CN109884682A - 一种晶***置查找表的生成方法、装置、设备及介质 - Google Patents
一种晶***置查找表的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109884682A CN109884682A CN201910105044.3A CN201910105044A CN109884682A CN 109884682 A CN109884682 A CN 109884682A CN 201910105044 A CN201910105044 A CN 201910105044A CN 109884682 A CN109884682 A CN 109884682A
- Authority
- CN
- China
- Prior art keywords
- crystal
- positions
- crystal positions
- map
- target
- 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.)
- Granted
Links
Landscapes
- Nuclear Medicine (AREA)
- Measurement Of Radiation (AREA)
Abstract
本申请实施例公开了一种晶***置查找表的生成方法，其提供了一种新的生成晶***置查找表的方式，利用晶***置分布模型，生成能量图对应的晶***置分布图，进而，根据该晶***置分布图确定晶***置查找表。由于晶***置分布模型是通过机器学习算法，基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，利用该神经网络对能量图进行特征分析的过程中，会自动对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差相应地进行纠正，从而保证基于该神经网络所生成的晶***置分布图具有较高的准确度，从而保证基于该晶***置分布图所确定出的晶***置查找表的准确度较高。
Description
技术领域
本申请涉及核医学成像技术领域，具体涉及一种晶***置查找表的生成方法、装置、设备以及介质。
背景技术
正电子发射断层成像仪(Positron Emission Tomgraphy，PET)是核医学领域目前较为先进的临床检查影像设备，其中最直接影响图像分辨率的部分为其探测器部分。PET探测器通常由闪烁晶体阵列耦合光电转换器件组成，正电子湮灭事例经PET探测器解码后产生事例的位置分布，对其进行统计生成用于反映闪烁晶体阵列分布的二维直方图(2Dflood histogram image)，又称能量图。
由于能量图生成过程受到很多非线性因素的影响，如康普顿散射效应、电子器件的非线性响应以及闪烁晶体物理特征不均一等等，因此，会导致最终生成的能量图与闪烁晶体的实际物理位置之间的对应关系是非线性的，能量图通常存在阵列轮廓整体形变、能量分布不均、晶体光斑黏连、晶体缺失以及晶体伪影等问题。为了保证PET能够获得高分辨率图像，需要准确地找到闪烁晶体的实际物理位置与能量图之间的对应关系，即确定晶***置查找表，以便后续基于该晶***置查找表对图像进行校正和纠偏。
现有技术中，通常采用以下两种方式生成晶***置查找表；第一种方式，在基于所采集的辐射数据生成能量图后，对能量图进行图像滤波或图像增强等能够降低图像噪声的操作，进而对经降噪处理后得到的能量图做图像分割或聚类操作，得到晶体中心位置分布图，基于该晶体中心位置分布图生成晶***置查找表；第二种方式，在基于所采集的辐射数据生成能量图后，对能量图进行灰度反转，然后再采用分水岭算法等方法对灰度反转后的能量图进行分割，得到晶体轮廓线分布图，基于该晶体轮廓线分布图生成晶***置查找表。
然而，上述两种晶***置查找表生成方法在实际应用中均具有一定的局限性，其受能量图噪声、伪影以及图像灰度不均匀等因素的影响，经常出现晶体中心位置查找错误、晶体中心查找不完整以及晶体轮廓线查找不准确等问题，进而影响晶***置查找表的准确生成。
发明内容
本申请实施例提供了一种晶***置查找表的生成方法、装置、设备及介质，能够有效地提高所生成的晶***置查找表的准确度。
有鉴于此，本申请第一方面提供了一种晶***置查找表的生成方法，所述方法包括：
采集辐射数据，根据所述辐射数据生成目标能量图；
利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图；所述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，其以能量图为输入，以能量图对应的晶***置分布图为输出；
根据所述第一晶***置分布图，确定晶***置查找表。
本申请第二方面提供了一种模型训练方法，所述方法包括：
确定训练样本集，所述训练样本集中的每个训练样本包括能量图以及能量图对应的标定晶***置分布图；
利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
本申请第三方面提供了一种晶***置查找表的生成装置，所述装置包括：
采集模块，用于采集辐射数据，根据所述辐射数据生成目标能量图；
第一处理模块，用于利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图；所述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，其以能量图为输入，以能量图对应的晶***置分布图为输出；
确定模块，用于根据所述第一晶***置分布图，确定晶***置查找表。
本申请第四方面提供了一种模型训练装置，所述装置包括：
样本确定模块，用于确定训练样本集，所述训练样本集中的每个训练样本包括能量图以及能量图对应的标定晶***置分布图；
训练模块，用于利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
本申请第五方面提供了一种设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述第一方面所述的晶***置查找表的生成方法，或者执行上述第二方面所述的模型训练方法。
本申请第六方面提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的晶***置查找表的生成方法，或者执行上述第二方面所述的模型训练方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例提供了一种晶***置查找表的生成方法，其提供了一种新的生成晶***置查找表的方式，利用晶***置分布模型，生成能量图对应的晶***置分布图，进而，根据该晶***置分布图确定晶***置查找表。由于晶***置分布模型是通过机器学习算法，基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，利用该神经网络对能量图进行特征分析的过程中，会自动对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差相应地进行纠正，从而保证基于该神经网络所生成的晶***置分布图具有较高的准确度，从而保证基于该晶***置分布图所确定出的晶***置查找表的准确度较高。
附图说明
图1为PET探测器中闪烁晶体阵列、能量图以及晶***置查找表的示意图；
图2为本申请提供的一种晶***置查找表的生成方法的流程示意图；
图3为本申请提供的另一种晶***置查找表的生成方法的流程示意图；
图4为本申请提供的一种模型训练方法的流程示意图；
图5为本申请提供的晶***置查找表生成流程的整体架构示意图；
图6为本申请提供的一种晶***置查找表的生成装置的结构示意图；
图7为本申请提供的一种模型训练装置的结构示意图；
图8为本申请实施例提供的一种服务器的结构示意图；
图9为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了保证PET能够获得高分辨的图像，通常需要准确地确定PET探测器中闪烁晶体的实际物理位置与能量图之间的对应关系，具体实现时，将放射源放置在PET探测器内部，采集该放射源衰变产生的辐射数据(γ光子)，根据所采集的辐射数据生成能量图，进而根据能量图确定晶***置查找表，利用该晶***置查找表表征PET探测器中闪烁晶体的实际物理位置与能量图之间的对应关系。
需要说明的是，随着可产生本底辐射的含镥同位素的闪烁晶体的应用，在生成晶***置查找表的过程中，可以直接基于闪烁晶体自身产生的本底辐射数据生成能量图，无需使用额外的放射源，操作起来相对更为简单，对于操作者来说操作体验更佳。
现有技术中，基于采集的辐射数据生成能量图后，通常根据能量图中光斑的分布特征，确定晶体中心的分布位置或晶体轮廓线的分布位置，进而根据晶体中心的分布位置或晶体轮廓线的分布位置，确定晶***置查找表。然而，上述晶***置查找表的生成方式受能量图噪声、伪影以及图像灰度不均匀等因素的影响，经常出现晶体中心位置查找错误、晶体中心查找不完整或晶体轮廓线查找不准确等问题，导致最终生成的晶***置查找表的准确性通常较低；此外，相比基于放射源衰变产生的辐射数据生成的能量图，基于本底辐射数据生成的能量图的效果更差，采用现有的晶***置查找表生成方法，对基于本底辐射数据生成的能量图进行处理，生成的晶***置查找表的准确度通常会更低。
