基于深度学习方法实现SPECT放射性核素定量测量（二）

最新推荐文章于 2025-02-19 10:08:36 发布
最新推荐文章于 2025-02-19 10:08:36 发布
阅读量1.9k 收藏 17
点赞数 8
分类专栏： 核医学成像、深度学习 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43095466/article/details/118058922
版权

基于深度学习方法实现SPECT放射性核素定量测量（二）—GATE仿真

（1）GATE介绍

GATE（GEANT4 Application for Emission Tomography）由OpenGATE组织开发，是一个基于GEANT4的软件包。它封装了GEANT4库，是一个专用于核医学领域的免费开源、通用性、脚本化、模块化的仿真平台。GATE继承了GEANT4仿真工具包的优势，其中包括经过验证的物理模型、复杂几何的描述、强大的可视化功能和3D渲染工具等，并且具有发射断层成像特有的功能。GATE软件的架构可由图1所示的层级结构表示，以GEANT4为内核（GEANT4 kernel），由核心层（Core layer）、应用层（Application layer）以及用户层（User level）组成。

在这里插入图片描述

图1：GATE层级结构

GATE仿真步骤由图2所示，包括设计探测器几何结构、设置体模参数、设置物理过程、初始化、设置电子学参数、设置放射源、设置随机数以及定义数据输出格式、开始仿真。在仿真中针对各步骤编写GATE宏语言，通过可视化检查探测器结构，最后通过主文件调用各模块代码执行程序。其中设置探测器结构、物理过程、电子学参数和放射源设置是GATE仿真重点。本课题仿真过程基于GATE9.0版本（目前最新版本貌似为9.1），在linux系统下实现，并且采用多线程并行计算加快仿真速度，缩短仿真时长。

在这里插入图片描述

图2：GATE仿真过程

GATE具体使用说明可以参考官方说明：http://opengatecollaboration.org/

（2）设置探测器

仿真探测器设置以西门子公司Symbia T2型双探头SPECT/CT系统为原型，构建SPECT系统结构。使用SPECTHead系统作为探测器几何结构的模板，自上而下定义的几何结构分别为：World、SPECTHead、 Shielding、Collimator、Scintillator、Back Compartment，然后需要将Scintillator通过attach命令将其连接到CrystalSD层次，使Scintillator具备记录粒子与物质相互作用信息的功能。定义的SPECTHead系统结构如图3所示。设置探测器选择360度，为了加快仿真速度，可以使用四个探头，每个探头只需选择90度即可，如图4所示。各结构材料如表1所示。

在这里插入图片描述

图3：SPECT探测器简图1

在这里插入图片描述
图4：SPECT探测器简图2

表1

在这里插入图片描述

探测器设置的代码如下所示：

# V I S U A L I S A T I O N
#####
/vis/disable

# M A N D A T O R Y
#####
/gate/geometry/setMaterialDatabase GateMaterials.db
# G E O M E T R Y
#####

# World
# Define the world dimensions
##
/gate/world/geometry/setXLength 100 cm
/gate/world/geometry/setYLength 100 cm
/gate/world/geometry/setZLength 100 cm

# Scanner Head
# Create a new box representing the main head-volume
# SPECThead is the name of the predefined SPECT system
# Create the SPECT system, which will yield an Interfile output of projection data
##
/gate/world/daughters/name SPECThead
/gate/world/daughters/insert box
/gate/SPECThead/geometry/setXLength  7. cm
/gate/SPECThead/geometry/setYLength 21. cm
/gate/SPECThead/geometry/setZLength 30. cm
/gate/SPECThead/placement/setTranslation  0. 25. 0. cm
/gate/SPECThead/placement/setRotationAxis 0 0 1
/gate/SPECThead/placement/setRotationAngle 90 deg
/gate/SPECThead/repeaters/insert ring
/gate/SPECThead/ring/setRepeatNumber 4
/gate/SPECThead/setMaterial Air
/gate/SPECThead/moves/insert orbiting
#/gate/SPECThead/orbiting/setSpeed 2.8125 deg/s
/gate/SPECThead/orbiting/setSpeed 1.40625 deg/s
#/gate/SPECThead/orbiting/setSpeed 0.703125 deg/s
/gate/SPECThead/orbiting/setPoint1 0 0 0 cm
/gate/SPECThead/orbiting/setPoint2 0 0 1 cm
/gate/SPECThead/vis/forceWireframe

