[发明专利]基于深度学习的放射性废物层析γ扫描图像重建方法

权利要求书

1.基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于，包括以下步骤：

S1、根据体素划分模型确定稀疏扫描方式；

S2、使用蒙特卡罗方法相关软件，根据TGS系统尺寸建立仿真模型；

S3、进行仿真实验并建立透射图像训练数据集；

S4、搭建深度学习神经网络；并通过步骤3中得到的透射图像训练数据集训练深度学习神经网络；

S5、通过步骤S4中训练后的深度学习神经网络重建高分辨率透射图像和发射图像并融合；

S6、建立融合图像训练数据集并训练深度学习神经网络；通过训练后的深度学习神经网络重建融合图像；

S7、设计分析处理系统，实现透射图像以及融合图像的重建。

2.如权利要求1所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：所述步骤S1中体素划分模型为极坐标体素划分模型或者矩形网格体素划分模型；

在直角坐标体系中，将体素划分为正方体形状；在极坐标体系中，将体素划分为扇形体形状；每种划分方式均将废物桶纵向分为I个断层，每个断层再分为J个体素块。

3.如权利要求2所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：所述步骤S2中仿真模型与TGS系统尺寸保持一致，仿真模型中探测器尺寸和种类与TGS探测器一致。

4.如权利要求3所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：所述步骤S2中使用Geant4或者MCNP5蒙特卡洛方法软件，

在步骤S3中外置透射源使用多种能量γ射线对废物桶进行透射扫描，废物桶内填充多种不同形状、材料介质和多种种类、活度的放射源，使用ART算法重建大体素低分辨率透射图像，并根据仿真设置建立对应的细小体素高分辨率透射图像；多次实验得到多组图像对，建立透射图像训练数据集。

5.如权利要求4所述的基于深度学习的放射性废物层析γ扫描图像重建方法，其特征在于：步骤S3中仿真实验包括透射扫描和发射扫描；

所述透射扫描过程如下：

1)外置透射源与探测器移动至初始位置，打开外置透射源开始进行透射扫描，探测器检测γ射线形成能谱；

2)根据制定的稀疏扫描方式，旋转废物桶，进行下一个角度的扫描，完成所有角度扫描；

3)透射源与探测器移动至下一位置，再进行所有角度扫描，直至完成所有角度和位置的扫描；

所述发射扫描过程为：关闭外置透射源，废物桶旋转、探测器移动和扫描顺序等与透射扫描一致，探测器探测废物桶内放射源自发放射γ射线。