以由11*11个闪烁晶体组成的PET探测器为例，如图1所示，图像101为PET探测器中闪烁晶体的实际位置分布图，图像102和图像103均为基于图像101所示的PET探测器中闪烁晶***置分布情况生成的能量图，图像104和图像105为采用现有的晶***置查找表生成方法，分别基于图像102和图像103生成的晶***置查找表。
通过观察可以发现，图像101中11*11个闪烁晶体的实际位置与能量图102、能量图103中光斑的分布位置之间的对应关系均是非线性的，在能量图102和能量图103中不同位置处的图像噪声、形变以及均匀性均不一致，相比于能量图102，能量图103的显示效果更差，其中存在的整体轮廓形变、能量分布的不均匀、光斑黏连等问题更加严重。
采用现有的晶体查找表生成方法，可以根据能量图102和能量图103确定出各个晶体中心的分布位置，即确定图像104和图像105中各点的分布位置，进而根据各个晶体中心的分布位置，对能量图102和能量图103分别做分割处理得到晶***置查找表；也可以根据能量图102和能量图103确定出各个晶体轮廓线的分布位置，即为图像104中各条线的分布位置(由于图像105中未识别出所有晶体中心，因此无法根据图像105中确定出各个晶体的轮廓线分布位置)，包含有各个晶体轮廓线的分布位置的图像实际上即为晶***置查找表。
通过观察可以发现，图像104和图像105所示的晶***置分布图中各个晶体的分布情况与图像101所示的晶体实际分布情况，在晶体形状以及晶体分布位置上均存在较大的差异；并且通过对比图像104和图像105可以发现，晶***置分布图的显示效果受能量图实际分布的影响极大，只有在能量图显示效果较好的情况下，才能保证确定出的晶***置分布图显示效果较好，进而才能确定出准确度较高的晶***置查找；可见，现亟待一种能够适用于各种能量图准确确定晶***置查找表的方法。
为了提高所生成的晶***置查找表的准确度，本申请另辟蹊径，提出了一种新的生成晶***置查找表的方式，利用通过机器学习得到的晶***置分布模型，生成能量图对应的晶***置分布图，进而基于该晶***置分布图确定晶***置查找表。上述晶***置分布模型是基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，利用该晶***置分布模型对能量图进行特征分析时，晶***置分布模型会自动地对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差进行纠正，从而保证基于该晶***置分布模型生成的晶***置分布图具有较高的准确度，进而保证基于该晶***置分布图确定出的晶***置查找表具有较高的准确度。
下面通过实施例对本申请提供的晶***置查找表的生成方法进行介绍。
参见图2，图2为本申请实施例提供的一种晶***置查找表的生成方法的流程示意图。如图2所示，该晶***置查找表的生成方法包括以下步骤：
步骤201：采集辐射数据，根据所述辐射数据生成目标能量图。
将放射源放置于PET探测器内部进行扫描，采集放射源衰变产生的辐射数据，进而根据所采集的辐射数据生成能量图，将该能量图作为目标能量图。
需要说明的是，为了简化操作者的操作过程，可以直接利用可产生本底辐射的含镥同位素的闪烁晶体作为放射源，采集该闪烁晶体自身产生的本底辐射数据，根据该本底辐射数据生成能量图，将该能量图作为目标能量图。由此，操作者可以避免使用额外的放射源，从而降低了因使用额外的放射源而带来的操作难度。
步骤202：利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图。
将所生成的目标能量图输入至晶***置分布模型，晶***置分布模型通过对该目标能量图进行特征分析处理，输出该目标能量图对应的晶***置分布图，将该晶***置分布图作为第一晶***置分布图。
需要说明的是，上述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，该晶***置分布模型以能量图为输入，以能量图对应的晶***置分布图为输出。
具体的，该晶***置分布模型是通过机器学习算法，基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，将能量图输入至该晶***置分布模型中后，该晶***置分布模型会自动地对该能量图进行特征分析，以确定该能量图所表征的晶体分布情况，并且在确定能量图所表征的晶体分布情况的同时，还会自动地对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差相应地进行纠正，从而保证最终输出的晶***置分布图具有较高的准确度。
在一种可能的实现方式中，晶***置分布模型是基于能量图以及能量图对应的晶体中心位置分布图训练得到的，晶体中心位置分布图属于晶***置分布图中的一种，其中包括各个晶体中心的分布位置；相应地，将目标能量图输入至如此训练得到的晶***置分布模型中后，该晶***置分布模型通过对该目标能量图进行特征分析，将输出与该目标能量图对应的晶体中心位置分布图，该晶体中心位置分布图即为第一晶***置分布图，其中包括各个晶体中心的分布位置。
在另一种可能的实现方式中，晶***置分布模型是基于能量图以及能量图对应的晶体轮廓线分布图训练得到的，晶体轮廓线分布图属于晶***置分布图中的一种，其中包括各个晶体的轮廓线分布位置，一个晶体的轮廓线所框出的区域即为该晶体所处的区域；相应地，将目标能量图输入至如此训练得到的晶***置分布模型中后，该晶***置分布模型通过对该目标能量图进行特征分析，将输出与该目标能量图对应的晶体轮廓线分布图，该晶体轮廓线分布图即为第一晶***置分布图，其中包括各个晶体的轮廓线分布位置。
应理解，在实际应用中，还可以采用其他类型的晶***置分布图对晶***置分布模型进行训练，相应地，将目标能量图输入至该晶***置分布模型中后，该晶***置分布模型将输出该类型的晶***置分布图，作为第一晶***置分布图；对于晶***置分布模型输出的晶***置分布图的类型，本申请在此不做任何限定。
步骤203：根据所述第一晶***置分布图，确定晶***置查找表。
获取到晶***置分布模型输出的第一晶***置分布图后，进一步根据该第一晶***置分布图，确定能够反映能量图与闪烁晶体实际分布位置之间的对应关系的晶***置查找表。
具体实现时，可以根据第一晶***置分布图的类型，相应地选用不同的方法，确定晶***置查找表。
在一种可能的实现方式中，当第一晶***置分布图为晶体中心位置分布图时，即当第一晶***置分布图中包括各个晶体中心的分布位置时，可以根据该第一晶***置分布图中各个晶体中心的分布位置，对第一晶***置分布图做分割处理，从而生成晶***置查找表。
具体的，确定某一晶体中心所属的晶体在第一晶***置分布图中的分布位置时，可以在第一晶***置分布图中确定与该晶体中心相邻的各个晶体中心，进而，分别确定该晶体中心与其相邻的每个晶体中心之间的分割线，该晶体中心与各个相邻的晶体中心之间的分割线实际上即为该晶体中心所属的晶体的轮廓线，如此，确定出第一晶***置分布图中各个晶体的轮廓线，即确定出与该第一晶***置分布图对应的晶***置查找表。
应理解，上述分割方式仅为一种示例，在实际应用中，还可以采用其他分割方式根据包括各个晶体中心分布位置的第一晶***置分布图，生成晶***置查找表，在此不对分割第一晶***置分布图的方式做具体限定。
在另一种可能的实现方式中，当第一晶***置分布图为晶体轮廓线分布图时，即当第一晶***置分布图中包括各个晶体的轮廓线分布位置时，可以直接将该第一晶***置分布图作为晶***置查找表。由于晶***置查找表的实质为能够表征各个晶体实际所处区域位置的图像，而包括各个晶体的轮廓线分布位置的第一晶***置分布图已能够表征各个晶体实际所处的区域位置，因此，当第一晶***置分布图中包括各个晶体的轮廓线分布位置时，可以直接将该第一晶***置分布图作为晶***置查找表。
应理解，当第一晶***置分布图为其他类型的晶***置分布图时，还可以相应地采用其他方式，根据该第一晶***置分布图，确定晶***置查找表，在此不对确定晶***置查找表的方式做任何限定。
需要说明的是，为了保证最终生成的晶***置查找表的准确性，在获取到晶***置分布模型输出的第一晶***置分布图后，还可以进一步对该第一晶***置分布图进行判断，以确定该第一晶***置分布图是否准确，进而，确定是否能够根据该第一晶***置分布图生成晶***置查找表。
具体的，可以判断第一晶***置分布图中的晶体数量是否为预设数量，若是，则进一步根据该第一晶***置分布图确定晶***置查找表，否则，可以提示操作者对第一晶***置分布图进行手动调整，或提示操作者对能量图进行检测，以确定能量图本身是否存在问题；或者，可以判断第一晶***置分布图中的晶***置是否符合位置合理性条件，若是，在进一步根据第一晶***置分布图确定晶***置查找表，否则，可以对操作者进行上述相关提示；或者，可以判断第一晶***置分布图中的晶体数量是否为预设数量，以及判断第一晶***置分布图中的晶***置是否符合位置合理性条件，若均是，则进一步根据该第一晶***置分布图确定晶***置查找表，否则，可以对操作者进行上述相关提示。
