元位于环状的编码准直器中心的方案，本发明不仅大大地提高了成像探测效率，更能通过不同探测单元之间的成像视差提供放射源到成像系统的距离信息，实现对放射性物质分布的全景三维成像。
另外，本发明采用深度神经网络直接将多个探测单元的射线计数随时间变化关系、以及多个探测单元之间的成像视差与放射源与成像系统的距离关系建立模型，在模型训练完成后即可实现对放射性物质分布的实时三维全景射线成像，无需对复杂的成像物理模型及几何模型进行计算，具有对放射性物质分布成像定位结果准确、实时性高的优点。
综上，本发明能大大地提高成像系统的探测灵敏度，打破了现有技术难以同时满足高角分辨率和高灵敏度的成像要求，并实现对放射性物质分布的三维全景射线成像，可为核设施退役、去污、核应急等核安全应用场景提供有力保障。
附图说明
图1为本发明系统框图；
图2为本发明流程图；
图3a为一种探测单元在编码准直器内设置的示意图；
图3b为另一种探测单元在编码准直器内设置的示意图；
图4为一种编码准直器的俯视图；
图5为本发明的中一种编码准直器的编码方式示意图；
图6为本发明训练样本的生成及训练示意图；
图7为一个训练样本的二维辐射图像。
图中：1、编码准直器；2、连续晶体；3、线阵探测器。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1：参见图1到图3b，一种多时间序列深度神经网络放射源三维定位系统，包括环状的编码准直器1，所述编码准直器1竖直设置，还包括S个探测单元、一信号分析处理单元、投影数据输出单元、投影数据拼接单元、训练样本生成单元和一放射源定位模型；
所述探测单元位于编码准直器1内，且探测时编码准直器1沿其中心轴水平旋转至少一周，探测单元固定，用于对透过编码准直器1的射线进行探测并输出电信号；
所述信号分析处理单元用于从电信号中提取射线与探测单元相互作用的位置和时间信息；
所述投影数据输出单元用于不断获取信号分析处理单元的输出并将其转换为射线计数随时间变化的投影数据，一次探测过程中，每个探测单元对应一投影数据；
所述投影数据拼接单元用于将同一次探测过程中，S个探测单元对应的投影数据拼接成拼接样本；
训练样本生成单元将拼接样本对应的放射源的二维辐射图像及放射源到编码准直器1中心的距离作为标签，并将带标签的拼接样本作为训练样本；
所述放射源定位模型由一深度神经网络以拼接样本为输入、该拼接样本对应的标签为期望输出训练得到，并在定位时，输入待测的拼接样本，输出预测的二维辐射图像和放射源到编码准直器1中心的距离。
所述探测单元采用非像素化的连续晶体2或像素化的线阵探测器3；
所述连续晶体2或线阵探测器3均采用闪烁探测器或半导体探测器，若为闪烁探测器，则出光面与光电转换器耦合，若为半导体探测器，则不与光电转换器耦合。
所述编码准直器1的编码方式包括随机阵列、Singer阵列、均匀冗余阵列、和/或修正均匀冗余阵列。
所述深度神经网络，为全连接神经网络、卷积神经网络、残差网络、循环神经网络、长短时记忆网络、和/或Transformer网络。
一种多时间序列深度神经网络放射源三维定位系统的定位方法，包括以下步骤；
（1）构建一多时间序列深度神经网络放射源三维定位系统，编码准直器1的编码数为R×C，每个探测单元包含N×1个像素，N≥1，R、C分别为编码数的行和列；
（2）生成一训练样本，包括步骤（21）-（25）；
（21）将多时间序列深度神经网络放射源三维定位系统置于探测区域，该探测区域内放射源的二维辐射图像及放射源到编码准直器1中心的距离已知；
（22）编码准直器1旋转至少一周，从旋转开始到结束分为M个时段，分别为t1到tM；
（23）获取t1时段，每个探测单元的单时段投影数据；
每个探测单元分别对透过编码准直器1的射线进行探测并输出电信号，对每个探测单元的电信号，信号分析处理单元从中提取射线与探测单元相互作用的位置和时间信息，形成S个t1时段的单时段投影数据，每个单时段投影数据大小为N×1；
（24）依次获取t2到tM时刻，每个探测单元对应的单时段投影数据，并将同一探测单元的M个单时段投影数据，拼接成N×M的投影数据；
（25）将同一次探测过程中，S个投影数据拼接成拼接样本，并将对应放射源的二维辐射图像及放射源到编码准直器1中心的距离作为标签，得到训练样本；
（3）按步骤（2）的方法生成大量训练样本；
（4）将训练样本送入深度神经网络，以该拼接样本的标签为期望输出训练得到放射源定位模型；
（5）将多时间序列深度神经网络放射源三维定位系统置于待探测区域，按步骤（21）-（24）得到待测的拼接样本，送入放射源定位模型中，输出预测的二维辐射图像和放射源到编码准直器1中心的距离。
所述步骤（2）中，训练样本通过实测和/或蒙特卡罗模拟获得，且每个训练样本对应不同能量、位置、活度、形状和数量的放射源，以及不同水平、分布的噪声条件。
步骤（4）将训练样本送入深度神经网络前，还对其进行预处理，所述预处理包括归一化、标准化、填充、降维和/或主成分分析。
其中，探测单元用于对透过编码准直器1的射线进行探测并输出电信号。
信号分析处理单元用于从电信号中提取射线与探测器相互作用的位置和时间信息，对每个探测单元输出的电信号处理方式一样，其中一个探测单元的电信号处理流程为：对该电信号进行信号调理、采集后提取射线的作用位置和时间信息，所述信号调理包括但不限于信号放大、滤波等操作，当探测单元为连续晶体2时，则射线采用双端读出方法获取射线与探测器的作用位置，若探测器为线阵探测器3，则采用单像素独立读出或分光法读出确定射线在该线阵探测单元的作用位置。当射线作用位置在某像素点上，该像素点的计数值加一。
这样，对t1时段，该时段射线与探测器相互作用的位置像素点进行计数、并保留t1时段的时间信息，就得到了t1时段的单时段投影数据；同理，我们将编码准直器1旋转一周的时间分为M个时段，每个时段对应的单时段投影数据在对应时段进行拼接，就形成了大小为N×M的投影数据。该数据能反应射线计数随时间变化关系。不同的探测单元，由于位置不同，投影数据也是不同的。
