CN117909722A - 模型训练方法、光子检测方法、终端设备以及存储介质 - Google Patents
模型训练方法、光子检测方法、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN117909722A CN117909722A CN202211226983.1A CN202211226983A CN117909722A CN 117909722 A CN117909722 A CN 117909722A CN 202211226983 A CN202211226983 A CN 202211226983A CN 117909722 A CN117909722 A CN 117909722A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- prediction model
- position prediction
- trained
- 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
- 238000012549 training Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000013170 computed tomography imaging Methods 0.000 claims abstract description 10
- 239000013078 crystal Substances 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 17
- 238000010801 machine learning Methods 0.000 abstract description 10
- 238000012636 positron electron tomography Methods 0.000 description 41
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 238000012879 PET imaging Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 229910052684 Cerium Inorganic materials 0.000 description 1
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 1
- 229910052765 Lutetium Inorganic materials 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- ANDNPYOOQLLLIU-UHFFFAOYSA-N [Y].[Lu] Chemical compound [Y].[Lu] ANDNPYOOQLLLIU-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- GWXLDORMOJMVQZ-UHFFFAOYSA-N cerium Chemical compound [Ce] GWXLDORMOJMVQZ-UHFFFAOYSA-N 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- 229910052733 gallium Inorganic materials 0.000 description 1
- 239000002223 garnet Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- OHSVLFRHMCKCQY-UHFFFAOYSA-N lutetium atom Chemical compound [Lu] OHSVLFRHMCKCQY-UHFFFAOYSA-N 0.000 description 1
- RCVOTEPLGFCFIG-UHFFFAOYSA-N lutetium(3+);yttrium(3+);silicate Chemical compound [Y+3].[Lu+3].[O-][Si]([O-])([O-])[O-] RCVOTEPLGFCFIG-UHFFFAOYSA-N 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 229910052727 yttrium Inorganic materials 0.000 description 1
- VWQVUPCCIRVNHF-UHFFFAOYSA-N yttrium atom Chemical compound [Y] VWQVUPCCIRVNHF-UHFFFAOYSA-N 0.000 description 1
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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- 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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine (AREA)
- Image Analysis (AREA)
- Measurement Of Radiation (AREA)
Abstract