当第一晶***置分布图中包括各个晶体中心的分布位置时，可以判断该第一晶***置分布图中晶体中心的数量是否为预设数量，和/或，判断该第一晶***置分布图中晶体中心的分布位置是否符合位置合理性条件；当第一晶***置分布图中包括各个晶体的轮廓线分布位置时，可以判断该第一晶***置分布图中轮廓线所框出的区域是否为预设数量，和/或，判断该第一晶***置分布图中轮廓线的分布位置是否符合位置合理性条件。
应理解，上述预设数量是根据PET探测器中闪烁晶体的数量确定的，该预设数量通常等于PET探测器中闪烁晶体的数量；上述位置合理性条件是根据PET探测器中闪烁晶体的实际分布位置确定的。
上述晶***置查找表的生成方法提供了一种新的生成晶***置查找表的方式，利用晶***置分布模型，生成能量图对应的晶***置分布图，进而，根据该晶***置分布图确定晶***置查找表。由于晶***置分布模型是通过机器学习算法，基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，利用该神经网络对能量图进行特征分析的过程中，会自动对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差相应地进行纠正，从而保证基于该神经网络所生成的晶***置分布图具有较高的准确度，从而保证基于该晶***置分布图所确定出的晶***置查找表的准确度较高。
需要说明的是，随着PET探测器的不断使用，受环境中温湿度变化、闪烁晶体以及电子电路老化等因素的影响，基于PET探测器生成的能量图的几何分布和强度分布等均会在一定程度上发生改变；而通常情况下，训练晶***置分布模型时，所采用的训练样本大多数为在PET探测器使用初期采集的数据，在PET探测器长时间使用后，仅利用上述晶***置分布模型可能无法较为准确地确定出能量图所对应的晶***置分布图。
针对上述情况，本申请实施例还提供了一种晶***置查找表的生成方法，以保证在PET探测器长期使用的情况下，仍能准确地生成晶***置查找表。参见图3，图3为本申请实施例提供的另一种晶***置查找表的生成方法的流程示意图；如图3所示，该晶***置查找表的生成方法包括以下步骤：
步骤301：采集辐射数据，根据所述辐射数据生成目标能量图。
步骤302：利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图。
步骤301和步骤302的具体实现方式分别与上述图2所示的实施例中步骤201和步骤202的具体实现方式相类似，详细参见上述步骤201和步骤202的相关描述，此处不再赘述。
步骤303：根据所述目标能量图中的光斑分布特征生成晶***置分布图，作为第二晶***置分布图；所述第二晶***置分布图与所述第一晶***置分布图中的晶***置属性相同。
生成目标能量图后，可以根据该目标能量图中的光斑分布特征相应地生成晶***置分布图，将该晶***置分布图作为第二晶***置分布图；该第二晶***置分布图与步骤302中生成的第一晶***置分布图中的晶***置属性相同，即若第一晶***置分布图中包括各个晶体中心的分布位置，则第二晶***置分布图中同样也包括各个晶体中心的分布位置；若第一晶***置分布图中包括各个晶体的轮廓线分布位置，则第二晶***置分布图中同样也包括各个晶体的轮廓线分布位置，等等。
当第一晶***置分布图的晶***置属性标识晶***置为晶体中心的分布位置时，即当第一晶***置分布图中包括各个晶体中心的分布位置时，第二晶***置分布图中同样需要包括各个晶体中心的分布位置；此时，可以先对目标能量图做图像降噪处理，得到第一参考能量图；然后，通过对该第一参考能量图进行分割或聚类处理，确定第一参考能量图中各个晶体中心的分布位置，从而生成晶体中心位置分布图，作为第二晶***置分布图。
当第一晶***置分布图的晶***置属性标识晶***置为晶体的轮廓线分布位置时，即当第一晶***置分布图中包括各个晶体的轮廓线分布位置时，第二晶***置分布图中同样需要包括各个晶体的轮廓线分布位置；此时，可以先对目标能量图做灰度反转处理，得到第二参考能量图；然后，采用分水岭算法对该第二参考能量图做分割处理，生成晶体轮廓线分布图，作为第二晶***置分布图。对第二参考能量图做分割处理时，除了可以采用分水岭算法外，也可以采用其他算法对第二参考能量图做分割处理，在此不对分割处理时所采用的算法做任何限定。
应理解，第一晶***置分布图的晶***置属性除了可以为用于标识晶***置为晶体中心的分布位置或晶体的轮廓线分布位置的位置属性外，还可以为用于标识其他能够表征晶***置分布特征的位置属性，相应地，当第一晶***置分布图的晶***置属性所标识的内容为其他晶***置分布特征时，可以采用与该晶***置分布特征对应的方式，根据目标能量图生成第二晶***置分布图，在此不对第二晶***置分布图的生成方式做任何限定。
需要说明的是，在实际应用中，可以先执行步骤302后执行步骤303，也可以先执行步骤303后执行步骤302，还可以同时执行步骤302和步骤303，在此不对步骤302和步骤303的执行顺序做任何限定。应理解，无论采用哪种执行顺序，均需要保证经步骤302生成的第一晶***置分布图与经步骤303生成的第二晶***置分布图的晶***置属性相同。
步骤304：根据所述第一晶***置分布图以及所述第二晶***置分布图，计算目标置信矩阵；所述目标置信矩阵用于表征所述第一晶***置分布图的置信度。
生成第一晶***置分布图和第二晶***置分布图后，进一步根据该第一晶***置分布图和第二晶***置分布图，计算目标置信矩阵，该目标置信矩阵用于表征第一晶***置分布图的置信度，即该第一晶***置分布图的准确程度。
当第一晶***置分布图中包括各个晶体中心的分布位置时，第二晶***置分布图中相应地也包括各个晶体中心的分布位置，此时，需要根据第一晶***置分布图和第二晶***置分布图中各个晶体中心的分布位置，计算目标置信矩阵；具体计算目标置信矩阵的公式如式(1)所示：
其中，(MConfidenceMatrix)i，j为所述目标置信矩阵中第i行第j列的元素，为第一晶***置分布图中第i行第j列晶体中心的分布位置，为第二晶***置分布图中第i行第j列晶体中心的分布位置，D为用于限定晶体中心分布位置差异的最大值。
当第一晶***置分布图中包括各个晶体的轮廓线分布位置时，第二晶***置分布图中相应地也包括各个晶体的轮廓线分布位置，此时，需要根据第一晶***置分布图和第二晶***置分布图中被轮廓线所框出的各个晶体的区域位置，计算目标置信矩阵；具体计算目标置信矩阵的公式如式(2)所示：
其中，(MConfidenceMatrix)i，j为目标置信矩阵中第i行第j列的元素，为第一晶***置分布图中第i行第j列晶体的区域位置，为第二晶***置分布图中第i行第j列晶体的区域位置，为和的相交面积。
应理解，式(1)和式(2)中i的取值均取决于PET探测器中所包括的晶体中心的行数，即i的取值范围为1到PET探测器中晶体中心的行数，i为整数；相类似地，式(1)和式(2)中j的取值取决于PET探测器中所包括的晶体中心的列数，即j的取值范围为1到PET探测器中晶体中心的列数，j为整数。
应理解，当第一晶***置分布图和第二晶***置分布图的晶***置属性，为用于标识其他能够表征晶***置分布特征的位置属性时，可以相应地采用其他方式计算目标置信矩阵，在此不对计算目标置信矩阵的方式做任何限定。
步骤305：根据所述第一晶***置分布图、所述第二晶***置分布图以及所述目标置信矩阵，生成目标晶***置分布图。
确定出目标置信矩阵后，进一步根据第一晶***置分布图、第二晶***置分布图和目标置信矩阵，生成目标晶***置分布图；即利用第二晶***置分布图和目标置信矩阵，对晶***置分布模型生成的第一晶***置分布图进行校正，从而得到较为准确的目标晶***置分布图。
当第一晶***置分布图和第二晶***置分布图中均包括各个晶体中心的分布位置时，可以根据第一晶***置分布图中各个晶体中心的分布位置、第二晶***置分布图中各个晶体中心的分布位置以及经式(1)计算得到的目标置信矩阵，确定目标晶***置分布图中各个晶体中心的分布位置，进而根据目标晶***置分布图中各个晶体中心的分布位置，生成目标晶***置分布图；具体计算目标晶***置分布图中各个晶体中心的分布位置时，可以采用式(3)所示的公式：
其中，为目标晶***置分布图中第i行第j列晶体中心的分布位置；(MConfidenceMatrix)i，j为目标置信矩阵中第i行第j列的元素，其是经式(1)计算得到的；为第一晶***置分布图中第i行第j列晶体中心的分布位置；为第二晶***置分布图中第i行第j列晶体中心的分布位置；D为用于限定晶体中心分布位置差异的最大值；α为用于调节第一晶***置分布图所占权重的参数。
