放射线检测装置、能量校正方法以及程序制造方法及图纸

本发明专利技术的课题在于高精度地进行能量的构成。实施方式的放射线检测装置具备取得部和校正部。取得部在检测器从校正源接受放射时，取得包含向检测器入射的放射线的能量光谱的校正数据。校正部通过对向神经网络的输入以及向能量光谱的物理基础模型的输入中的至少一个应用能量光谱，从而进行能量校正。

【技术实现步骤摘要】
放射线检测装置、能量校正方法以及程序相关申请的参照本申请享受2019年5月31日提出申请的美国专利申请号62/855,693、2020年1月9日提出申请的美国专利申请号16/738,828、以及2020年4月6日提出申请的日本专利申请号特愿2020－068313的优先权的利益，在本申请中引用这些申请的全部内容。
本说明书以及附图所公开的实施方式涉及放射线检测装置、能量校正方法以及程序。
技术介绍
在PET成像中，作为入射的伽马射线的能量的函数的检测器的响应有时偏离线性响应而具有非线性响应。作为产生非线性响应的例子，例如可列举将硅光电倍增管(SiPM)用作检测器的情况。另外，作为产生非线性响应的其他例子，可列举使用过阈时间(ToT)来推断入射伽马射线的能量的情况。因而，在该情况下，期望高精度地进行能量的校正。现有技术文献专利文献专利文献1：美国专利6150655号说明书
技术实现思路
专利技术将要解决的课题本说明书以及附图所公开的实施方式要解决的课题之一是高精度地进行能量的校正。但是，将要通过本说明书以及附图所公开的实施方式解决的课题并不限定于上述课题。也可以将后述的实施方式所示的各构成带来的各效果所对应的课题定位为其他课题。用于解决课题的手段实施方式的放射线检测装置具备取得部和校正部。取得部在检测器从校正源接受放射时，取得包含向检测器入射的放射线的能量光谱的校正数据。校正部通过对向神经网络的输入以及向能量光谱的物理基础模型的输入中的至少一个应用能量光谱，从而进行能量校正。附图说明图1A是一实施方式的、两个光学光子入射到不同的微元(microcell)的硅光电倍增管(SiPM)检测器的图。图1B是一实施方式的、六个光学光子入射到不同的微元的SiPM检测器的图。图1C是表示一实施方式的SiPM检测器的非线性能量响应的图。图2A是一实施方式的过阈时间(Time-Over-Threshold：TOT)测定值的曲线图。图2B是一实施方式的、作为峰值高度与阈值之比的函数的TOT的曲线图。图3是表示一实施方式的、一个信道检测事件中的未处理测定能量与两个信道检测事件中的未处理测定能量的合计是如何不同的图。图4是一实施方式的、作为TOT信号的函数绘制的镥同位素176(Lu－176)的光谱的图。图5是一实施方式的、能量校正的实施以及重建正电子放射断层拍摄(PET)图像的方法100的流程图。图6是一实施方式的对于能量校正数据进行了曲线拟合后的能量校正模型的曲线图。图7A是以晶体A获得的能量校正光谱的曲线图。图7B以晶体B获得的能量校正光谱的曲线图。图7C以晶体C获得的能量校正光谱的曲线图。图8是一实施方式的对于晶体A至晶体C的能量校正数据进行了曲线拟合后的能量校正模型的曲线图。图9是一实施方式的、为了训练深层学习(Deep-Learning：DL)网络而使用的训练数据集合的扩展方法900的流程图。图10A是测定数据集合的参数1相对于参数2的非线性分布的曲线图。图10B是对于扩展数据集合呈现出比测定数据集合大的范围的扩展数据集合的参数2绘制了非线性参数1的分布的图。图11是一实施方式的Lu－176光谱的物理基础模型中的Lu－176的能级图。图12是一实施方式的有助于Lu－176光谱的衰变路径/放射工序所对应的光谱的曲线图。图13是一实施方式的实施能量校正而重建PET图像的方法100的物理基础模型实施方式的流程图。图14A是使用物理基础模型进行了曲线拟合后的第一晶体的测定Lu－176光谱的曲线图。图14B是使用物理基础模型进行了曲线拟合后的第二晶体的测定Lu－176光谱的曲线图。图15A是一实施方式的PET扫描器的立体图。图15B是一实施方式的PET扫描器的概略图。图16是一实施方式的、用于训练DL网络的工序130的流程图。图17是一实施方式的DL网络的图。图18是一实施方式的伴随着输入的预先缩放以及输出的再缩放的DL网络的流程图。图19A是一实施方式的X轴缩放前的测定光谱的曲线图。图19B是一实施方式的图19A的光谱的累积合计的曲线图。图19C是一实施方式的X轴缩放后的测定光谱的曲线图。图20是一实施方式的、存在对单一能量的放射线进行放射的放射线源的情况下的、成像扫描器中的散射工序的概略图。图21A是在检测器的能量分辨率准确的情况下由图20所示的各种散射工序带来的吸收放射线的曲线图。图21B是在检测器的能量分辨率存在限度的情况下由图20所示各种散射工序带来的吸收放射线的曲线图。图22是一实施方式的、生成能量校正的单一的网络方法的图。图23是一实施方式的、生成能量校正的细分化网络方法的流程图。图24A是一实施方式的、生成能量校正的细分化网络方法中的第一细分化网络的图。图24B是一实施方式的细分化网络方法中的第二细分化网络的图。图24C是一实施方式的细分化网络方法中的第三细分化网络的图。图24D是一实施方式的细分化网络方法中的第四细分化网络的图。图24E是表示在一实施方式的细分化网络方法中哪个输出被送到哪个输入的图。附图标记说明115输入数据120目标数据135DL网络143校正光谱148校正参数153未处理PET数据175PET图像具体实施方式以下，一边参照附图，一边详细地说明放射线检测装置、能量校正方法以及程序的实施方式。首先，使用图15A以及图15B，简单地说明实施方式的放射线检测装置的构成。图15A以及15B表示由配置为圆环形状的检测器模块(即，伽马射线检测器(Gamma-RayDetector：GRD))构成的PET扫描器200的非限定性的例子。各检测器模块有时包含检测器元件的几个阵列。GRD包含用于将伽马射线转换为(例如光学上的红外以及紫外波长的)闪烁光子的闪烁体晶体阵列，这些闪烁光子被光检测器检测出。在图15A以及15B所示的非限定性的例子中，光检测器是相比于各个闪烁体晶体元件非常大的光电倍增管(PMT)。在优选的一实施方式中，光检测器是具有接近各个闪烁体晶体元件的截面面积的检测剖面、能够在晶体与光检测器之间形成1对1的对应关系的硅光电倍增管(SiPM)。为了使单一的光检测器用于检测来自多个晶体的光信号，在光检测器比晶体大的情况下，能够使用安格尔(anger)算术来决定配置。但是，在晶体与光检测器之间存在1对1的对应关系的情况下，安格尔算术并不一定是必要的。图15A以及图15B表示能够执行方法100以及160的PET扫描器200的非限定性的例子。PET扫描器200包含作为矩形的检测器模块而分别构成的几个伽马射线检测器(G本文档来自技高网...

