[发明专利]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

权利要求书

1.一种基于随机编码与神经网络探测器成像的方法，其特征在于，包括：

S1、获得多个穿过编码准直器的编码图像信息；

S2、将所述编码图像信息划分为训练集和测试集，利用所述训练集构建反向神经网络模型；

S3、利用所述训练集对所述反向神经网络模型进行训练，获得训练后的神经网络模型，再利用所述测试集对所述训练后的神经网络模型进行测试；

S4、若测试结果中放射源位置识别准确率、放射源数量识别准确率、解码图像信噪比满足预设值时，则神经网络模型训练完成后即为探测器成像方法，若测试结果达不到要求，则重复步骤S2、S3、S4。

2.如权利要求1所述的方法，其特征在于，获得所述多个穿过所述编码准直器的编码图像信息的方法包括：

使用蒙特卡罗软件构建包括随机编码阵列的编码孔准直器模型和探测器模型；

模拟不同放射源发射射线穿过所述编码孔准直器模型；

所述探测器模型接收所述不同位置放射源的编码图像信息。

3.如权利要求2所述的方法，其特征在于，模拟的所述不同位置的放射源位于所述编码孔准直器模型和所述探测器模型的视场角内。

4.如权利要求2所述的方法，其特征在于，将同一时间的两个或多个编码图像叠加并归一化处理，直到达到训练集和调试集所需的编码图像数据数量。

5.如权利要求2所述的方法，其特征在于，所述蒙特卡罗方法采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits和GADRAS中的一种或几种。

6.如权利要求1所述的方法，其特征在于，所述反向神经网络包括：

输入层，所述输入层节点数为探测器像素个数；

输出层，所述输出层节点数为接收的所述编码图像信息的像素个数；

利用所述输入层、输出层计算所述隐含层节点数，并利用所述激活函数构建所述反向神经网络。

7.如权利要求6所述的方法，其特征在于：

所述反向传播神经网络框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer和ScikitLearn中的一种或多种。

8.如权利要求1所述的方法，其特征在于：

放射源位置识别准确率预设值为大于或等于95％，放射源数量识别准确率预设值为大于多等于95％，解码图像信噪比预设值为大于等于40。

9.一种利用如权利要求1所述的方法的伽马相机，用于发射射线的放射源识别，其特征在于，包括：

编码准直器，所述射线穿过编码准直器；

探测组件，包括接收器、处理器及存储器，所述接收器接收穿过编码准直器的伽马射线投影的编码阵列图案，所述存储器存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行对所述投影的编码阵列图案进行成像的方法。