PET探测器标签数据映射方法、PET探测深度预测模型的训练方法和PET探测深度预测方法

本技术属于pet探测器，具体地讲，涉及一种pet探测器标签数据映射方法和pet探测深度预测方法。

背景技术：

1、正电子发射计算机断层扫描(positron emission tomography，pet)是一种基于放射性示踪剂的分子影像技术，用于测量生物体内放射性同位素标记的示踪剂在体内的代谢分布情况。作为一种临床诊断工具，pet已广泛应用于肿瘤早期诊断、治疗预后评估以及脑神经科学等领域。pet成像是通过探测正电子与电子湮灭后产生的成对伽马光子，重建体内组织的三维分布图像，提供患者内部结构的详细信息。在pet系统中，基于闪烁体的探测器是核心部件之一，负责将伽马射线转换为可检测的信号。

2、随着分辨率要求的提高，尤其是在脑部成像领域，pet技术的相互作用深度(depthof interaction，doi)的分辨是全视野保持高空间三维成像精度的关键。深度分辨率是指pet探测器能够准确测量伽马光子在探测器内部的相互作用深度的能力。在小动物成像和脑部成像中，传统pet探测器的分辨率已难以满足毫米级成像要求。为了提高pet的深度分辨率，科研人员已经提出了多种方法，其中包括基于双端读出晶体阵列、连续晶体、棱形晶体读出等技术，旨在提高深度测量的精度，并减少因深度不确定性带来的成像误差。

3、传统的pet探测器通常采用基于能量比的深度测量方法。在双端读出探测器中，伽马光子在探测器中的相互作用深度会影响传递到探测器两端光探测器的光子能量。不同深度的相互作用会导致伽马光子传输路径不同，从而使得到达两个光探测器的总能量不同。通过计算两个光探测器所接收到的能量比值，可以估计伽马光子发生相互作用深度doi。该方法的核心原理是基于能量比的变化来推断相互作用位置，以sipm阵列为例，探测器阵列通常由多个单元构成，这些单元通过阵列结构进行排列，同时收集不同深度位置的光子信息。通过对不同深度位置的探测器信号进行分析，结合能量比值，计算得到深度信息。然而，传统方法中的深度测量依赖于闪烁光子到达两端探测器的能量差异，收到电路噪声，探测器晶体材料等局限，在深度分辨率要求更高的情况下，需要高精度的信息处理计数得到更精确doi。

4、深度学习尤其在信号分析和特征提取方面具有巨大的优势。通过对pet探测器采集的多种信号特征(例如能量信号、时间信号、波形信号等)进行深度挖掘，深度学习模型能够从采集信号数据中学习到与深度信息的关联，从而提高深度测量的精度。

5、现有技术方案主要通过卷积神经网络(cnn)或决策树模型等监督学习方法进行pet探测器深度信息的学习。这些方法通过分析不同深度位置采集的原始信号预测每个采集事件的深度位置。在这一过程中，深度信息的采集通常依赖于移动平台获取探测器在不同位置的信号数据，通常采集的信号包括伽马光子的能量、光子相互作用时间、信号波形幅度等多种特征，通过处理探测器阵列的原始信号提取多特征的深度能量分布信息。基于这些采集信号，模型可以学习到深度位置的规律，从而对新的数据进行深度预测。

6、在数据采集方面，传统监督学习和半监督模型的标签数据通常采用是不同深度位置下的离散标签。例如，探测器的深度位置从1.5毫米到19.5毫米不等，且每个深度位置之间的间隔为1毫米。数据采集系统根据探测器的当前位置，直接得到对应的深度标签，并用这些标签与原始信号数据一起构建训练集。信号数据被用作特征输入，深度标签作为目标输出，用于训练深度预测模型。

7、在监督学习中，深度标签作为训练数据的基础，通过离散的标签数据来指导神经网络模型的训练。传统方法中，通常依据探测器当前位置得到固定的深度标签，进行离散化处理，这些标签数据具有明显的间隔性。例如，数据标签可以是固定的1.5毫米、2.5毫米……19.5毫米等一系列数值。这种离散标签的设置方式，虽然简单直接，但导致在深度标签之间的连续性不足，进而影响模型的学习效果和预测精度。这种基于离散标签的深度预测方法尽管有一定的应用，但也存在显著的局限性。由于深度标签的离散化，模型在训练时难以充分捕捉到深度之间的连续性和微小差异，导致预测结果在细微深度变化时的误差较大。

