[發明專利]基于深度學習的放射性廢物層析γ掃描圖像重建方法

在審

• 申請號: 202210737502.7
• 申請日: 2022-06-27
• 公開（公告）號: CN115731315A
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 石睿;王昌銘;庹先國;鄭洪龍;楊廣;王洲;劉一瑭
• 申請（專利權）人: 四川輕化工大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06F30/20;G01N23/04;G01T1/167;G01T1/36
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 李玉興

1.基于深度學習的放射性廢物層析γ掃描圖像重建方法，其特征在于，包括以下步驟：

S1、根據體素劃分模型確定稀疏掃描方式；

S2、使用蒙特卡羅方法相關軟件，根據TGS系統尺寸建立仿真模型；

S3、進行仿真實驗并建立透射圖像訓練數據集；

S4、搭建深度學習神經網絡；并通過步驟3中得到的透射圖像訓練數據集訓練深度學習神經網絡；

S5、通過步驟S4中訓練后的深度學習神經網絡重建高分辨率透射圖像和發射圖像并融合；

S6、建立融合圖像訓練數據集并訓練深度學習神經網絡；通過訓練后的深度學習神經網絡重建融合圖像；

S7、設計分析處理系統，實現透射圖像以及融合圖像的重建。

2.如權利要求1所述的基于深度學習的放射性廢物層析γ掃描圖像重建方法，其特征在于：所述步驟S1中體素劃分模型為極坐標體素劃分模型或者矩形網格體素劃分模型；

在直角坐標體系中，將體素劃分為正方體形狀；在極坐標體系中，將體素劃分為扇形體形狀；每種劃分方式均將廢物桶縱向分為I個斷層，每個斷層再分為J個體素塊。

3.如權利要求2所述的基于深度學習的放射性廢物層析γ掃描圖像重建方法，其特征在于：所述步驟S2中仿真模型與TGS系統尺寸保持一致，仿真模型中探測器尺寸和種類與TGS探測器一致。

4.如權利要求3所述的基于深度學習的放射性廢物層析γ掃描圖像重建方法，其特征在于：所述步驟S2中使用Geant4或者MCNP5蒙特卡洛方法軟件，

在步驟S3中外置透射源使用多種能量γ射線對廢物桶進行透射掃描，廢物桶內填充多種不同形狀、材料介質和多種種類、活度的放射源，使用ART算法重建大體素低分辨率透射圖像，并根據仿真設置建立對應的細小體素高分辨率透射圖像；多次實驗得到多組圖像對，建立透射圖像訓練數據集。

5.如權利要求4所述的基于深度學習的放射性廢物層析γ掃描圖像重建方法，其特征在于：步驟S3中仿真實驗包括透射掃描和發射掃描；

所述透射掃描過程如下：

1)外置透射源與探測器移動至初始位置，打開外置透射源開始進行透射掃描，探測器檢測γ射線形成能譜；

2)根據制定的稀疏掃描方式，旋轉廢物桶，進行下一個角度的掃描，完成所有角度掃描；

3)透射源與探測器移動至下一位置，再進行所有角度掃描，直至完成所有角度和位置的掃描；

所述發射掃描過程為：關閉外置透射源，廢物桶旋轉、探測器移動和掃描順序等與透射掃描一致，探測器探測廢物桶內放射源自發放射γ射線。