# Shielding
# Create the shielding volume
##
/gate/SPECThead/daughters/name shielding
/gate/SPECThead/daughters/insert box
/gate/shielding/geometry/setXLength  7. cm
/gate/shielding/geometry/setYLength 21. cm
/gate/shielding/geometry/setZLength 30. cm
/gate/shielding/plac
最低0.47元/天 解锁文章
基于深度学习方法实现SPECT放射性核素定量测量（三）
weixin_43095466的博客
06-19 1358
基于深度学习方法实现SPECT放射性核素定量测量（三）-图像重建及衰减校正 （1）图像重建 使用MLEM迭代重建算法进行图像重建，MLEM算法原理如图1所示。 图像重建可以借助重建软件进行，目前可以用于SPECT重建的软件有STIR、Castor、OMEGA、QSPECT等，这些软件大部分是在linux系统下使用的。可以使用QSPECT对SPECT图像进行图像重建，QSPECT是专用于SPECT图像重建的软件，该软件最为轻便，而且其3.0版本可以在windows系统下使用。 借助QSPECT可以方便的将p
基于深度学习方法实现SPECT放射性核素定量测量（一）
weixin_43095466的博客
06-19 1332
利用深度学习方法实现SPECT放射性核素活度预测（一）——课题介绍 放射治疗是目前癌症三大治疗手段之一，当前，世界上约有70%的癌症患者使用放射治疗。放射治疗技术包括普通X射线治疗、硼中子俘获治疗、质子重离子治疗和放射性核素内照射治疗。其中放射性核素内照射治疗相比于其它治疗手段有一些独特的优势。放射性核素内照射治疗是将放射性核素引入体内，使其大量聚集在病变部位，利用核素衰变产生的α、β粒子的电离辐射生物学效应破坏病变组织。放射性核素内照射治疗只杀伤病变区域的恶性细胞，而对正常组织和器官的损伤较小。因此放射性
什么是gate sim，门级仿真和soc后仿有什么区别
最新发布
weixin_49118247的博客
02-19 1194
它基于包含了实际物理信息的网表（Post-layout Netlist），包括布线延迟、寄生参数（如电容、电阻）等。门级仿真是对综合后的门级网表（Gate-level Netlist）进行的仿真。是对布局布线后的网表进行仿真，主要用于验证物理设计后的功能和时序，考虑了实际的布线延迟和寄生效应。：基于布局布线后的网表进行仿真，验证实际物理设计。
动物代谢成像（SPECT/PET）放射性同位素标记实验/18f/99mtc/125l/68Ga放射性标记
zhaocaijinbaoya的博客
04-14 1936
动物代谢成像（SPECT/PET）放射性同位素标记实验/18f/99mtc/125l/68Ga放射性标记 动物代谢成像（SPECT/PET）放射性同位素标记实验/18f/99mtc/125l/68Ga放射性标记 实验过程 选择放射性同位素的剂量 同位素必须能经得起稀释，使其较后样品的放射性不能低于本底，一般来说放射性同位素在生物体内不是完全均匀地被稀释，可能在某些器官、组织、细胞、某些分子中有选择性地蓄积，蓄积的部分放射性就会很强，在这种情况下，应以相关部位对标记剂的蓄积率来考虑标记剂用量。在细胞培
深度学习 - 44.MMOE 与 Gate 之多目标学习
BITDDD小栈
04-26 1525
Google 多任务学习模型 Multi-gate Mixture-of-Experts。
深度学习算法中的门控循环单元（Gated Recurrent Units）
牛肉胡辣汤
09-27 352
门控循环单元是一种特殊的循环神经网络（RNN）单元，用于处理序列数据。它通过引入门机制来控制信息的流，提高了模型的记忆能力和表达能力。具体来说，GRU由两个门控函数和一个更新门组成，可以对隐藏状态进行有效的更新。在GRU中，输入门控函数控制新信息的流入，更新门控函数控制旧信息的保留。通过这两个门控函数的协同作用，GRU能够根据序列信息有效地更新隐藏状态。隐藏状态的不断更新有助于模型对序列数据的长期依赖关系进行建模。# 定义模型参数input_dim = 100 # 输入维度。