实施例2：参见图1到图7，在实施例1的基础上，我们选用的多时间序列深度神经网络放射源三维定位系统中，编码准直器1的编码数为R×C=23×83，编码方式见图5。探测单元为三个如图4分布，故S=3，探测单元采用线阵探测器3，如图分别标记为D1、D2、D3，每个探测单元包含12×1个像素，也就是N=12，像素为一列。
生成一个训练样本的方法为：假设放射源为137Cs放射源，将本发明系统和放射源置于同一区域内，已知放射源的二维辐射图像及放射源到编码准直器1中心的距离，我们用本发明系统进行旋转探测，得到3个维度为12×83的投影数据，再拼接成一个拼接样本，带上标签，就构成了训练样本。
大量的训练样本，可以通过实测或模拟得到。模拟时，需要对不同能量、位置、活度、形状、数量的放射源以及添加不同水平、分布的噪声的条件进行模拟。
然后用训练样本对深度神经网络进行训练，时序差与放射源的位置及距离之间的关系就包含在建立的深度神经网络中。
实施例3：参见图1到图3b，本发明方法也适用于采用非像素化的连续晶体2。例如，对于采用4个连续晶体2作为探测单元进行测量时，每个探测单元的像素为1×1。当编码准直器1为一维编码时，本发明得到的投影数据和重建图像都为一维数据；当编码准直器1为二维编码时，每个探测单元都采用双端读出方法实现对连续晶体2的一维位置分辨，因此将每个连续晶体2虚拟地像素化为N×1个像素，投影数据为二维数据，与实施例2相同。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种多时间序列深度神经网络放射源三维定位系统，包括环状的编码准直器，所述编码准直器竖直设置，其特征在于：还包括S个探测单元、一信号分析处理单元、投影数据输出单元、投影数据拼接单元、训练样本生成单元和一放射源定位模型；
所述探测单元位于编码准直器内，且探测时编码准直器沿其中心轴水平旋转至少一周，探测单元固定，用于对透过编码准直器的射线进行探测并输出电信号；
所述信号分析处理单元用于从电信号中提取射线与探测单元相互作用的位置和时间信息；
所述投影数据输出单元用于不断获取信号分析处理单元的输出并将其转换为射线计数随时间变化的投影数据，一次探测过程中，每个探测单元对应一投影数据；
所述投影数据拼接单元用于将同一次探测过程中，S个探测单元对应的投影数据拼接成拼接样本；
训练样本生成单元将拼接样本对应的放射源的二维辐射图像及放射源到编码准直器中心的距离作为标签，并将带标签的拼接样本作为训练样本；
所述放射源定位模型由一深度神经网络以拼接样本为输入、该拼接样本对应的标签为期望输出训练得到，并在定位时，输入待测的拼接样本，输出预测的二维辐射图像和放射源到编码准直器中心的距离。
2.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统，其特征在于：所述探测单元采用非像素化的连续晶体或像素化的线阵探测器；
所述连续晶体或线阵探测器均采用闪烁探测器或半导体探测器，若为闪烁探测器，则出光面与光电转换器耦合，若为半导体探测器，则不与光电转换器耦合。
3.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统，其特征在于：所述编码准直器的编码方式包括随机阵列、Singer阵列、均匀冗余阵列、和/或修正均匀冗余阵列。
4.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统，其特征在于：所述深度神经网络，为全连接神经网络、卷积神经网络、残差网络、循环神经网络、长短时记忆网络、和/或Transformer网络。
5.根据权利要求1所述的多时间序列深度神经网络放射源三维定位系统的定位方法，其特征在于：包括以下步骤；
（1）构建一多时间序列深度神经网络放射源三维定位系统，编码准直器的编码数为R×C，每个探测单元包含N×1个像素，N≥1，R、C分别为编码数的行和列；
（2）生成一训练样本，包括步骤（21）-（25）；
（21）将多时间序列深度神经网络放射源三维定位系统置于探测区域，该探测区域内放射源的二维辐射图像及放射源到编码准直器中心的距离已知；
（22）编码准直器旋转至少一周，从旋转开始到结束分为M个时段，分别为t1到tM；
（23）获取t1时段，每个探测单元的单时段投影数据；
每个探测单元分别对透过编码准直器的射线进行探测并输出电信号，对每个探测单元的电信号，信号分析处理单元从中提取射线与探测单元相互作用的位置和时间信息，形成S个t1时段的单时段投影数据，每个单时段投影数据大小为N×1；
（24）依次获取t2到tM时刻，每个探测单元对应的单时段投影数据，并将同一探测单元的M个单时段投影数据，拼接成N×M的投影数据；
（25）将同一次探测过程中，S个投影数据拼接成拼接样本，并将对应放射源的二维辐射图像及放射源到编码准直器中心的距离作为标签，得到训练样本；
（3）按步骤（2）的方法生成大量训练样本；
（4）将训练样本送入深度神经网络，以该拼接样本的标签为期望输出训练得到放射源定位模型；
（5）将多时间序列深度神经网络放射源三维定位系统置于待探测区域，按步骤（21）-（24）得到待测的拼接样本，送入放射源定位模型中，输出预测的二维辐射图像和放射源到编码准直器中心的距离。
6.根据权利要求5所述的多时间序列深度神经网络放射源三维定位系统的定位方法，其特征在于：所述步骤（2）中，训练样本通过实测和/或蒙特卡罗模拟获得，且每个训练样本对应不同能量、位置、活度、形状和数量的放射源，以及不同水平、分布的噪声条件。