当第一晶***置分布图和第二晶***置分布图中均包括各个晶体的轮廓线分布位置时，可以根据第一晶***置分布图中各个晶体的区域位置、第二晶***置分布图中各个晶体的区域位置以及经式(2)计算得到的目标置信矩阵，确定目标晶***置分布图中各个晶体的区域位置，进而，根据目标晶***置分布图中各个晶体的区域位置，生成目标晶***置分布图；具体计算目标晶***置分布图中各个晶体的区域位置时，可以采用式(4)所示的公式：
其中，为所述目标晶***置分布图中第i行第j列晶体的目标区域位置；(MConfidenceMatrix)i，j为目标置信矩阵中第i行第j列的元素，其是经式(2)计算得到的；为第一晶***置分布图中第i行第j列晶体的区域位置，为第二晶***置分布图中第i行第j列晶体的区域位置，为和的相交面积；α为用于调节第一晶***置分布图所占权重的参数。
应理解，式(3)和式(4)中i的取值均取决于PET探测器中所包括的晶体中心的行数，即i的取值范围为1到PET探测器中晶体中心的行数，i为整数；相类似地，式(3)和式(4)中j的取值取决于PET探测器中所包括的晶体中心的列数，即j的取值范围为1到PET探测器中晶体中心的列数，j为整数。
应理解，当第一晶***置分布图和第二晶***置分布图的晶***置属性，为用于标识其他能够表征晶***置分布特征的位置属性时，可以相应地采用其他方式，根据第一晶***置分布图、第二晶***置分布图和目标置信矩阵，确定目标晶***置分布图，在此不对确定目标晶***置分布图的方式做任何限定。
步骤306：根据所述目标晶***置分布图，确定所述晶***置查找表。
根据第一晶***置分布图、第二晶***置分布图和目标置信矩阵，生成目标晶***置分布图后，根据该目标晶***置分布图，进一步确定晶***置查找表。具体实现时，可以根据目标晶***置分布图中的晶***置属性，相应地选用不同的方法，确定晶***置查找表。
在一种可能的实现方式中，当目标晶***置分布图的晶***置属性标识晶***置为晶体中心的分布位置时，即当目标晶***置分布图中包括各个晶体中心的分布位置时，可以根据该目标晶***置分布图中各个晶体中心的分布位置，对目标晶***置分布图做分割处理，从而生成晶***置查找表。
在另一种可能的实现方式中，当目标晶***置分布图的晶***置属性标识晶***置为晶体的轮廓线分布位置时，即当目标晶***置分布图中包括各个晶体的轮廓线分布位置时，可以直接将该目标晶***置分布图作为晶***置查找表。
应理解，当目标晶***置分布图为用于标识其他能够表征晶***置分布特征的位置属性时，还可以相应地采用其他方式，根据该目标晶***置分布图确定晶***置查找表，在此不对确定晶***置查找表的方式做任何限定。
需要说明的是，为了保证最终生成的晶***置查找表的准确性，在获取到目标晶***置分布图后，还可以进一步对该目标晶***置分布图进行判断，以确定该目标晶***置分布图是否准确，进而，确定是否能够根据该目标晶***置分布图生成晶***置查找表。
具体的，可以判断目标晶***置分布图中的晶体数量是否为预设数量，若是，则进一步根据该目标晶***置分布图确定晶***置查找表，否则，可以提示操作者对第一晶***置分布图进行手动调整，或提示操作者对能量图进行检测，以确定能量图本身是否存在问题；或者，可以判断目标晶***置分布图中的晶***置是否符合位置合理性条件，若是，在进一步根据目标晶***置分布图确定晶***置查找表，否则，可以对操作者进行上述相关提示；或者，可以判断目标晶***置分布图中的晶体数量是否为预设数量，以及判断目标晶***置分布图中的晶***置是否符合位置合理性条件，若均是，则进一步根据该目标晶***置分布图确定晶***置查找表，否则，可以对操作者进行上述相关提示。
当目标晶***置分布图中包括各个晶体中心的分布位置时，可以判断该目标晶***置分布图中晶体中心的数量是否为预设数量，和/或，判断该目标晶***置分布图中晶体中心的分布位置是否符合位置合理性条件；当目标晶***置分布图中包括各个晶体的轮廓线分布位置时，可以判断该目标晶***置分布图中轮廓线所框出的区域是否为预设数量，和/或，判断该目标晶***置分布图中轮廓线的分布位置是否符合位置合理性条件。
应理解，上述预设数量是根据PET探测器中闪烁晶体的数量确定的，该预设数量通常等于PET探测器中闪烁晶体的数量；上述位置合理性条件是根据PET探测器中闪烁晶体的实际分布位置确定的。
需要说明的是，晶***置分布模型除了可以根据能量图，确定其对应的晶***置分布图外，还可以相应地确定该晶***置分布图对应的置信矩阵，该置信矩阵用于表征晶***置分布模型所输出的晶***置分布图的可信程度；即晶***置分布模型的输出还包括置信矩阵。
相应地，在确定出目标晶***置分布图后，可以获取经步骤301获得的目标能量图、经步骤304获得的目标置信矩阵以及经步骤305获得的目标晶***置分布图，利用目标能量图、目标置信矩阵以及目标晶***置分布图构成优化样本，添加至优化样本集中；以便后续利用该优化样本集对晶***置分布模型做进一步优化训练。
如此，获取校正后的数据对晶***置模型做进一步优化训练，可以对晶***置分布模型的模型性能不断地进行优化，从而使得晶***置分布模型可以适用于各种情况，保证晶***置分布模型在各种情况下生成的晶***置分布图的准确性均较高。
在上述晶***置查找表的生成方法中，利用晶***置分布模型根据目标能量图生成第一晶***置分布图，根据目标能量图中的光斑特征生成第二晶***置分布图，根据第一晶***置分布图和第二晶***置分布图确定目标晶***置分布图，进而根据目标晶***置分布图确定晶***置查找表。在PET探测器被长期使用的情况下，可以利用第二晶***置分布图对第一晶***置分布图进行校正，从而保证所确定的目标晶***置分布图具有较高的准确度，进而保证基于该目标晶***置分布图确定出的晶***置查找表具有较高的准确度。
应理解，上述晶***置分布模型是否能够准确地确定出能量图对应的晶***置分布图，依赖于该晶***置分布模型的模型性能，而该晶***置分布模型的模型性能的好坏取决于该晶***置分布模型的训练过程。
下面将对上述晶***置分布模型的模型训练方法进行介绍，参见图4，图4为本申请实施例提供的模型训练方法的流程示意图；如图4所示，该模型训练方法包括以下步骤：
步骤401：确定训练样本集，所述训练样本集中的每个样本包括能量图以及能量图对应的标定晶***置分布图。
训练晶***置分布模型时，需要先获取用于训练晶***置分布模型的训练样本集，该训练样本集中通常包括大量的训练样本，每个训练样本由能量图以及该能量图对应的标定晶***置分布图构成。
应理解，训练样本中的能量图可以是根据放射源衰变产生的辐射数据生成的，也可以是根据本底辐射产生的辐射数据生成的，在此不对训练样本中的能量图的数据来源做任何限定。
具体获取训练样本中的标定晶***置分布图时，通常先采用现有技术中生成晶***置分布图的方式，根据能量图生成晶***置分布图，进而，根据人工经验对该晶***置分布图做进一步修正，得到标定晶***置分布图，保证标定晶***置分布图的准确性。
需要说明的是，该标定晶***置分布图中可以包括各个晶体中心的分布位置，也可以包括各个晶体的轮廓线分布位置，当然还可以包括其他晶体分布位置特征，在此不对标定晶***置分布图中所包括的晶体分布位置特征做任何限定。
需要说明的是，训练样本中除了可以包括能量图以及能量图对应的标定晶***置分布图外，还可以包括标定置信矩阵，该标定置信矩阵用于表征标定晶***置分布图的置信度；由于标定晶***置分布图通常是由人工标定出来的，因此，标定置信矩阵中的各个元素的初始值通常都被设置为1，以表征标定晶***置分布图是绝对可信的。
当然，也可以根据标定晶***置分布图的实际可信度，将标定置信矩阵中各个元素的初始值设置为其他数值，在此不对标定置信矩阵中元素的数值做任何限定。
步骤402：利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
训练晶***置分布模型时，需要预先构建神经网络模型作为被训练的晶***置分布模型，该神经网络模型的结构应与投入实际应用的晶***置分布模型的结构相同；具体训练时，可以采用如聚类、卷积神经网络等深度学习算法，利用在步骤401中确定的训练样本集中的训练样本，对预先构建的神经网络模型进行训练，不断地优化该神经网络模型的模型参数，待该神经网络模型满足训练结束条件时，即可根据此时的神经网络模型结构以及模型参数，构建可以投入实际应用的晶***置分布模型，该晶***置分布模型以能量图为输入，以能量图对应的晶***置分布图为输出。
在一种可能的实现方式中，可以预先根据输入的能量图的大小以及标定晶***置分布图中的晶体数目相应地构建神经网络模型，该神经网络模型中通常包括多层神经网络层；例如，假设神经网络模型的输入为256*256(像素)的能量图，能量图对应的标定晶***置分布图中包括11*11个晶体，则可以相应地构建包括5层神经网络层的神经网络模型，该神经网络模型的输入层包括256*256个网络节点，第二层、第三层和第四层分别包括M、M/2和M/4个网络节点，输出层包括11*11个网络节点，其中，M可以根据实际需求设定，在此不对M的具体数值做任何限定。
