一种基于任务驱动的蒙特卡洛散射光子模拟方法技术

一种基于任务驱动的蒙特卡洛散射光子模拟方法，具体步骤如下，对光子散射参数进行预设和初始化，生成一条原始光子路径，采用均匀抽样算法和随机游走抽样算法对散射点进行位置抽样，产生一条模拟光子路径，比对原始光子路径和模拟光子路径的概率，应用路径抽样算法对模拟光子路径进行自动抽样，并判断沉积的光子路径数量是否满足预设的光子路径数量，若是，则结束操作，否则返回第二步。该方法从抽样原理的层面提升光子散射模拟效率，主动把模拟任务需求纳入可控制的路径变异空间中，通过自动抽样模型对光子路径进行变异抽样，然后比较前后抽样路径的重要性，选择对模拟任务相对重要的路径作为当前能量沉积路径，从而实现光子路径的自动重要性采样。

A task driven Monte Carlo scattering photon simulation method

A task-driven Monte Carlo scattering photon simulation method is proposed. The detailed steps are as follows: preset and initialize the photon scattering parameters, generate an original photon path, use uniform sampling algorithm and random walk sampling algorithm to sample the scattering points, and generate a simulated photon path. For the probability of photon path and simulated photon path, path sampling algorithm is applied to automatically sample the simulated photon path, and to determine whether the number of photon paths deposited meets the preset number of photon paths. If so, the operation is ended, otherwise the second step is returned. This method improves the efficiency of photon scattering simulation from the level of sampling principle, takes the initiative to incorporate the simulation task requirements into the controllable path variation space, and carries out mutation sampling on the photon path through the automatic sampling model, then compares the importance of the sampling path before and after, and selects the path which is relatively important to the simulation task as the current energy. The deposition path is used to realize the automatic importance sampling of photon path.