7.根据权利要求5所述的多时间序列深度神经网络放射源三维定位系统的定位方法，其特征在于：步骤（4）将训练样本送入深度神经网络前，还对其进行预处理，所述预处理包括归一化、标准化、填充、降维和/或主成分分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930144.6A CN116660969B (zh) | 2023-07-27 | 2023-07-27 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930144.6A CN116660969B (zh) | 2023-07-27 | 2023-07-27 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116660969A CN116660969A (zh) | 2023-08-29 |
| CN116660969B true CN116660969B (zh) | 2023-10-13 |
Family
ID=87724462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310930144.6A Active CN116660969B (zh) | 2023-07-27 | 2023-07-27 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116660969B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996009560A1 (en) * | 1994-09-21 | 1996-03-28 | Kennedy & Donkin Systems Control Limited | Gamma ray imaging |
| CN103163548A (zh) * | 2013-03-07 | 2013-06-19 | 北京辛耕普华医疗科技有限公司 | 基于伽马相机的放射性物质探测方法及其装置和系统 |
| US8519343B1 (en) * | 2011-04-25 | 2013-08-27 | U.S. Department Of Energy | Multimode imaging device |
| KR101766294B1 (ko) * | 2016-06-09 | 2017-08-08 | 세종대학교산학협력단 | 부호화 구경을 이용한 방사선원의 분포에 대한 3차원 영상 처리 장치 및 방법 |
| CN108415061A (zh) * | 2017-12-25 | 2018-08-17 | 北京永新医疗设备有限公司 | 4π空间全景放射源定位系统及方法 |
| CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 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 |
| CN114397693A (zh) * | 2022-01-18 | 2022-04-26 | 四川轻化工大学 | 一种自适应扩展视场放射源定位方法 |
-
2023
- 2023-07-27 CN CN202310930144.6A patent/CN116660969B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996009560A1 (en) * | 1994-09-21 | 1996-03-28 | Kennedy & Donkin Systems Control Limited | Gamma ray imaging |
| US8519343B1 (en) * | 2011-04-25 | 2013-08-27 | U.S. Department Of Energy | Multimode imaging device |
| CN103163548A (zh) * | 2013-03-07 | 2013-06-19 | 北京辛耕普华医疗科技有限公司 | 基于伽马相机的放射性物质探测方法及其装置和系统 |
| KR101766294B1 (ko) * | 2016-06-09 | 2017-08-08 | 세종대학교산학협력단 | 부호화 구경을 이용한 방사선원의 분포에 대한 3차원 영상 처리 장치 및 방법 |
| CN108415061A (zh) * | 2017-12-25 | 2018-08-17 | 北京永新医疗设备有限公司 | 4π空间全景放射源定位系统及方法 |
| CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 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 |
| CN114397693A (zh) * | 2022-01-18 | 2022-04-26 | 四川轻化工大学 | 一种自适应扩展视场放射源定位方法 |
Non-Patent Citations (4)
| Title |
|---|
| Demonstration of two-dimensional time-encoded imaging of fast neutrons;J. Brennan等;Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment;76-81 * |
| Neural network method for localization of radioactive sources within a partially coded field-of-view in coded-aperture imaging,;Qi Liu等;Applied Radiation and Isotopes;109637 * |