深度学习若干解释
Bamboo
05-18 1万+
1.简述Gated Recurrent unit(GRU) 有哪两个gate？GRU的精神/主旨是什么？ 更新门update gate 重置门 reset gate 为了克服RNN无法很好处理远距离依赖而提出了LSTM,而GRU是LSTM的一个变体，GRU保持了 LSTM的效果同时又使结构构更加简单°GRU只剩下两个门，即更新门和重置门。更新门用于控制前一时刻的状态信息被代入到当前状态的程，更新门的值越大说明前一时刻的状态信息带入越多。重置门用于控制忽略前一时刻的状态信息的程度重置门的值越小...
基于深度学习方法实现SPECT放射性核素定量测量（四）
weixin_43095466的博客
06-19 738
基于深度学习实现SPECT放射性核素定量测量方法研究（四）-pix2pix网络结构搭建 （1）pix2pix网络结构 在本次课题工作中使用GAN网络的一种pix2pix网络模型，实现重建图像计数分布到放射性核素活度分布的计算。pix2pix网络实现的是有监督学习，需要输入成对的训练数据。pix2pix由一个生成器（Generator）和判别器（Discriminator）组成，如图1所示。使用x代表输入图像，G(x)代表生成器生成的图像。生成器生成图像G(x)后，将x和G(x)共同输入到判别器中，判别器会输
基于深度学习的SPECT图像关节炎病灶分割.pdf
08-18
本文介绍了基于深度学习的SPECT图像关节炎病灶分割方法，旨在提高医生诊断效率和准确性。 关节炎是人体关节的炎性病变，临床上具有病症隐匿、病情进展缓慢、可反复发作等特征。准确诊断和分割关节炎病灶对于临床...
Geant4及GATE安装过程记录
董煎饼的沙滩
12-06 1万+
1. 首先安装linux系统，双系统、虚拟机都可以。 2.安装Geant4.可以按照这篇教程来安装Geant4。 准备工作 Geant4跟ROOT有很多共同的依赖，所以可以首先安装一下ROOT所需的依赖，里面有好多是ROOT需要但是Geant4并不需要的， 如果你有精力可以一个一个挑出来，这里直接全部安装． (可以访问root-prerequisites来查看ROOT的依赖包.) 如...
核医学仿真软件GATE安装流程
05-27
核医学仿真软件GATE安装流程
GATE官方公共库 GATE（GEANT4 Application for Tomographic Emission）是一个基于GEANT4的蒙特卡洛模拟工具包，专门用于医学物理应用
11-20
GATE（GEANT4 Application for Tomographic Emission）是一个基于GEANT4的蒙特卡洛模拟工具包，专门用于医学物理应用。以下是GATE官方公共库的一些关键介绍： 1. **GATE项目概述**： - GATE是一个模块化、多功能、脚本化的模拟工具包，适应于核医学领域。它能够模拟时间依赖现象，例如探测器运动或源衰变动力学，允许在实际采集条件下模拟时间曲线。 2. **GATE的主要特点**： - GATE提供了模拟新的医学成像设备、评估新的图像重建算法或散射校正技术以及优化扫描协议的能力。它包括经过验证的物理模型、几何建模工具和高效的可视化工具。 3. **GATE的开发者和贡献者**： - GATE由OpenGATE合作组织开发，该组织目前包括21个实验室，致力于改进、记录和彻底测试GATE，以适应市场上大部分PET和SPECT成像系统。 4. **GATE的文档和支持**： - OpenGATE合作组织特别注重提供有意义的文档，包括安装和用户指南以及常见问题解答列表，以支持GATE的长期支持和连续性。
GATE——stir软件包的核医学仿真平台
05-16
基于蒙特卡罗仿真方法构建的仿真平台，用的是GATE软件包，