构建完成神经网络模型后，可以采用随机初始化的方式为神经网络模型中各个神经网络层中的各个网络节点赋予初始化权重参数，在利用训练样本对神经网络模型进行训练的过程中，根据目标函数，对神经网络模型中各个网络节点各自赌赢的权重参数进行不断地调整，以对神经网络模型的性能进行不断地优化，使其能够更好地学习能量图中的光斑分布特征，更准确地确定能量图对应的晶***置分布图。判断上述神经网络模型是否满足训练结束条件时，可以利用测试样本对第一模型进行验证，该第一模型是利用训练样本集中的训练样本对神经网络模型进行第一轮训练优化得到的模型；具体的，将测试样本中的能量图输入该第一模型，利用该第一模型对输入的能量图进行相应地处理，得到预测晶***置分布图；进而，根据测试样本中的标定晶***置分布图和该第一模型输出的预测晶***置分布图计算预测准确率，当该预测准确率大于预设阈值时，即可认为该第一模型的模型性能较好已能够满足需求，则可以根据该第一模型的模型参数以及模型结构，生成晶***置分布模型。
需要说明的是，上述预设阈值可以根据实际情况进行设定，在此不对该预设阈值做具体限定。
此外，判断神经网络模型是否满足训练结束条件时，还可以根据经多轮训练得到的多个模型，确定是否继续对模型进行训练，以获得模型性能最优的晶***置分布模型。具体的，可以利用测试样本分别对经多轮训练得到的多个神经网络模型进行验证，若判断经各轮训练得到的模型的预测准确率之间的差距较小，则认为神经网络模型的性能已经没有提升空间，可以选取预测准确率最高的神经网络模型，根据该神经网络模型的模型参数和模型结构，确定晶***置分布模型；若经各轮训练得到的神经网络模型的预测准确率之间具有较大的差距，则认为该神经网络模型的性能还有提升的空间，可继续对该神经网络模型进行训练，直到获得模型性能最稳定且最优的晶***置分布模型。
需要说明的是，当训练样本中包括标定置信矩阵时，可以同时基于神经网络模型输出的晶***置分布图以及置信矩阵，判断神经网络模型是否满足训练结束条件，具体判断方式需要在上述判断方式的基础上，进一步根据神经网络模型输出的置信矩阵与标定置信矩阵，计算置信矩阵的预测准确率，结合晶***置分布图的预测准确率和置信矩阵的预测准确率，判断神经网络模型是否满足训练结束条件。
应理解，当训练样本中包括标定置信矩阵时，最终基于该训练样本训练得到的晶***置分布模型的输出同样也包括置信矩阵，该置信矩阵用于表征晶***置分布模型输出的晶***置分布图的置信度。
需要说明的是，将经过上述训练方法训练得到的晶***置分布模型投入实际应用中后，还可以利用在实际应用中得到的数据对该晶***置分布模型做进一步优化训练。
具体的，在采用上述图3所示的方法生成晶***置查找表的过程中，会生成目标置信矩阵和目标晶***置分布图，可以利用目标能量图、目标置信矩阵和目标晶***置分布图构成优化样本，将该优化样本添加至优化样本集中；进而，当需要对晶***置分布模型做进一步优化训练时，可以利用该优化样本集对该晶***置模型做优化训练。
在上述模型训练方法中，先获取训练样本集，该训练样本集中的训练样本均包括能量图以及能量图对应的标定晶***置分布图；进而，利用训练样本集训练神经网络，以得到以能量图为输入、以能量图对应的晶***置分布图为输出的晶***置分布模型。由于该晶***置分布模型是通过机器学习算法，基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，因此，利用该神经网络对能量图进行特征分析的过程中，会自动对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差相应地进行纠正，从而保证基于该神经网络所生成的晶***置分布图具有较高的准确度，从而保证基于该晶***置分布图所确定出的晶***置查找表的准确度较高。
为了便于进一步理解上述实施例提供的模型训练方法以及晶***置查找表的生成方法，下面结合图5，对本申请实施例提供的方法做整体性说明。
本申请实施例提供的方法主要包括两个部分：训练部分和识别部分。
其中，训练部分的主要目的是训练得到能够根据能量图识别其对应的晶***置分布图的晶***置分布模型；训练晶***置分布模型时，需要先获取训练样本集，该训练样本集中的训练样本包括有能量图、能量图对应的标定晶***置分布图以及标定置信矩阵；利用该训练样本集对神经网络模型进行训练，以不断优化神经网络模型的模型参数，待神经网络模型的模型性能满足训练结束条件时，即可根据该神经网络模型的结构和模型参数，生成可以投入实际应用的晶***置分布模型。
其中，识别部分的主要目的是根据采集的辐射数据生成晶***置查找表；具体实现时，可以先根据所采集的辐射数据生成目标能量图；然后，将该目标能量图输入至经训练过程训练得到的晶***置分布模型，获取该晶***置分布模型输出的第一晶***置分布图；根据该目标能量图中光斑的分布特征，生成第二晶***置分布图；接着，根据第一晶***置分布图和第二晶***置分布图，生成目标置信矩阵，利用第一晶***置分布图、第二晶***置分布图以及目标置信矩阵，生成目标晶***置分布图；最终，根据该目标晶***置分布图确定晶***置查找表。
此外，在确定出目标晶***置分布图后，还可以利用上述目标能量图、目标置信矩阵和目标晶***置分布图构成优化样本，并将该优化样本添加至优化样本集中，利用该优化样本集可以对晶***置分布模型做进一步优化训练。
针对上文描述的晶***置查找表的生成方法，本申请还提供了对应的晶***置查找表的生成装置，以使上述晶***置查找表的生成方法在实际中得以应用和实现。
参见图6，图6是与上文图2所示的晶***置查找表的生成方法对应的一种晶***置查找表的生成装置600的结构示意图，该晶***置查找表的生成装置600包括：
采集模块601，用于采集辐射数据，根据所述辐射数据生成目标能量图；
第一处理模块602，用于利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图；所述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，其以能量图为输入，以能量图对应的晶***置分布图为输出；
确定模块603，用于根据所述第一晶***置分布图，确定晶***置查找表。
可选的，所述第一晶***置分布图中包括各个晶体中心的分布位置；
则所述确定模块603具体用于：
根据所述第一晶***置分布图中各个晶体中心的分布位置，对所述第一晶***置分布图做分割处理，生成所述晶***置查找表；
或，
所述第一晶***置分布图中包括各个晶体的轮廓线分布位置；
则所述确定模块603具体用于：
将所述第一晶***置分布图作为所述晶***置查找表。
可选的，所述装置还包括：
第一验证模块，用于判断所述第一晶***置分布图中的晶体数量是否为预设数量；若是，则触发所述确定模块603确定所述晶***置查找表；
或，
第二验证模块，用于判断所述第一晶***置分布图中的晶***置是否符合位置合理性条件，若是，则触发所述确定模块603确定所述晶***置查找表；
或，
第三验证模块，用于判断所述第一晶***置分布图中的晶体数量是否为预设数量，以及判断所述第一晶***置分布图中的晶***置是否符合位置合理性条件，若均是，则触发所述确定模块603确定所述晶***置查找表。
可选的，所述装置还包括：
第二处理模块，用于根据所述目标能量图中的光斑分布特征生成晶***置分布图，作为第二晶***置分布图；所述第二晶***置分布图与所述第一晶***置分布图中的晶***置属性相同；
则所述确定模块603包括：
置信度计算子模块，用于根据所述第一晶***置分布图以及所述第二晶***置分布图，计算目标置信矩阵；所述目标置信矩阵用于表征所述第一晶***置分布图的置信度；
晶***置分布图生成子模块，用于根据所述第一晶***置分布图、所述第二晶***置分布图以及所述目标置信矩阵，生成目标晶***置分布图；
确定子模块，用于根据所述目标晶***置分布图，确定所述晶***置查找表。
可选的，所述第一晶***置分布图的晶***置属性标识晶***置为晶体中心的分布位置；
则所述第二处理模块具体用于：
对所述目标能量图做图像降噪处理，得到第一参考能量图；
通过对所述第一参考能量图进行分割或聚类处理，确定所述第一参考能量图中各个晶体中心的分布位置；
根据所述第一参考能量图中各个晶体中心的分布位置，生成晶体中心位置分布图，作为第二晶***置分布图；
则所述确定子模块具体用于：
根据所述目标晶***置分布图中各个晶体中心的分布位置，对所述目标晶***置分布图做分割处理，生成所述晶***置查找表；
或，
所述第一晶***置分布图的晶***置属性标识晶***置为晶体的轮廓线分布位置；
则所述第二处理模块具体用于：
对所述目标能量图进行灰度反转，得到第二参考能量图；
采用分水岭算法对所述第二参考能量图做分割处理，生成晶体轮廓线分布图，作为第二晶***置分布图；
则所述确定子模块具体用于：
将所述目标晶***置分布图作为所述晶***置查找表。
可选的，所述确定模块603中还包括：
第一验证子模块，用于判断所述目标晶***置分布图中的晶体数量是否为预设数量，若是，则触发所述确定子模块生成晶***置查找表；
或，
第二验证子模块，用于判断所述目标晶***置分布图中的晶***置是否符合位置合理性条件，若是，则触发所述确定子模块生成晶***置查找表；