本申请公开了一种基于正电子发射计算机断层扫描成像的模型训练方法、光子检测方法、终端设备以及计算机存储介质,该训练方法包括:获取数据集,其中,所述数据集包括能量信号、波形信号幅度变化率以及真实位置;将所述数据集中的能量信号、波形信号幅度变化率作为特征输入,输入待训练的位置预测模型作为标签,来训练模型;获取所述待训练的位置预测模型输出的预测位置;利用所述真实位置和所述预测位置,对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。本申请的模型训练方法通过从探测器的多个信息维度通过机器学习的手段对刻度标记的数据进行训练,利用训练后的模型对新的测量数据进行预测,达到了较高的精确度和深度分辨率。
Description
技术领域
本申请涉及医学成像技术领域,特别是涉及一种基于正电子发射计算机断层扫描成像的模型训练方法、光子检测方法、终端设备以及计算机存储介质。
背景技术
正电子发射计算机断层扫描成像(Positron Emission Tomography,PET)是一种测量由放射性同位素标记的示踪剂在生物体内代谢分布的分子影像技术。PET作为一种临床诊断工具,已广泛地应用于肿瘤的早期诊断和治疗预后等领域,是最重要的核医学分子影像仪器。PET系统的主要构成单元就是基于闪烁体的PET探测器。
研发高空间分辨率、高效率和低成本的器官专用PET成像系统多年来一直是PET仪器研发的国际研究热点。此外,脑神经研究需要进行微小脑结构的量化分子影像测量,例如大脑皮层的细微区域的功能研究,作为脑科学研究的重要成像方法之一的PET成像,迫切需要实现1mm乃至亚毫米的清晰度,现有全身PET成像系统的空间分辨率不足以满足脑成像研究需求。以降低深度不确定效应对PET空间分辨率的影响为目的,研发具有深度测量能力的PET探测器的工作已经拥有20年以上的历史,尤其最近十年更成为了PET仪器研发的一个热点。由于探测器的深度不确定效应随着PET探测器环直径的降低和分辨率的提高而增加,深度测量探测器方面的研究主要是研发小动物PET成像系统需要的高分辨率探测器,在临床器官专用PET上也具有重要作用。深度测量的方法包括采用不同衰减时间和晶体间平移的多层晶体,分别读出的多层晶体,双端读出晶体阵列以及连续晶体等。多种基于深度学习的计算方式也一定程度上提升了深度测量的精度,深度学习对数据的深度挖掘为深度测量的发展提供了很大的发展空间。
然而,目前使用的双端读出PET探测器,仅使用了两端光探测器探测的能量之比来进行深度测量,为单一信息。
发明内容
本申请提供一种基于正电子发射计算机断层扫描成像的模型训练方法、光子检测方法、终端设备以及计算机存储介质。
本申请采用的一个技术方案是提供一种基于正电子发射计算机断层扫描成像的模型训练方法及预测模型,所述模型训练方法包括:
获取数据集,其中,所述数据集包括能量信号、波形信号幅度变化率以及真实位置;
将所述数据集中的能量信号和波形信号幅度变化率作为特征输入,输入待训练的位置预测模型作为标签,来训练模型;
获取所述待训练的位置预测模型输出的预测位置;
利用所述真实位置和所述预测位置,对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。
其中,所述获取数据集,包括:
将所述数据集中预设比例的数据组成训练集;
将所述数据集中的其余数据组成验证集;
其中,所述训练集用于对所述位置预测模型进行训练和验证,所述验证集用于对最终的位置预测模型进行测试。
其中,所述利用所述真实位置和所述预测位置,对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型,包括:
利用所述真实位置和所述预测位置,计算所述待训练的位置预测模型的损失值;
基于梯度提升算法,按照所述损失值对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。
其中,所述基于梯度提升算法,按照所述损失值对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型,包括:
初始化所述待训练的位置预测模型的损失函数;
利用每次训练所得的预测位置和真实位置,计算每次训练的损失值;
按照每次训练的损失值拟合一个回归树,所述回归树的每个叶节点表示每次训练的损失值;
按照所述回归树对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。
其中,所述按照所述回归树对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型,包括:
初始化所述位置预测模型的模型参数;
利用所述回归树对所述模型参数进行调参,并通过网格搜索找到所述位置预测模型的最优模型参数;
按照所述最优模型参数,获取所述最终的位置预测模型。
其中,所述获取数据集,包括:
获取探测器中的晶体长度;
按照所述晶体长度进行刻度,沿所述晶体长度标记出若干采集位置;
在每个采集位置采集预设数量的数据,组成所述数据集,所述数据包括采集到的能量信号、波形信号幅度变化率以及当前位置。
其中,所述在每个采集位置采集预设数量的数据之后,所述模型训练方法还包括:
对每个采集位置采集到的数据进行检查;
将数据中缺失的数值,和/或异常的数值进行清洗。
本申请采用的另一个技术方案是提供一种基于正电子发射计算机断层扫描成像的光子检测方法,所述光子检测方法包括:
利用探测器两端的光探测器,探测待检测光子的能量信号和波形信号幅度变化率;
将所述待检测光子的能量信号和波形信号幅度变化率输入预先训练的位置预测模型;
基于所述位置预测模型的输出,得到所述待检测光子在所述探测器内的位置信息;
其中,所述位置预测模型由上述的模型训练方法训练得到。