【技术实现步骤摘要】
一种基于任务驱动的蒙特卡洛散射光子模拟方法
本专利技术涉及散射光子模拟
，特别是涉及一种基于任务驱动的蒙特卡洛散射光子模拟方法。
技术介绍
锥形束计算机断层扫描(Cone-beamComputedTomography,CBCT)系统由于其体积小，重量轻，扫描速度快在医院众多临床科室里有广泛应用，特别是在牙科CT，乳腺CT和图像引导放疗中。由于CBCT系统采用的探测器为平板探测器，无法采用准直器技术遮挡散射线，所以重建的CBCT图像中存在严重的散射伪影。为使CBCT图像在临床中深入应用，国内外研究人员对散射伪影的校正开展了大量的研究。BooneJM将其归纳为基于硬件和软件的两种散射校正技术类型。其中基于硬件的散射校正方法会带来其他各种相关难题和缺陷，最后得不偿失。另一类方法是基于软件的散射校正方法，通过计算实现散射分布的估计进而实现散射校正。其中以设计散射核函数进行反卷积的方法为代表。该方法计算速度快，具有良好的临床应用价值，但散射核设计难度导致散射估计不够精确，目前只能利用骨组织形态和轮廓进行摆位确认和校正(SunM,Star-LackJ:Improvedscattercorrectionusingadaptivescatterkernelsuperposition.Physicsinmedicineandbiology2010,55(22):6695-6720.)。此外还有另一类更为精确的方法是通过蒙特卡罗(MonteCarlo,MC)模拟散射光子物理效应获取散射分量实现散射校正。基于MC模拟粒子输运的计算方法是肿瘤放射治疗领域有关粒子物理输运问题的金标准。常规MC模拟方法如BrownFB开发的MCNP(BrownFB:MCNP–AGeneralMonteCarloN-ParticleTransportCode,Version5.LosAlamosNationalLaboratory,OakRidge,TN2003.)和XunJia开发的gMCDRR(JiaX,YanH,L,FolkertsM,JiangSB:AGPUtoolforefficient,accurate,andrealisticsimulationofconebeamCTprojections.MedicalPhysics2012)，相比于PENELOPE(SchmidtkeJ,EngelW.PENELOPE:AnalgorithmforMonteCarlosimulationofthepenetrationandenergylossofelectronsandpositronsinmatter[J].NuclearInstruments&MethodsinPhysicsResearch,1995,100(1):31-46.)这些经典MC模拟，在模拟效率和精确性上有了提升。但无论是PENELOPE，MCNP还是gMCDRR，它们的模拟都是被动式的而非主动式的。被动式模拟是指在光子MC模拟中，依次对光子的射出方向，第一个散射点发生位置、类型和角度，第二个散射点发生的位置、类型和散射角度等独立抽样，直到光子离开扫描物体，最后判断光子是否到达探测器以决定是否沉积该路径光子的能量。被动式光子散射独立抽样策略思路比较自然且代码结构简单，但缺点是只能在模拟所有散射阶数和成分的光子输运后，被动式地从结果中挑选出沉积到探测器区域的散射分量。而大量未能到达探测器的光子则被丢弃，导致花费了大量时间模拟了对最终散射信号无贡献的光子。所以常规MC模拟方法由于无法对光子整体路径的概率进行计算，也就忽视光子整体路径的重要性分布，导致模拟效率过低。为解决MC模拟的收敛速度慢和效率过低的瓶颈问题，常见的做法是引入各种减方差的技巧(HaghighatA,WagnerJC:MonteCarlovariancereductionwithdeterministicimportancefunctions.ProgressinNuclearEnergy2003,42(1):25-53.)和使用图形处理单元(GraphicsProcessingUnit,GPU)并行处理技术。但同样的，这两种改善的方法均没有解决被动式模拟的根源问题。再而，减方差的技巧只有用户给出合适的粒子作用点重要性分布，才有提高计算效率的可能，否则结果会变更差，而给出合适的重要性分布通常是最为困难的。正是因为被动式模拟的根源问题没有得到解决，对如乳腺CBCT和脑出血CBCT等对散射精度要求更高的散射模拟任务是不可能的。因此，针对现有技术不足，提供一种基于任务驱动的蒙特卡洛散射光子模拟方法以解决现有技术不足甚为必要。
技术实现思路
本专利技术的目的在于避免现有技术的不足之处而提供一种基于任务驱动的蒙特卡洛散射光子模拟方法，该基于任务驱动的蒙特卡洛散射光子模拟方法，从抽样原理的层面提升光子散射模拟效率，主动把模拟任务需求纳入可控制的路径变异空间中，通过自动抽样模型对光子路径进行变异抽样，然后比较前后抽样路径的重要性，选择对模拟任务相对重要的路径作为当前能量沉积路径，从而实现光子路径的自动重要性采样。任务驱动的路径抽样方法摒弃了光子的独立抽样策略，且能主动式调控散射任务，使得模拟效率大大提高。本专利技术的上述目的通过如下技术手段实现。提供一种基于任务驱动的蒙特卡洛散射光子模拟方法，具体步骤如下：第一步：对光子散射参数进行预设和初始化，生成一条原始光子路径；第二步：采用均匀抽样算法和随机游走抽样算法对散射点进行位置抽样，产生一条模拟光子路径；第三步：比对原始光子路径和模拟光子路径的概率；第四步：应用路径抽样算法对模拟光子路径进行自动抽样；第五步：将模拟光子能量沉积到对应的探测器中，并判断沉积的光子路径数量是否满足预设的光子路径数量，若是，则结束操作，否则返回第二步。具体而言的，光子散射的参数包括光子散射能量、类型、阶数、路径概率和光子路径数量，且光子散射路径的总概率为所有片段中每一个片段概率的乘积。优选的，第三步光子路径概率的算法具体如下：设光子从源点至dA探测器像素中，历经A1、…、Ai、…、AN的N个散射点的散射作用，经过N+1个片段，每一个片段记为lk(k＝1,2,…,N+1)，对应片段的长度为sk，散射点Ai对应瑞利散射和康普顿散射中的任意一种散射类型Tj(j＝1或2)，T1为瑞利散射，T2为康普顿散射，散射点Ai在xi位置发生康普顿散射或瑞利散射的线性衰减系数为散射点Ai在xi位置发生康普顿散射和瑞利散射的总线性衰减系数为μ(xi)；当k＝1时，光子经过初始片段l1的概率函数P1的求解方法如下：其中，s1为片段l1的长度，光子分布的方向概率函数F(x)，根据郎伯比尔定律，光子到达x1点的概率函数为光子在x1点发生Tj类型的散射作用的概率函数为累乘三种概率函数即为初始片段l1的概率函数，如式(1)所示；当1＜k≤N时，光子经过中间片段l2～lN中的任意一个片段的概率函数如下：其中，为Ai、Ai+1两点所成直线方向的散射微分截面系数，且Tm∈Tj，光子从散射点Ai运动到Ai+1且发生Tj类型相互作用的概率为当k＝N+1时，光子经过结尾片段lN+1的概率函数PN+1的求解方法如下：其中，α为lN+1片段本文档来自技高网...