8、现有技术仅使用1.5、2.5、3.5等固定标签位置进行训练，未涵盖这些标签之外的数据，导致在这些位置的深度预测精度较差。即使在回归任务中进行训练，离散标签方法依然无法准确处理标签之间的连续性差异，尤其是在非标签位置，模型难以准确预测深度信息，造成精度下降。此外，这种离散标签的训练方法未能充分考虑探测器的测量精度和深度信息的实际分布，限制了模型对深度变化的学习能力。因此，改进标签映射方法，提供更精确的训练标签，成为提高深度预测模型精度的关键。

技术实现思路

1、本技术解决的技术问题是：如何实现标签数据的连续性和精确性，以提高模型的预测精度。

2、本技术提供了一种pet探测器标签数据映射方法，所述pet探测器标签数据映射方法包括：

3、根据采集到的符合事件数据集计算得到若干个深度位置的doi分布，其中，所述符合事件数据集包括所测试的测试晶体探测器处于若干不同深度位置的符合事件数据，所述doi分布包括多个事件点的深度值和计数值；

4、对于每个深度位置，计算doi分布的深度分布均值以及每个事件点的深度值与所述深度分布均值的偏差值；

5、对于每个深度位置，根据各个偏差值、测试晶体探测器的探测宽度和当前所述深度位置的标签值，计算得到每个事件点的深度映射值，所述深度映射值作为每个事件点的标签值。

6、可选地，所述若干不同深度位置为等间距分布的若干个深度位置，且相邻两个深度位置的间距为测试晶体探测器的探测宽度。

7、可选地，根据采集到的符合事件数据集计算得到若干个深度位置的doi分布的方法包括：

8、对于每个深度位置，根据所述符合事件数据进行高斯拟合，获得原始doi分布；

9、根据高斯拟合后得到的均值和方差对所述原始doi分布的误差数据进行修正，获得修正后的doi分布。

10、可选地，所述doi分布的深度分布均值为高斯拟合后得到的均值。

11、可选地，对于每个深度位置，根据各个偏差值、测试晶体探测器的探测宽度和当前所述深度位置的标签中心值，计算得到每个事件点的深度映射值，包括：

12、将各个偏差值的绝对值的最大值作为最大偏差值；

13、根据测试晶体探测器的探测宽度确定标签映射范围；

14、根据每个事件点的偏差值和最大偏差值确定每个事件点在所述标签映射范围之内的归一化深度映射值；

15、根据每个事件点的归一化深度映射值和当前所述深度位置的标签中心值，计算得到每个事件点的深度映射值。

16、可选地，所述深度位置的标签中心值为当前深度位置的实际探测中心位置值。

17、可选地，所述标签映射范围为至w表示所述探测宽度。

18、本技术还公开了一种pet探测深度预测模型的训练方法，所述训练方法包括：

19、获取测试晶体探测器处于若干不同深度位置的符合事件数据，每个深度位置的所述符合事件数据包括多个事件点的数据；

20、基于上述的pet探测器标签数据映射方法计算得到各个事件点的标签值；

21、将全部事件点的数据和标签值作为训练样本训练pet探测深度预测模型。

22、可选地，pet探测深度预测模型为基于极限梯度提升算法构建的预测模型，每个所述事件点的数据包括能量、时间和波形。

23、本技术还公开了一种pet探测深度预测方法，所述pet探测深度预测方法包括：

24、获取测试晶体探测器采集到的符合事件数据；

25、将所述符合事件数据输入到pet探测深度预测模型，得到预测深度，所述pet探测深度预测模型根据上述的方法训练得到。

26、本技术提供的一种pet探测器标签数据映射方法、pet探测深度预测模型的训练方法和pet探测深度预测方法，具有如下技术效果：

27、将每个深度位置的符合事件数据中各个事件点的标签值计算出来，且各个标签值分布符合真实物理探测分布，这样可以获得连续、精确、更丰富的具有标签值的训练数据，以便提高预测模型的预测能力。