| Self-supporting design of a time-encoded aperture, gamma-neutron imaging system;Xiuzuo Liang等;uclear Instruments and Methods in Physics Research Section A;162964 * |
| V. Paradiso等.3-D localization of radioactive hotspots via portable gamma cameras.Nuclear Inst. and Methods in Physics Research, A.2018,194-203. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116660969A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200408940A1 (en) | Gamma-Ray Imaging | |
| US6225631B1 (en) | Non-invasive radio-imaging analysis, in particular for examining small animals in vivo, and method for using same | |
| CA1058333A (en) | Transverse section radionuclide scanning system | |
| CN103983654B (zh) | 一种基于孔径编码技术的射线散射成像系统 | |
| Park et al. | Impact of aperture-thickness on the real-time imaging characteristics of coded-aperture gamma cameras | |
| US4389568A (en) | Method for monitoring irradiated nuclear fuel using Cerenkov radiation | |
| 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 | |
| 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 | |
| US6521893B2 (en) | Method and apparatus for improving image quality in positron emission tomography | |
| CN116125524B (zh) | 一种阵列自编码探测器系统及其成像方法 | |
| KR101677715B1 (ko) | 방사선 영상화 방법 및 시스템 | |
| CN115755149A (zh) | 基于连续晶体伽马成像探测器的入射射线智能定位方法 | |
| Yao et al. | Derivation of system matrix from simulation data for an animal SPECT with slit-slat collimator | |
| 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 | |
| CN114397693A (zh) | 一种自适应扩展视场放射源定位方法 | |
| CN116736361B (zh) | 一种放射性废物测量系统空间探测效率不均匀性修正方法 | |
| Chen et al. | Research of γ-ray 3D scanning detection and analysis system | |
| Nasirzadeh et al. | Modeling GE advance PET-scanner using FLUKA simulation code | |
| KR20230095204A (ko) | 섬광 검출기 및 이를 이용한 양전자방출단층촬영장치 | |
| Firdaus et al. | Modelling and Image Reconstruction Evaluation of a Scintillation Camera with Silicone Photomultiplier | |
| Liu et al. | Radioactive Source Localization Method for the Partially Coded Field-of-View of Coded-Aperture Imaging in Nuclear Security Applications | |
| Goodman et al. | High Resolution Time-Encoded Imaging of Plutonium and MOX using 3-D Position-Sensitive CdZnTe Detectors | |
| CN116953771A (zh) | 高灵敏度三维全景射线成像系统及成像方法 | |
| CA2331108A1 (en) | Method and apparatus for improving image quality in positron emission tomography | |
| CN115561802A (zh) | 一种探测器阵列峰位一致性校正方法、存储介质及系统 |
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 |