【技术保护点】
1.一种基于任务驱动的蒙特卡洛散射光子模拟方法，其特征在于：具体步骤如下：第一步：对光子散射参数进行预设和初始化，生成一条原始光子路径；第二步：采用均匀抽样算法和随机游走抽样算法对散射点进行位置抽样，产生一条模拟光子路径；第三步：比对原始光子路径和模拟光子路径的概率；第四步：应用路径抽样算法对模拟光子路径进行自动抽样；第五步：将模拟光子能量沉积到对应的探测器中，并判断沉积的光子路径数量是否满足预设的光子路径数量，若是，则结束操作，否则返回第二步。

【技术特征摘要】
1.一种基于任务驱动的蒙特卡洛散射光子模拟方法，其特征在于：具体步骤如下：第一步：对光子散射参数进行预设和初始化，生成一条原始光子路径；第二步：采用均匀抽样算法和随机游走抽样算法对散射点进行位置抽样，产生一条模拟光子路径；第三步：比对原始光子路径和模拟光子路径的概率；第四步：应用路径抽样算法对模拟光子路径进行自动抽样；第五步：将模拟光子能量沉积到对应的探测器中，并判断沉积的光子路径数量是否满足预设的光子路径数量，若是，则结束操作，否则返回第二步。2.根据权利要求1所述的一种基于任务驱动的蒙特卡洛散射光子模拟方法，其特征在于：光子散射的参数包括光子散射能量、类型、阶数、路径概率和光子路径数量，且光子散射路径的总概率为所有片段中每一个片段概率的乘积。3.根据权利要求2所述的一种基于任务驱动的蒙特卡洛散射光子模拟方法，其特征在于：第三步光子路径概率的算法具体如下：设光子从源点至dA探测器像素中，历经A1、…、Ai、…、AN的N个散射点的散射作用，经过N+1个片段，每一个片段记为lk(k＝1,2,…,N+1)，对应片段的长度为sk，散射点Ai对应瑞利散射和康普顿散射中的任意一种散射类型Tj(j＝1或2)，T1为瑞利散射，T2为康普顿散射，散射点Ai在xi位置发生康普顿散射或瑞利散射的线性衰减系数为散射点Ai在xi位置发生康普顿散射和瑞利散射的总线性衰减系数为μ(xi)；当k＝1时，光子经过初始片段l1的概率函数P1的求解方法如下：其中，s1为片段l1的长度，光子分布的方向概率函数F(x)，根据郎伯比尔定律，光子到达x1点的概率函数为光子在x1点发生Tj类型的散射作用的概率函数为累乘三种概率函数即为初始片段l1的概率函数，如式(1)所示；当1＜k≤N时，光子经过中间片段l2～lN中的任意一个片段的概率函数如下：其中，为Ai、Ai+1两点所成直线方向的散射微分截面系数，且Tm∈Tj，光子从散射点Ai运动到Ai+1且发生Tj类型相互作用的概率为当k＝N+1时，光子经过结尾片段lN+1的概率函数PN+1的求解方法如下：其中，α为lN+1片段的输运方向和探测器的法线方向夹角，光子在AN点发生散射偏转到dA探测器元的微分散射截面系数为探测器像素dA单位元对应AN点的立体角为光子从AN到达探测器dA位置的概率为光子完整路径的总概率函数如下所示：4.根据权利要求3所述的一种基于任务驱动的蒙特卡洛散射光子模拟方法，其...

【专利技术属性】
技术研发人员：徐圆，陈宇思，周凌宏，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：广东,44