本申请采用的另一个技术方案是提供一种终端设备,所述终端设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述的模型训练方法和/或上述的光子检测方法。
本申请采用的另一个技术方案是提供一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被计算机执行时,用以实现如上述的模型训练方法和/或上述的光子检测方法。
本申请的有益效果是:终端设备获取数据集,其中,所述数据集包括能量信号、波形信号幅度变化率以及真实位置;将所述数据集中的能量信号和波形信号幅度变化率作为特征输入,输入待训练的位置预测模型作为标签,来训练模型;获取所述待训练的位置预测模型输出的预测位置;利用所述真实位置和所述预测位置,对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。本申请的模型训练方法通过从探测器的多个信息维度利用机器学习的手段对刻度标记的数据进行训练,利用训练后的模型对新的测量数据进行预测,达到了较高的精确度和深度分辨率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对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的附图。
图1是双端读出PET探测器光子传输的示意图;
图2是本申请提供的基于正电子发射计算机断层扫描成像的模型训练方法一实施例的流程示意图;
图3是本申请提供的双端读出闪烁晶体阵列的PET探测器设计图;
图4是本申请提供的基于正电子发射计算机断层扫描成像的光子检测方法一实施例的流程示意图;
图5是本申请提供的终端设备一实施例的结构示意图;
图6是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
针对上述技术问题,本申请提出的创新的PET探测器深度测量方法,通过结合双端读出PET探测器的能量信息和信号的波形变化率等信息特征,采用机器学习方法处理从而提升PET探测器对深度测量的精度,从而研发出高三维亚毫米PET探测器来降低深度不确定效应,同时可以利用更好的深度测量精度通过时间修正技术来进一步提高PET探测器时间分辨率,使PET成像系统同时达到全视野高空间分辨率,同时拥有更好的飞行时间测量精度。
现有的双端读出DOI-PET探测器利用两端的光探测器对晶体阵列进行读出,由于伽马光子在探测器不同深度被探测到所产生的光子由于传输路径不同使得到达两端的总光子能量不同,该探测器根据两端光探测器测量到信号的能量比来测量相互作用深度:
DOI=E1/(E1+E2)
其中,E1和E2分别为两端的光探测器1和光探测器2测量的能量。
其中,每个光探测器是多个分立单元组成的阵列。如图1所示,图1是双端读出PET探测器光子传输的示意图。图1中的SiPM阵列1和SiPM阵列2分别是由16个光探测器单元按4×4的排列构成。由图1能够看出,伽马光子在不同深度产生光子,光到两端的距离不同,以及不同角度的光在晶体界面的反射,必然也会带来光子到达时间的不同,而多个光子产生的统计效应会导致SiPM光电信号的波形发生变化(时间、空间、幅度、变化率等因素共同引起),额外的这些信息与传统的能量比值信息结合,可以使得深度信息定位更加准确。
因此,本申请通过简单的回归算法,从PET探测器的多个信息维度,例如能量分布,信号的变化率等,利用机器学习的手段对刻度标记的数据进行训练,利用训练后的模型对新的测量数据进行预测,达到了较高的精确度和深度分辨率。通过实验分析对比,本申请的测量方法比传统双端读出PET探测器仅使用两端能量比值的深度分辨率要好30%以上。本申请的提出的创新的PET探测器深度测量方法能够帮助研发出超高位置分辨率、高深度分辨率和高效率PET探测器。
具体请参考图2和图3,图2是本申请提供的基于正电子发射计算机断层扫描成像的模型训练方法一实施例的流程示意图,图3是本申请提供的双端读出闪烁晶体阵列的PET探测器设计图。
本申请过简单的回归算法,将PET探测器的多个信息维度结合达到更精确的深度信息测量,下面先介绍本申请所应用的PET探测器:
如图3所示,探测器将采用合适的分割闪烁晶体阵列,根据PET扫描系统的需求,高分辨的探测器可以采用0.3mm-4.0mm的晶体尺寸,晶体的长度可以从15mm到40mm。其中,上述晶体尺寸可以根据系统探测效率和成本的需要来调整。
具体地,晶体可以采用常用的高密度快发光LYSO(注:硅酸钇镥闪烁晶体(Lutetium Yttrium Orthosilicate,LYSO))晶体,也可以采用其他的闪烁晶体,如镥精细硅酸盐晶体(LFS),硅酸钇晶体(YSO)等等。针对不需要高时间分辨率的PET探测器可以采用掺铈钆镓铝石榴石(GAGG)、锗酸铋晶体(BGO)等晶体。小面积的PET探测器单元尺寸为2×2mm2或者3×3mm2,大面积的探测器单元为4×4mm2或者6×6mm2,探测器阵列的组合可以为M×N,例如可以设计为4×4,8×8,16×16等尺寸。
探测器单元通过光分享的方法降低读出通道数提供PET探测器探测伽马光子的位置信息、能量信息和波形信号幅度变化率。信号读出主要用于进行晶体的位置分辨和接收伽马光子的能量、波形测量,其测量方法如下:
1.如图3所示,晶体阵列中的每个晶体单元尺寸为1mm,即1×1×20mm3。晶体的排列是11×11,共121个晶体。
2.如图3所示,图3探测器的下端为4×4的光探测器阵列,探测有效面积为12.6×12.6mm2,通过读出电路对每个SiPM单元进行单独读出,晶体分辨图的计算方法为:
其中,xi、yi是行SiPM或列SiPM的坐标,Exi、Eyi是行SiPM或列SiPM的能量,Exi是该行所有SiPM接收的能量之和,Eyi是该列所有SiPM接收的能量之和。x1、x2、y1、y2分别是通过公式(2)计算的SiPM阵列1和SiPM阵列2的x和y位置。
E1=Ex1+Ey1,E2=Ex2+Ey2 (4)
E1、E2分别为SiPM阵列1和SiPM阵列2得到的能量,探测器总能量为所有SiPM能量之和。
本申请实施例中一端光探测器阵列排列为4×4,探测有效面积为12.6×12.6mm2。每个SiPM信号分别通过放大,每个放大后的信号一路得到一个能量信号,探测器采用双端读出(即探测器两端都使用相同的SiPM阵列)。通过两端的能量E1、E2可以采用传统方法计算DOI,同时也获得了每个SiPM信号的波形信息,并通过微分计算获得波形变化率dA1/d t和dA2/d t2,其深度作用信息通过机器学习方法进行预测。
基于以上探测器的结构基础,如图2所示,本申请实施例的基于正电子发射计算机断层扫描成像的模型训练方法具体包括:
步骤S11:获取数据集,其中,数据集包括能量信号、波形信号幅度变化率以及真实位置。
在本申请实施例中,将检测问题抽象成机器学习中的回归问题,把采集到的能量信号E1、E2和波形变化率dA1/d t和dA2/d t2作为特征输入,预测的值是晶体的深度信息,为连续变量。
首先对20mm的晶体进行刻度,间隔1mm,把20mm晶体的位置标记为0.5mm-19.5mm,每个位置采集到4000个数据,每个数据中包含了能量和时间的信息(E1、dA1/d t、E2、dA2/dt),将每个数据采集的位置作为标签,即模型真实的值。
对数据进行了标记之后,将每个位置的数据中所包含的能量波形信号幅度变化率及其对应的标签导出,之后对20组数据进行预处理。数据预处理的方式包括但不限于:检查数据中是否含有缺失的值或者异常的值,进行数据清洗之后,用于制作模型的训练集、验证集以及验证集。
在本申请实施例中,终端设备可以将每个位置取前80%的数据用于训练和验证,将其整合成一个文件进行随机操作之后生成训练集;将后20%的数据用于测试,测试模型对于每个点深度信息的预测结果。
步骤S12:将数据集中的能量信号和波形信号幅度变化率作为特征输入,输入待训练的位置预测模型作为标签,来训练模型。
在本申请实施例中,终端设备将训练集中的每一组能量信号和波形信号幅度变化率作为特征输入,输入到待训练的位置预测模型中,以使位置预测模型按照每一组能量信号和波形信号幅度变化率,预测该组信号对应的光子位置。
步骤S13:获取待训练的位置预测模型输出的预测位置。
步骤S14:利用真实位置和预测位置,对待训练的位置预测模型进行训练,以得到最终的位置预测模型。
在本申请实施例中,终端设备计算每一组能量信号和波形信号幅度变化率对应的真实位置和预测位置之间的差值,并根据每一组差值计算得到每一组训练结果的损失值。最后,终端设备利用每一组训练结果的损失值不断对待训练的位置预测模型进行训练,通过多次迭代更新,得到最终的位置预测模型。
具体地,终端设备可以利用梯度提升算法对位置预测模型进行训练。其中,梯度提升算法是对于提升树的(Boosting Tree)的一种改进算法,该算法利用加法模型和前向分布算法实现学习的优化过程。当损失函数是平方误差损失函数和指数损失函数时,每一步优化是很简单的。但对一般损失函数而言,往往每一步优化并不那么容易。针对这一问题,Freidman提出了梯度提升(gradient boosting)算法。
Gradient Boosting是Boosting中的一大类算法,它的思想借鉴于梯度下降法,其基本原理是根据当前模型损失函数的负梯度信息来训练新加入的弱分类器,然后将训练好的弱分类器以累加的形式结合到现有模型中。
梯度提升算法的算法流程如下:
输入:训练数据集T={(x1,y1),(x2,y2),...,(xN,yN)},损失函数L(y,f(x));
输出:回归树
(1)初始化
(2)对m=1,2,...,M
(a)对i=1,2,...,N,计算
(b)对rmi拟合一个回归树,得到第m棵树的叶节点区域Rmj,j=1,2,...,J。
(c)对j=1,2,...,J,计算
(d)更新
(3)得到回归树
具体地,终端设备将训练集数据转换成一个二维的矩阵作为输入,从中划分出5%的数据用于模型效果的判断以及超参数的优化,通过Gradient Boosting Regressor(GBR)方法拟合出一个回归树用于预测晶体探测伽马光子的深度信息。
进一步地,终端设备在对位置预测模型训练的过程中,对位置预测模型的几个主要参数进行调参,分别是:n_estimators、max_depth、min_samples_leaf、min_samples_split、learning_rate等,通过网格搜索找到模型参数最优的点,从而得到最优模型参数形成的最终的位置预测模型。
最后,终端设备用训练好的模型分别对20个位置上的数据进行测试,预测出每个点的深度信息,同时,对于不同位置上的测试数据,我们对其预测出来的值计算了均值和方差,最后的结果表明,在PET探测器中的能量信息上加入其波形信号幅度变化率的信息,结合机器学习中的梯度提升算法可以达到较高的精度和深度分辨率。
本申请中PET探测器的光探测单元(SiPM)使用单独读出信号方法也可以采用电荷分配法(如行列相加读出方法)将多路信号编码为行列信号再通过后端电子学进行信号采集,通常可以将M×N路信号编码为M+N路。
在本申请实施例中,终端设备获取数据集,其中,所述数据集包括能量信号、波形信号幅度变化率以及真实位置;将所述数据集中的能量信号和波形信号幅度变化率作为特征输入,输入待训练的位置预测模型;获取所述待训练的位置预测模型输出的预测位置;利用所述真实位置和所述预测位置,对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。本申请的模型训练方法通过从探测器的多个信息维度利用机器学习的手段对刻度标记的数据进行训练,利用训练后的模型对新的测量数据进行预测,达到了较高的精确度和深度分辨率。