或，
第三验证子模块，用于判断所述目标晶***置分布图中的晶体数量是否为预设数量，以及判断所述目标晶***置分布图中的晶***置是否符合位置合理性条件，若是，则触发所述确定子模块生成晶***置查找表。
可选的，所述晶***置分布模型的输出还包括置信矩阵；
则所述装置还包括：
样本构建模块，用于利用所述目标能量图、所述目标晶***置分布图以及所述目标置信矩阵构成优化样本，添加至优化样本集中；所述优化样本集用于对所述晶***置分布模型进行优化训练。
上述晶***置查找表的生成装置提供了一种新的生成晶***置查找表的方式，利用晶***置分布模型，生成能量图对应的晶***置分布图，进而，根据该晶***置分布图确定晶***置查找表。由于晶***置分布模型是通过机器学习算法，基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，利用该神经网络对能量图进行特征分析的过程中，会自动对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差相应地进行纠正，从而保证基于该神经网络所生成的晶***置分布图具有较高的准确度，从而保证基于该晶***置分布图所确定出的晶***置查找表的准确度较高。
针对上文描述的模型训练方法，本申请还提供了对应的模型训练装置，以使上述模型训练方法在实际中得以应用和实现。
参见图7，图7是与上文图4所示的模型训练方法对应的一种模型训练装置700的结构示意图，该模型训练装置700包括：
样本确定模块701，用于确定训练样本集，所述训练样本集中的每个训练样本包括能量图以及能量图对应的标定晶***置分布图；
训练模块702，用于利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
可选的，所述标定晶***置分布图包括各个晶体中心的分布位置；
或，所述标定晶***置分布图包括各个晶体的轮廓线分布位置。
可选的，所述训练样本集中还包括标定置信矩阵；所述标定置信矩阵用于表征所述标定晶***置分布图的置信度；
则所述晶***置分布模型的输出还包括置信矩阵；所述置信矩阵用于表征输出的晶***置分布图的置信度。
可选的，所述装置还包括：
优化训练模块，用于采用优化样本集，对所述晶***置分布模型进行优化训练；所述优化样本集来自图6所示的样本构建模块。
在上述模型训练装置中，先获取训练样本集，该训练样本集中的训练样本均包括能量图以及能量图对应的标定晶***置分布图；进而，利用训练样本集训练神经网络，以得到以能量图为输入、以能量图对应的晶***置分布图为输出的晶***置分布模型。由于该晶***置分布模型是通过机器学习算法，基于能量图以及能量图对应的标定晶***置分布图训练得到的神经网络，因此，利用该神经网络对能量图进行特征分析的过程中，会自动对因能量图噪声、伪影以及图像灰度不均匀等因素产生的误差相应地进行纠正，从而保证基于该神经网络所生成的晶***置分布图具有较高的准确度，从而保证基于该晶***置分布图所确定出的晶***置查找表的准确度较高。
本申请还提供了一种用于生成晶***置查找表的设备，该设备具体可以为服务器；参见图8，图8是本申请实施例提供的一种用于生成晶***置查找表的服务器结构示意图，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以***处理器(central processing units，CPU)822(例如，一个或一个以上处理器)和存储器832，一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器800上执行存储介质830中的一系列指令操作。
服务器800还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，和/或，一个或一个以上操作***841，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图8所示的服务器结构。
其中，CPU 822用于执行如下步骤：
采集辐射数据，根据所述辐射数据生成目标能量图；
利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图；所述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，其以能量图为输入，以能量图对应的晶***置分布图为输出；
根据所述第一晶***置分布图，确定晶***置查找表。
可选的，CPU822还可以执行本申请实施例中晶***置查找表的生成方法任一具体实现方式的方法步骤。
本申请还提供了一种用于训练模型的设备，该设备具体可以为服务器；该设备的结构与图8所示的服务器的结构类似，此处不再赘述；其中，CPU用于执行如下步骤：
确定训练样本集，所述训练样本集中的每个训练样本包括能量图以及能量图对应的标定晶***置分布图；
利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
可选的，CPU还可以执行本申请实施例中模型训练方法任一具体实现方式的方法步骤。
本申请实施例还提供了另一种用于生成晶***置查找表的设备，该设备可以为终端设备，如图9所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括计算机等终端设备，以终端为计算机为例：
图9示出的是与本申请实施例提供的终端相关的计算机的部分结构的框图。参考图9，计算机包括：射频(Radio Frequency，RF)电路910、存储器920、输入单元930、显示单元940、传感器950、音频电路960、无线保真(wireless fidelity，WiFi)模块970、处理器980、以及电源990等部件；其中，输入单元930中包括输入面板931和其他输入设备932，显示单元940中包括显示面板941，音频电路960中包括扬声器961和传声器962。
本领域技术人员可以理解，图9中示出的计算机结构并不构成限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在本申请实施例中，该终端所包括的处理器980具有以下功能：
采集辐射数据，根据所述辐射数据生成目标能量图；
利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图；所述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，其以能量图为输入，以能量图对应的晶***置分布图为输出；
根据所述第一晶***置分布图，确定晶***置查找表。
可选的，处理器980还可以执行本申请实施例中晶***置查找表的生成方法任一具体实现方式的方法步骤。
本申请还提供了一种用于训练模型的设备，该设备具体可以为终端设备；该设备的结构与图9所示的终端设备的结构类似，此处不再赘述；其中，处理器用于执行如下步骤：
确定训练样本集，所述训练样本集中的每个训练样本包括能量图以及能量图对应的标定晶***置分布图；
利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
可选的，处理器还可以执行本申请实施例中模型训练方法任一具体实现方式的方法步骤。
本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的晶***置查找表的生成方法中的任意一种实施方式，或模型训练方法中的任意一种实施方式。
本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例所述的晶***置查找表的生成方法中的任意一种实施方式，或模型训练方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果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)执行本申请各个实施例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(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (15)
1.一种晶***置查找表的生成方法，其特征在于，所述方法包括：
采集辐射数据，根据所述辐射数据生成目标能量图；
利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图；所述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，其以能量图为输入，以能量图对应的晶***置分布图为输出；
根据所述第一晶***置分布图，确定晶***置查找表。
2.根据权利要求1所述的方法，其特征在于，所述第一晶***置分布图中包括各个晶体中心的分布位置；
则所述根据所述第一晶***置分布图，确定晶***置查找表，包括：
根据所述第一晶***置分布图中各个晶体中心的分布位置，对所述第一晶***置分布图做分割处理，生成所述晶***置查找表；