GATE 8 使用指南
10-15
自然语言处理框架GATE(General Architecture for Text Engineering，文本工程通用框架)，是目前自然语言处理领域比较受推崇 的一个开源项目，它是一个应用非常广泛的自然语言处理开放型基础架构，为用户提供了图形化的开发环境，被许多自然语言处理项目尤其是信息抽取的项目所采用。
Gate 用户手册（一）总体概念
Carr_001的博客
08-08 5275
参考网站 http://wiki.opengatecollaboration.org/index.php/Users_Guide 本文并非完全翻译，会根据情况适当缩减。生命有限，能少就少。 综述： 这部分介绍使用Gate进行仿真所必经的一些步骤，并用了一些简单的例子介绍。更加详细的介绍在用户手册的后面部分，Gate的使用不需要任何C++编程，这得益于扩展geant4本机命令的专用脚本机...
Geant4学习一：写一个简单程序
ccwwNUAA的博客
10-20 6007
1、 基本介绍
安装包要求
图图的博客
07-17 496
注意：某些信息可能对于8.1版本来说已过时。 编译软件通常需要某些系统库和编译工具。此外，GATE和Geant4必须在安装或编译之前具有各种软件包。访问“包装要求”页面以获取详细的包装清单。该列表可能会经常更改，最近更新：2015年12月31日。 3.1 Ubuntu 18.04.2 LTS (对于GATE v8.2 w/ Geant4 10.5 p01) 在终端输入 sudo apt-get update sudo apt-get install <package_1 here> <pa
深度学习下的医学图像分析
热门推荐
xiangz_csdn的博客
07-02 4万+
本文由图普科技编译自《Medical Image Analysis with Deep Learning 》， 在系列的第一篇文章中，我们介绍了一些使用OpenCV和DICOM图像基础知识进行图像处理的过程。在系列的第二篇文章中，我们将从“卷积神经网络”的角度讨论深度学习。在系列的第三部分，我们将利用Kaggle的肺癌数据库，重新查看肺癌DICOM图像中的关键内容和信息，并且利用Kera开发一个肺癌预测模型。
基于深度学习的超分辨率SPECT图像重建算法的核心模型架构图
12-11
基于深度学习的超分辨率SPECT（单光子发射计算机断层扫描）图像重建算法的核心模型架构通常包括以下几个关键部分： 1. **输入层**：接收低分辨率的SPECT图像数据。这些数据通常是多维的，包括空间信息和时间信息。 2. **特征提取层**：使用卷积神经网络（CNN）来提取图像的低级和高级特征。CNN通过多层卷积和池化操作，逐步提取图像的特征。 3. **上采样层**：通过反卷积（转置卷积）或上采样操作，将特征图的空间分辨率提高。这一步是为了生成高分辨率的图像。 4. **重建层**：使用残差网络（ResNet）或密集连接网络（DenseNet）等结构，进一步细化图像细节。这些结构通过跳跃连接（skip connections）将低层特征与高层特征结合起来，保留更多的细节信息。 5. **输出层**：生成高分辨率的SPECT图像。输出层通常是一个卷积层，将特征图转换为最终的图像。 6. **损失函数**：用于衡量重建图像与真实图像之间的差异。常用的损失函数包括均方误差（MSE）、结构相似性指数（SSIM）和感知损失（perceptual loss）等。 7. **优化器**：用于更新模型参数，使得损失函数最小化。常用的优化器包括Adam、SGD等。 以下是一个简化的架构图： ``` 输入层 | 卷积层（特征提取） | 池化层 | 卷积层 | 上采样层 | 残差网络（ResNet） | 跳跃连接 | 卷积层 | 输出层 ``` 这个架构图展示了从输入的低分辨率图像到输出高分辨率图像的整个过程，通过多层卷积、上采样和残差网络等操作，逐步提高图像的分辨率和细节。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值