[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

说明书

本发明公开了一种使用经过先验数据训练的二维卷积神经网络利用稀疏扫描数据进行放射性废物TGS检测图像重建，提高检测效率及图像重建精度的基于深度学习的层析γ扫描图像重建方法。该方法包括步骤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；并通训练深度学习神经网络；S5、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；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。采用该方法能够有效的减少扫描次数提升检测效率；提高重建图像质量。

技术领域

本发明涉及核废物层析γ扫描测量领域，具体公开了一种基于深度学习的放射性废物层析γ扫描图像的重建方法。

背景技术

众所周知的：根据核废物管理处置相关条例，要求使用标准桶封装放射性废物。对放射性废物暂存、运输及处置前，需准确测量废物桶内放射性核素的成份、含量和分布规律。

鉴于废物桶的放射性，多采用无损检测的方式进行测量。层析γ扫描技术(Tomographic Gamma Scanning,TGS)是目前成熟的几种无损检测方式之一，根据废物桶体素划分方式，使用γ探测器多角度、多位置分层扫描废物桶，重建桶内介质线衰减系数分布图像(透射图像)和核素活度分布图像(发射图像)。可以在样品的物理、化学形态不发生任何变化的情况下，准确分析出样品中所含放射性核素种类、含量及其放射性活度的空间位置分布。通常，划分体素数量越多，检测结果越准确，图像中包含的信息越详细，但精细的体素划分要求更多次数的扫描，增加了大量检测时间，降低工作效率。而大体素划分，虽然要求扫描次数较少，检测时间短，但检测结果准确度会一定程度的下降。因此，保证检测结果精度的前提下兼顾提升检测效率是目前TGS技术急需解决的关键技术问题。

发明内容

本发明所要解决的技术问题是提供一种使用经过先验数据训练的二维卷积神经网络利用稀疏扫描数据进行放射性废物TGS检测图像重建，提高检测效率及图像重建精度的基于深度学习的放射性废物层析γ扫描图像的重建方法。

本发明解决其技术问题所采用的技术方案是：基于深度学习的放射性废物层析γ扫描图像的重建方法，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。

具体的，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。

具体的，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。