或，
所述第一晶***置分布图中包括各个晶体的轮廓线分布位置；
则所述根据所述第一晶***置分布图，确定晶***置查找表，包括：
将所述第一晶***置分布图作为所述晶***置查找表。
3.根据权利要求1或2所述的方法，其特征在于，在所述根据所述第一晶***置分布图，确定晶***置查找表之前，所述方法还包括：
判断所述第一晶***置分布图中的晶体数量是否为预设数量，若是，则执行所述根据所述第一晶***置分布图，确定晶***置查找表；
或，
判断所述第一晶***置分布图中的晶***置是否符合位置合理性条件，若是，则执行所述根据所述第一晶***置分布图，确定晶***置查找表；
或，
判断所述第一晶***置分布图中的晶体数量是否为预设数量，以及判断所述第一晶***置分布图中的晶***置是否符合位置合理性条件，若均是，则执行所述根据所述第一晶***置分布图，确定晶***置查找表。
4.根据权利要求1所述的方法，其特征在于，在所述根据所述第一晶***置分布图，确定晶***置查找表之前，所述方法还包括：
根据所述目标能量图中的光斑分布特征生成晶***置分布图，作为第二晶***置分布图；所述第二晶***置分布图与所述第一晶***置分布图中的晶***置属性相同；
则所述根据所述第一晶***置分布图，确定晶***置查找表，包括：
根据所述第一晶***置分布图以及所述第二晶***置分布图，计算目标置信矩阵；所述目标置信矩阵用于表征所述第一晶***置分布图的置信度；
根据所述第一晶***置分布图、所述第二晶***置分布图以及所述目标置信矩阵，生成目标晶***置分布图；
根据所述目标晶***置分布图，确定所述晶***置查找表。
5.根据权利要求4所述的方法，其特征在于，所述第一晶***置分布图的晶***置属性标识晶***置为晶体中心的分布位置；
则根据所述目标能量图中的光斑分布特征生成晶***置分布图，作为第二晶***置分布图，包括：
对所述目标能量图做图像降噪处理，得到第一参考能量图；
通过对所述第一参考能量图进行分割或聚类处理，确定所述第一参考能量图中各个晶体中心的分布位置；
根据所述第一参考能量图中各个晶体中心的分布位置，生成晶体中心位置分布图，作为第二晶***置分布图；
则根据所述目标晶***置分布图，确定所述晶***置查找表，包括：
根据所述目标晶***置分布图中各个晶体中心的分布位置，对所述目标晶***置分布图做分割处理，生成所述晶***置查找表；
或，
所述第一晶***置分布图的晶***置属性标识晶***置为晶体的轮廓线分布位置；
则根据所述目标能量图中的光斑分布特征生成晶***置分布图，作为第二晶***置分布图，包括：
对所述目标能量图进行灰度反转，得到第二参考能量图；
采用分水岭算法对所述第二参考能量图做分割处理，生成晶体轮廓线分布图，作为第二晶***置分布图；
则根据所述目标晶***置分布图，确定所述晶***置查找表，包括：
将所述目标晶***置分布图作为所述晶***置查找表。
6.根据权利要求4或5所述的方法，其特征在于，在所述生成目标晶***置分布图后，所述方法还包括：
判断所述目标晶***置分布图中的晶体数量是否为预设数量，若是，则则执行所述根据所述目标晶***置分布图，生成晶***置查找表；
或，
判断所述目标晶***置分布图中的晶***置是否符合位置合理性条件，若是，则执行所述根据所述目标晶***置分布图，生成晶***置查找表；
或，
判断所述目标晶***置分布图中的晶体数量是否为预设数量，以及判断所述目标晶***置分布图中的晶***置是否符合位置合理性条件，若均是，则执行所述根据所述目标晶***置分布图，生成晶***置查找表。
7.根据权利要求4或5所述的方法，其特征在于，所述晶***置分布模型的输出还包括置信矩阵；
则所述方法还包括：
利用所述目标能量图、所述目标晶***置分布图以及所述目标置信矩阵构成优化样本，添加至优化样本集中；所述优化样本集用于对所述晶***置分布模型进行优化训练。
8.一种模型训练方法，其特征在于，所述方法包括：
确定训练样本集，所述训练样本集中的每个训练样本包括能量图以及能量图对应的标定晶***置分布图；
利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
9.根据权利要求8所述的方法，其特征在于，所述标定晶***置分布图包括各个晶体中心的分布位置；
或，所述标定晶***置分布图包括各个晶体的轮廓线分布位置。
10.根据权利要求8或9所述的方法，其特征在于，所述训练样本集中还包括标定置信矩阵；所述标定置信矩阵用于表征所述标定晶***置分布图的置信度；
则所述晶***置分布模型的输出还包括置信矩阵；所述置信矩阵用于表征输出的晶***置分布图的置信度。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
采用优化样本集，对所述晶***置分布模型进行优化训练；所述优化样本集是通过权利要求7所述的方法生成的。
12.一种晶***置查找表的生成装置，其特征在于，所述装置包括：
采集模块，用于采集辐射数据，根据所述辐射数据生成目标能量图；
第一处理模块，用于利用晶***置分布模型生成所述目标能量图对应的晶***置分布图，作为第一晶***置分布图；所述晶***置分布模型为神经网络，其是基于能量图以及能量图对应的标定晶***置分布图训练得到的，其以能量图为输入，以能量图对应的晶***置分布图为输出；
确定模块，用于根据所述第一晶***置分布图，确定晶***置查找表。
13.一种模型训练装置，其特征在于，所述装置包括：
样本确定模块，用于确定训练样本集，所述训练样本集中的每个训练样本包括能量图以及能量图对应的标定晶***置分布图；
训练模块，用于利用所述训练样本集训练神经网络，以训练得到晶***置分布模型；所述晶***置分布模型以能量图为输入，以所述能量图对应的晶***置分布图为输出。
14.一种设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1至7任一项所述的晶***置查找表的生成方法，或者执行权利要求8至11任一项所述的模型训练方法。
15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的晶***置查找表的生成方法，或者执行如权利要求8至11中任一项所述模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910105044.3A CN109884682B (zh) | 2019-02-01 | 2019-02-01 | 一种晶***置查找表的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910105044.3A CN109884682B (zh) | 2019-02-01 | 2019-02-01 | 一种晶***置查找表的生成方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109884682A true CN109884682A (zh) | 2019-06-14 |
| CN109884682B CN109884682B (zh) | 2020-12-01 |
Family
ID=66927916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910105044.3A Active CN109884682B (zh) | 2019-02-01 | 2019-02-01 | 一种晶***置查找表的生成方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109884682B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414492A (zh) * | 2019-08-29 | 2019-11-05 | 广东工业大学 | 一种晶体材料图像识别方法及装置 |
| CN112712529A (zh) * | 2020-12-25 | 2021-04-27 | 明峰医疗***股份有限公司 | 一种pet探测器晶***置查找表的生成方法及***、pet设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3745359A (en) * | 1971-03-22 | 1973-07-10 | Picker Corp | Scintillation crystal with reflection inhibiting material and scintillation device embodying the crystal |
| US3908128A (en) * | 1973-09-12 | 1975-09-23 | Ohio Nuclear | Improved radiation sensing device |
| US3911278A (en) * | 1972-07-05 | 1975-10-07 | Ohio Nuclear | Radiation sensing device |