本申请通过简单的回归算法,从PET探测器的多个信息维度(能量分布,波形变化率等)利用机器学习的手段对刻度标记的数据进行训练,利用训练后的模型对新的测量数据进行预测,达到了较高精确度的深度分辨率。
本申请通过采集PET探测器的波形数据,计算出波形的变化率,该波形变化率信息在PET探测器的不同深度有不同的特征,通过将该特征信息和PET探测器中晶体两端的能量信息之比结合,利用机器学习的方法处理,达到了比单独使用其中一种信息更好的效果。
现有技术中主要有两种方法来获得比较好的深度分辨率,第一种是采用最大似然法等统计方法或者神经网络等机器方法来对连续晶体中产生的能量分布信息进行计算获得伽马光子作用的深度信息,最好的深度分辨率在1.2-1.5mm左右,但是其晶体的厚度一般小于10mm,所制作的PET探测器探测效率很低,而且在PET探测器中不同位置的深度分辨率均匀度很差,因此几乎没有应用于商用PET系统中,另一种使用传统双端读出方法的PET探测器深度测量技术在20mm的厚度的PET探测器设计中可以获得1.5-2.5mm的深度分辨率,本申请在传统双端读出方法深度测量技术的基础上,创新地采用了时间、信号波形变化等新的信息,可以将深度分辨率进一步提高30%以上,并且随着SiPM器件和电子学的进一步优化有望进一步提高。
本申请已经经过部分实验,证明可行,实验结果证明可以达到1.27mm的深度分辨率,而采用传统方法仅使用两端SiPM获得的能量比的深度分辨率为1.74mm。精确度提升了30%。
基于上述实施例的基于正电子发射计算机断层扫描成像的模型训练方法,本申请进一步提出一种基于正电子发射计算机断层扫描成像的光子检测方法,具体请参阅图4,图4是本申请提供的基于正电子发射计算机断层扫描成像的光子检测方法一实施例的流程示意图。
如图4所示,本申请实施例的光子检测方法具体包括以下步骤:
步骤S21:利用探测器两端的光探测器,探测待检测光子的能量信号和波形信号幅度变化率。
步骤S22:将待检测光子的能量信号和波形信号幅度变化率输入预先训练的位置预测模型。
步骤S23:基于位置预测模型的输出,得到待检测光子在探测器内的位置信息。
请继续参见图5,图5是本申请提供的终端设备一实施例的结构示意图。本申请实施例的终端设备500包括处理器51、存储器52、输入输出设备53以及总线54。
该处理器51、存储器52、输入输出设备53分别与总线54相连,该存储器52中存储有程序数据,处理器51用于执行程序数据以实现上述实施例所述的模型训练方法和/光子检测方法。
在本申请实施例中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP,Digital Signal Process)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现场可编程门阵列(FPGA,FieldProgrammable Gate Array)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质,请继续参阅图6,图6是本申请提供的计算机存储介质一实施例的结构示意图,该计算机存储介质600中存储有程序数据61,该程序数据61在被处理器执行时,用以实现上述实施例的模型训练方法和/光子检测方法。
本申请的实施例以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,方式利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于正电子发射计算机断层扫描成像的模型训练方法,其特征在于,所述模型训练方法包括:
获取数据集,其中,所述数据集包括能量信号、波形信号幅度变化率以及真实位置;
将所述数据集中的能量信号和波形信号幅度变化率作为特征输入,输入待训练的位置预测模型作为标签,来训练模型;
获取所述待训练的位置预测模型输出的预测位置;
利用所述真实位置和所述预测位置,对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。
2.根据权利要求1所述的模型训练方法,其特征在于,
所述获取数据集,包括:
将所述数据集中预设比例的数据组成训练集;
将所述数据集中的其余数据组成验证集;
其中,所述训练集用于对所述位置预测模型进行训练和验证,所述验证集用于对最终的位置预测模型进行测试。
3.根据权利要求1所述的模型训练方法,其特征在于,
所述利用所述真实位置和所述预测位置,对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型,包括:
利用所述真实位置和所述预测位置,计算所述待训练的位置预测模型的损失值;
基于梯度提升算法,按照所述损失值对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。
4.根据权利要求3所述的模型训练方法,其特征在于,
所述基于梯度提升算法,按照所述损失值对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型,包括:
初始化所述待训练的位置预测模型的损失函数;
利用每次训练所得的预测位置和真实位置,计算每次训练的损失值;
按照每次训练的损失值拟合一个回归树,所述回归树的每个叶节点表示每次训练的损失值;
按照所述回归树对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型。