【技术保护点】
1.一种放射线检测装置，包含：/n取得部，在检测器从校正源接受放射时，取得包含向所述检测器入射的放射线的能量光谱在内的校正数据；以及/n校正部，通过将所述能量光谱应用到向神经网络的输入以及向所述能量光谱的物理基础模型的输入中的至少一个，从而进行能量校正。/n

【技术特征摘要】
20200406 JP 2020-068313;20190531 US 62/855,693;2021.一种放射线检测装置，包含：
取得部，在检测器从校正源接受放射时，取得包含向所述检测器入射的放射线的能量光谱在内的校正数据；以及
校正部，通过将所述能量光谱应用到向神经网络的输入以及向所述能量光谱的物理基础模型的输入中的至少一个，从而进行能量校正。


2.根据权利要求1所述的放射线检测装置，
所述放射线包含伽马射线，
所述取得部取得向所述检测器入射的所述伽马射线的放射数据，
所述放射线检测装置还具备将所述能量校正应用于所述放射数据而生成所述放射数据的检测事件的能量的生成部。


3.根据权利要求1或2所述的放射线检测装置，
在所述能量光谱作为所述输入被应用于所述神经网络时，
所述神经网络使用包含输入数据以及目标数据在内的训练数据集合而被训练，所述输入数据包含使用所述校正源而取得的放射线光谱，所述目标数据包含测定信号与能量的映射的值。


4.根据权利要求1或2所述的放射线检测装置，
在所述能量光谱作为所述输入被应用于所述校正源的物理基础模型时，所述校正部，
调整所述物理基础模型的自由参数，对所述能量光谱与由所述物理基础模型生成的光谱之间的拟合进行优化，所述物理基础模型的所述自由参数包含所述能量校正的参数。


5.根据权利要求1至4中任一项所述的放射线检测装置，
所述校正源包含用于生成光谱的一个放射性同位素，该光谱作为吸收放射线能量的函数而具有多个结构。


6.根据权利要求1至4中任一项所述的放射线检测装置，
所述校正数据包含从与所述校正源不同的一个校正源取得的一个其...

【专利技术属性】
技术研发人员：肯特·布尔，李晓莉，
申请(专利权)人：佳能医疗系统株式会社，
类型：发明
国别省市：日本;JP