| US6559450B1 (en) * | 1996-10-27 | 2003-05-06 | Ge Medical Systems Israel, Ltd. | Gamma camera with two sequential correction maps |
| CN101680953A (zh) * | 2007-05-16 | 2010-03-24 | 皇家飞利浦电子股份有限公司 | 虚拟pet探测器和用于pet的准像素化读出方案 |
| CN102141632A (zh) * | 2009-12-29 | 2011-08-03 | 株式会社东芝 | 提高γ射线检测中的定时分辨率的装置和相关方法 |
| CN104337531A (zh) * | 2013-07-25 | 2015-02-11 | 苏州瑞派宁科技有限公司 | 针对全数字pet***的在线能量符合方法及*** |
| CN104809460A (zh) * | 2015-04-29 | 2015-07-29 | 上海联影医疗科技有限公司 | 晶体中心位置图生成方法及晶体像素查找表生成方法 |
| US20150285922A1 (en) * | 2014-04-03 | 2015-10-08 | Siemens Medical Solutions Usa, Inc. | Silicon Photomultiplier Based TOF-PET Detector |
-
2019
- 2019-02-01 CN CN201910105044.3A patent/CN109884682B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3745359A (en) * | 1971-03-22 | 1973-07-10 | Picker Corp | Scintillation crystal with reflection inhibiting material and scintillation device embodying the crystal |
| US3911278A (en) * | 1972-07-05 | 1975-10-07 | Ohio Nuclear | Radiation sensing device |
| US3908128A (en) * | 1973-09-12 | 1975-09-23 | Ohio Nuclear | Improved radiation sensing device |
| US6559450B1 (en) * | 1996-10-27 | 2003-05-06 | Ge Medical Systems Israel, Ltd. | Gamma camera with two sequential correction maps |
| CN101680953A (zh) * | 2007-05-16 | 2010-03-24 | 皇家飞利浦电子股份有限公司 | 虚拟pet探测器和用于pet的准像素化读出方案 |
| CN104076383A (zh) * | 2007-05-16 | 2014-10-01 | 皇家飞利浦电子股份有限公司 | 虚拟pet探测器和用于pet的准像素化读出方案 |
| CN102141632A (zh) * | 2009-12-29 | 2011-08-03 | 株式会社东芝 | 提高γ射线检测中的定时分辨率的装置和相关方法 |
| CN104337531A (zh) * | 2013-07-25 | 2015-02-11 | 苏州瑞派宁科技有限公司 | 针对全数字pet***的在线能量符合方法及*** |
| US20150285922A1 (en) * | 2014-04-03 | 2015-10-08 | Siemens Medical Solutions Usa, Inc. | Silicon Photomultiplier Based TOF-PET Detector |
| CN104809460A (zh) * | 2015-04-29 | 2015-07-29 | 上海联影医疗科技有限公司 | 晶体中心位置图生成方法及晶体像素查找表生成方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414492A (zh) * | 2019-08-29 | 2019-11-05 | 广东工业大学 | 一种晶体材料图像识别方法及装置 |
| CN112712529A (zh) * | 2020-12-25 | 2021-04-27 | 明峰医疗***股份有限公司 | 一种pet探测器晶***置查找表的生成方法及***、pet设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109884682B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109671076A (zh) | 血管分割方法、装置、电子设备及存储介质 | |
| EP3143378A1 (en) | Method and system for automated visual analysis of a dipstick using standard user equipment | |
| CN109377484A (zh) | 一种检测骨龄的方法及装置 | |
| CN108271165A (zh) | 一种基站网络信号覆盖状态的预测方法及*** | |
| CN111951274A (zh) | 图像分割方法、***、可读存储介质和设备 | |
| CN110334722A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
| CN110781976B (zh) | 训练图像的扩充方法、训练方法及相关装置 | |
| CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN109884682A (zh) | 一种晶***置查找表的生成方法、装置、设备及介质 | |
| CN109961001A (zh) | 对空间成像数据的自适应处理 | |
| CN107368790B (zh) | 行人检测方法、***、计算机可读存储介质及电子设备 | |
| CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN114331985A (zh) | 电子元器件划痕缺陷检测方法、装置和计算机设备 | |
| CN115953393B (zh) | 基于多任务学习的颅内动脉瘤检测***、设备及存储介质 | |
| CN110246580A (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和*** | |
| CN107392876A (zh) | 获取归一化校正因子的方法、装置及医学成像方法 | |
| Borianne et al. | GT-RootS: an integrated software for automated root system measurement from high-throughput phenotyping platform images | |
| CN111476776A (zh) | 胸部病灶位置确定方法、***、可读存储介质和设备 | |
| CN107481309A (zh) | 三维反射渲染方法及装置 | |
| CN109902641B (zh) | 基于语义对齐的人脸关键点检测方法、***、装置 | |
| CN108875500A (zh) | 行人再识别方法、装置、***及存储介质 | |
| CN110502443A (zh) | 冗余代码检测方法、检测模块、电子设备及计算机存储介质 | |
| CN109583583A (zh) | 神经网络训练方法、装置、计算机设备及可读介质 | |
| US20210166351A1 (en) | Systems and methods for detecting and correcting orientation of a medical image |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230414 Address after: Room 308, No. 177-2 Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province, 110167 Patentee after: Shenyang Zhihe Medical Technology Co.,Ltd. Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Patentee before: Shenyang Neusoft Medical Systems Co.,Ltd. |
|
| TR01 | Transfer of patent right |