5.根据权利要求4所述的模型训练方法,其特征在于,
所述按照所述回归树对所述待训练的位置预测模型进行训练,以得到最终的位置预测模型,包括:
初始化所述位置预测模型的模型参数;
利用所述回归树对所述模型参数进行调参,并通过网格搜索找到所述位置预测模型的最优模型参数;
按照所述最优模型参数,获取所述最终的位置预测模型。
6.根据权利要求1所述的模型训练方法,其特征在于,
所述获取数据集,包括:
获取探测器中的晶体长度;
按照所述晶体长度进行刻度,沿所述晶体长度标记出若干采集位置;
在每个采集位置采集预设数量的数据,组成所述数据集,所述数据包括采集到的能量信号、波形信号幅度变化率以及当前位置。
7.根据权利要求6所述的模型训练方法,其特征在于,
所述在每个采集位置采集预设数量的数据之后,所述模型训练方法还包括:
对每个采集位置采集到的数据进行检查;
将数据中缺失的数值,和/或异常的数值进行清洗。
8.一种基于正电子发射计算机断层扫描成像的光子检测方法,其特征在于,所述光子检测方法包括:
利用探测器两端的光探测器,探测待检测光子的能量信号和在探测器中产生的波形信号幅度变化率;
将所述待检测光子的能量信号和在探测器中产生的波形信号幅度变化率输入预先训练的位置预测模型;
基于所述位置预测模型的输出,得到所述待检测光子在所述探测器内被探测时的位置信息;
其中,所述位置预测模型由权利要求1~7任一项所述的模型训练方法训练得到。
9.一种终端设备,其特征在于,所述终端设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1~7任一项所述的模型训练方法和/或权利要求8所述的光子检测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被计算机执行时,用以实现如权利要求1~7任一项所述的模型训练方法和/或权利要求8所述的光子检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211226983.1A CN117909722A (zh) | 2022-10-09 | 2022-10-09 | 模型训练方法、光子检测方法、终端设备以及存储介质 |
PCT/CN2022/137701 WO2024077751A1 (zh) | 2022-10-09 | 2022-12-08 | 模型训练方法、光子检测方法、终端设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211226983.1A CN117909722A (zh) | 2022-10-09 | 2022-10-09 | 模型训练方法、光子检测方法、终端设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117909722A true CN117909722A (zh) | 2024-04-19 |
Family
ID=90668623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211226983.1A Pending CN117909722A (zh) | 2022-10-09 | 2022-10-09 | 模型训练方法、光子检测方法、终端设备以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117909722A (zh) |
WO (1) | WO2024077751A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014219915B3 (de) * | 2014-10-01 | 2015-11-12 | Siemens Aktiengesellschaft | Verfahren zur Kompensation von durch eine zyklische Bewegung eines Patienten auftretenden Ortszuordnungsfehlern von PET-Daten und Bildaufnahmesystem |
US11255985B2 (en) * | 2019-05-31 | 2022-02-22 | Canon Medical Systems Corporation | Method and apparatus to use a broad-spectrum energy source to correct a nonlinear energy response of a gamma-ray detector |
CN112052617B (zh) * | 2020-09-11 | 2024-04-02 | 西安交通大学 | 一种非疾病诊断用途的用于预测支路血管流场的方法及系统 |
CN113012252A (zh) * | 2021-03-24 | 2021-06-22 | 苏州深透智能科技有限公司 | 一种spect成像预测模型创建方法、装置、设备及存储介质 |
CN114004342B (zh) * | 2021-11-29 | 2023-05-30 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
-
2022
- 2022-10-09 CN CN202211226983.1A patent/CN117909722A/zh active Pending
