数据集对基于卷积神经网络算法的编码孔径<bold>γ</bold>相机成像质量影响
卷积神经网络（Convolutional Neural Network，CNN）算法已被用于编码孔径γ相机的图像重建中，提升了对成像过程中随机噪声的抑制效果。对于CNN算法，数据集的设置将直接影响模型的性能，然而，现有研究尚缺乏对此问题的讨论。本文基于点源成像过程开展研究，提出了一种基于蒙特卡罗模拟和线性随机组合的数据集生成方法，通过Geant4软件模拟编码孔径成像过程，并使用CNN算法完成图像重建。对点源定位时，<sup>57</sup>Co数据集的训练模型对<sup>57</sup>Co源定位的平均对比度信噪比（Contrast-to-Noi...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Science Press
2025-05-01
|
| Series: | He jishu |
| Subjects: | |
| Online Access: | https://www.sciengine.com/doi/10.11889/j.0253-3219.2025.hjs.48.240370 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | 卷积神经网络（Convolutional Neural Network，CNN）算法已被用于编码孔径γ相机的图像重建中，提升了对成像过程中随机噪声的抑制效果。对于CNN算法，数据集的设置将直接影响模型的性能，然而，现有研究尚缺乏对此问题的讨论。本文基于点源成像过程开展研究，提出了一种基于蒙特卡罗模拟和线性随机组合的数据集生成方法，通过Geant4软件模拟编码孔径成像过程，并使用CNN算法完成图像重建。对点源定位时，<sup>57</sup>Co数据集的训练模型对<sup>57</sup>Co源定位的平均对比度信噪比（Contrast-to-Noise Ratio，CNR）为75.8，对<sup>60</sup>Co定位的平均CNR为24.7；而使用<sup>137</sup>Cs数据集的模型对二者定位的平均CNR分别为43.8与44.3；对视野内随机7个<sup>60</sup>Co源重建时，模型重建的CNR为8.9，并且能够清晰识别放射源位置。因此，数据集的容量及特征性会直接影响到CNN模型的学习及泛化能力，在高能与多点源的条件下，选取合适的数据集，有助于提升对放射源成像的效果与准确性。 |
|---|---|
| ISSN: | 0253-3219 |