[發明專利]核設施源項三維分布快速重建方法、裝置、設備及介質

有效

• 申請號: 202010513588.6
• 申請日: 2020-06-08
• 公開（公告）號: CN111667571B
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 宋英明;張澤寰;胡湘;袁微微
• 申請（專利權）人: 南華大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06F30/27;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 巴翠昆

1.一種核設施源項三維分布快速重建方法，其特征在于，包括：

根據源項分布情況，對所述源項進行網格劃分；

根據劃分為多個區域后的所述源項，采用蒙特卡羅粒子輸運程序構建源項幾何模型；

采用蒙特卡羅粒子輸運程序通用源SDEF卡，產生一定分布的源項數據；

將所述源項以外的區域設置為非感興趣區域，在所述源項外部設置設定大小的立方體空間并進行網絡劃分，對劃分后的所述立方體空間進行源項活度的三維分布的統計；

對多組不同源項幾何參數進行隨機抽樣，批量產生蒙特卡羅計算文件，調用蒙特卡羅粒子輸運程序進行輻射場計算；

從計算結果中提取空間輻射場數據和源項活度的三維分布數據，根據源項分布構建相同大小的源項位置矩陣，產生深度學習訓練樣本，構建并訓練深度神經網絡模型；

將實際的輻射場劑量矩陣和源項位置矩陣進行變換處理后輸入至訓練好的所述深度神經網絡模型，對源項活度的三維分布數據進行預測；

對輸出的源項活度的三維分布數據結果與實際值之間的誤差進行驗證。

2.根據權利要求1所述的核設施源項三維分布快速重建方法，其特征在于，在構建深度神經網絡模型之前，還包括：

對所述空間輻射場數據和所述源項活度的三維分布數據進行三維網格化；

對三維網格化后的所述空間輻射場數據和所述源項活度的三維分布數據進行粗化或細化處理；

將處理后的所述空間輻射場和構建的所述源項位置矩陣作為輸入訓練樣本；

將處理后的所述源項活度的三維分布數據作為輸出訓練樣本；

對所述輸出訓練樣本添加高斯白噪聲。

3.根據權利要求2所述的核設施源項三維分布快速重建方法，其特征在于，構建深度神經網絡模型，具體包括：

按特征提取、高級特征學習和特征合并三部分構建深度神經網絡模型；其中，所述特征提取的部分由多個卷積層和降采樣層的組合、跨層、上采樣層和卷積層的組合共同組成，所述高級特征學習的部分由多個全連接層構成，所述特征合并的部分由一個乘積計算核構成。

4.根據權利要求3所述的核設施源項三維分布快速重建方法，其特征在于，所述特征提取的部分在降采樣過程中，卷積核大小逐漸縮小、數量逐漸增加；在上采樣過程中，卷積核的大小逐漸增大、數量逐漸減少；

所述高級特征學習的部分中本層的隱含層的節點數不小于下一層的隱含層的節點數。

5.根據權利要求4所述的核設施源項三維分布快速重建方法，其特征在于，訓練深度神經網絡模型，具體包括：

設置訓練集、驗證集和測試集之間的比例，選取最優學習率、傳遞函數和訓練函數；

根據收斂情況，通過調整超參數訓練所述深度神經網絡模型，直到所述測試集的誤差滿足預期，達到終止訓練條件。

6.根據權利要求5所述的核設施源項三維分布快速重建方法，其特征在于，將實際的輻射場劑量矩陣和源項位置矩陣進行變換處理，具體包括：

判斷實際的輻射場劑量矩陣和源項位置矩陣是否比所述深度神經網絡模型的輸入矩陣分辨率高；

若是，則對所述劑量矩陣進行縮小變換；

若否，則對所述劑量矩陣進行放大變換。