- 2022-12-08 WO PCT/CN2022/137701 patent/WO2024077751A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024077751A1 (zh) | 2024-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raczyński et al. | Novel method for hit-position reconstruction using voltage signals in plastic scintillators and its application to Positron Emission Tomography | |
Müller et al. | A novel DOI positioning algorithm for monolithic scintillator crystals in PET based on gradient tree boosting | |
US8847166B2 (en) | Imaging device using gamma rays, image signal processor, and image processing method for gamma ray measurement data | |
US10061043B2 (en) | Apparatus and method for the evaluation of gamma radiation events | |
CN107250844B (zh) | 用于处理正电子发射断层摄影数据的方法和装置 | |
US11255985B2 (en) | Method and apparatus to use a broad-spectrum energy source to correct a nonlinear energy response of a gamma-ray detector | |
US11294077B2 (en) | Method and device for multi-dimensional direction measurement of gamma radiation in the far field | |
CN107004281A (zh) | 基于来自光子计数的多仓x‑射线检测器的图像数据的x‑射线成像 | |
US10215864B2 (en) | System and method to improve image quality of emission tomography when using advanced radionuclides | |
CN102331586A (zh) | 电荷丢失校正 | |
US9851456B2 (en) | TOF-PET tomograph and a method of imaging using a TOF-PET tomograph, based on a probability of production and lifetime of a positronium | |
US8507842B2 (en) | Method for identifying 3-D location of gamma interaction and flat panel gamma imaging head apparatus using the same | |
CN112014873B (zh) | 双端读出探测器的作用深度定位分辨率快速确定方法 | |
JP2021535454A (ja) | 信号のためのフィッティングモデルを決定し、信号を再構築するための方法及びその装置 | |
Moskal et al. | Hit time and hit position reconstruction in the J-PET detector based on a library of averaged model signals | |
CN109077748A (zh) | 一种精准的pet归一化校正方法 | |
US7564035B2 (en) | Generating detector efficiency estimates for a pet scanner | |
US9770221B1 (en) | Imaging using multiple energy levels | |
CN117909722A (zh) | 模型训练方法、光子检测方法、终端设备以及存储介质 | |
Schulte et al. | Overview of the LLUMC/UCSC/CSUSB phase 2 proton CT project | |
CN104977601B (zh) | 一种基于SiPM的PET系统的延时测算方法 | |
Lee et al. | Systematic study on factors influencing the performance of interdetector scatter recovery in small‐animal PET | |
Xi et al. | Optimization of the SiPM pixel size for a monolithic PET detector | |
Dimmock et al. | Characterisation results from an agata prototype detector | |
CN111736207B (zh) | 一种pet时间标定方法 |
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 |