[发明专利]一种基于深度学习的伽马放射性成像方法

权利要求书

1.一种基于深度学习的伽马放射性成像方法，其特征在于，包括以下步骤：

(1)使用蒙特卡罗方法对编码孔伽马相机的成像过程进行建模，模拟探测平面内不同位置的放射源的成像过程，获得不同位置、不同数量、不同类型的放射源在编码孔伽马相机上形成的编码图像；

(2)将所述的编码图像作为样本对深度学习网络模型进行训练和测试，并对编码孔伽马相机的各项参数初始化设计；

(3)使用编码孔伽马相机获得探测目标区域的伽马辐射编码图像；

(4)使用步骤(2)中所述的训练完成的深度学习网络模型对步骤(3)所述伽马辐射编码图像进行解码处理，获得目标区域的辐射热点分布图像；

(5)使用深度检测视觉系统获得目标区域的深度图和光学图像；

(6)将步骤(4)和步骤(5)中所述的辐射热点分布图像、深度图和光学图像进行图像配准，得到可以精确反映放射性空间分布和周围环境特征的复合图像，通过图像显示装置所述的复合图像可视化，为指导放射性物质跟踪定位和有效监管提供参考。

2.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(1)所述蒙特卡罗方法采用MORSE、MCNP、EGS、GEANT4、FLUKA、SuperMC、Phits或GADRAS中的一种或几种。

3.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(2)所述编码孔伽马相机的各项参数初始化设计依据伽马相机的使用场景和阵列探测器的参数，所述深度学习网络模型的训练包括编码图像和放射源实际位置图像样本的归一化处理，构建深度学习框架，建立深度学习网络模型，初始化模型参数，训练深度学习网络模型，测试深度学习网络模型。

4.根据权利要求1或3所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(2)所述深度学习网络采用的深度学习框架为DeepLearnToolbox、Caffe、CNTK、TensorFlow、Theano、Torch、Keras、Lasagne、DSSTNE、MXNet、DeepLearning4J、ConvNetJS、Chainer或Scikit-Learn中的一种或多种，所述深度学习网络模型采用深度置信网络、深度神经网络、卷积神经网络、堆叠式自动编码器或卷积自动编码器中的一种或几种。

5.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，所述编码孔伽马相机采用阵列探测器和编码孔准直器，阵列探测器和编码孔准直器周围使用伽马屏蔽材料作为外壳，采用刚性连接，数据采集、传输和处理模块置于阵列探测器后端,通过信号传输模块与图像处理装置相连接，阵列探测器为阵列式辐射传感器，包括线阵式、像素式、多层阻性板式。

6.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(4)将通过深度学习网络解码得到的辐射热点分布图像进行平滑处理，获得亚像素级的辐射热点分布图像，所述通过深度学习网络解码得到的辐射热点分布图像进行平滑处理的方法为克里金插值方法、三次样条插值、矩估计方法、形心法、灰度重心法中的一种或几种。

7.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，步骤(6)中所述图像配准采用的方法为基于灰度信息的方法、基于空间变换域的方法、基于图像特征的方法中的一种或几种。

8.根据权利要求1所述的基于深度学习的伽马放射性成像方法，其特征在于，对伽马辐射进行成像的装置包括用于搭载成像系统的具有指定运载能力且轨迹可控的交通工具。

9.根据权利要求8所述的基于深度学习的伽马放射性成像方法，其特征在于，所述交通工具包括无人机、无人汽车、机器人、无人艇、便携式移动平台。