射线辐射剂量的预测方法、装置、电子装置和存储介质

摘要

本申请涉及一种射线辐射剂量的预测方法、装置、电子装置和存储介质，该方法包括：获取目标场景内核医学诊断设备当前所对应的影响因子参数；对影响因子参数进行归一化处理，生成影响因子数据集；利用预训练的射线辐射当量预测模型对影响因子数据集进行处理，得到与影响因子数据集所对应的射线空气吸收率预测值，射线辐射当量预测模型是根据样本影响因子数据集和与样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络；基于射线空气吸收率预测值，确定目标场景当前对应的射线辐射剂量当量。通过本申请，解决了采用辐射剂量当量率监测仪监测射线空气吸收率存在辐射危险且无法实时监测的问题。

权利要求

1.一种射线辐射剂量的预测方法，其特征在于，包括：

获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，所述影响因子参数包括多种影响射线空气吸收率的影响因子；

对所述影响因子参数进行归一化处理，生成影响因子数据集；

利用预训练的射线辐射当量预测模型对所述影响因子数据集进行处理，得到与所述影响因子数据集所对应的射线空气吸收率预测值，其中，所述射线辐射当量预测模型是根据样本影响因子数据集和与所述样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，所述样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的；

基于所述射线空气吸收率预测值，确定所述目标场景当前对应的射线辐射剂量当量；

在确定所述目标场景当前对应的射线辐射剂量当量之后，所述方法还包括：

判断所述目标场景当前对应的射线辐射剂量当量是否大于预设辐射剂量阈值；

在判断到所述目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值的情况下，基于生成的预警信号进行风险预警；

在判断到所述目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值之后，所述方法还包括：获取在当前时间之后的预设时间内的多个第一影响因子数据集，其中，每个第一影响因子数据集包括与对应的所述目标场景对应的多个归一化因子参数，所述归一化因子参数是对每个所述影响因子进行归一化处理所生成的；

对多个第一影响因子数据集所对应的所有所述归一化因子参数进行斯皮尔曼相关性分析，得到分析结果，其中，所述分析结果包括每个所述归一化因子参数对应的斯皮尔曼相关系数；

基于所述归一化因子参数对应的所述斯皮尔曼相关系数，在所述多个所述归一化因子参数中，按所述斯皮尔曼相关系数由大到小顺序选择至少一个所述归一化因子参数，得到目标归一化因子参数，其中，所述目标归一化因子参数表征使所述目标场景当前对应的射线辐射剂量大于所述预设辐射剂量阈值的归一化因子参数；

根据所述目标归一化因子参数所对应的所述影响因子，对所述核医学诊断设备进行辐射剂量调整。

2.根据权利要求1所述的方法，其特征在于，基于所述射线空气吸收率预测值，确定所述目标场景当前对应的射线辐射剂量当量，包括：获取第一预设剂量当量参数表，其中，所述第一预设剂量当量参数表包括射线空气吸收率、射线辐射剂量当量及所述射线空气吸收率与所述射线辐射剂量当量两者之间的对应关系信息；

在所述第一预设剂量当量参数表中，查询所述射线空气吸收率预测值所对应的目标射线辐射剂量当量，确定所述目标场景当前对应的射线辐射当量为所述目标射线辐射剂量当量。

3.根据权利要求1所述的方法，其特征在于，在所述多个所述归一化因子参数中，按所述斯皮尔曼相关系数由大到小顺序选择至少一个所述归一化因子参数，得到目标归一化因子参数，包括：将所述斯皮尔曼相关系数最大的所述归一化因子参数作为所述目标归一化因子参数。

4.根据权利要求1所述的方法，其特征在于，对多个第一影响因子数据集所对应的所有所述归一化因子参数进行斯皮尔曼相关性分析，包括：按如下公式计算所述归一化因子参数对应的斯皮尔曼相关系数：

其中，Sn为斯皮尔曼相关系数，N为第一影响因子数据集的个数，xi为归一化因子参数x，为N个第一影响因子数据集中x所对应的均值，yi为一个第一影响因子数据集对应的射线空气吸收率y，为N个第一影响因子数据集中y所对应的均值。

5.根据权利要求1所述的方法，其特征在于，

在所述目标场景对应的场地为核医学诊断室内时，所述影响因子至少包括以下其中两项：核医学诊断设备当前的工作功率P、管电流I、核医学诊断室内空气湿度W、预设监测点与核医学诊断设备的间距D、当前环境温度T；

在所述目标场景对应的场地为核医学诊断室外时，所述影响因子包括核医学诊断室所对应的密封度Q0和以下其中至少两项：核医学诊断设备当前的工作功率P、管电压V、管电流I、核医学诊断室内空气湿度W、预设监测点与核医学诊断设备的间距D、当前环境温度T，其中，所述密封度Q0采用如下测量换风风扇的漏风量的测试方法测量：

Q0＝f*(Q1+Q2)

其中，Q0为核医学诊断室的密封度，表征核医学诊断室对应的换风风扇对外的总漏风量，f为安全系数，Q1为换风风扇的叶片上端漏风量，Q2为换风风扇的叶片下端漏风量，S为换风风扇的叶片全关时的间隙总面积，g为常数，P1为叶片上端风压，P2为叶片下端风压，P3为密封风压，r为风密度。

6.根据权利要求1所述的方法，其特征在于，训练所述射线辐射当量预测模型，包括：

采集目标场景所对应的样本影响因子参数，并对样本影响因子参数进行数据处理，得到样本影响因子数据集，其中，所述数据处理包括归一化处理和斯皮尔曼相关分析；

将所述样本影响因子数据集输入至待训练的深度学习模型进行训练，得到第一射线空气吸收率预测值，其中，所述待训练的深度学习模型包括输入层、隐藏层和输出层，所述隐藏层包括全连接层和多个高斯层，所述输入层和所述输出层的节点数为一个，所述全连接层和每个所述高斯层的节点数为多个，所述输入层的神经元采用S型变换函数；

根据预设损失函数，计算所述第一射线空气吸收率预测值与对应的射线空气吸收率实测值之间的损失值；

在所述损失值小于学习率阈值的情况下，对所述待训练的深度学习模型进行收敛，得到所述射线辐射当量预测模型。

7.根据权利要求6所述的方法，其特征在于，所述S型变换函数为：f(x)＝1/(1+e^‑X)，其中，‑X为幂数；

所述预设损失函数的计算公式如下：

其中，loss为损失值，N为样本影响因子数据集对应的样本影响因子参数中样本影响因子的个数，Xi为射线空气吸收率实测值，Xi’为第一射线空气吸收率预测值。

8.一种射线辐射剂量的预测装置，其特征在于，包括：

获取模块，用于获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，所述影响因子参数包括多种影响射线空气吸收率的影响因子；

处理模块，用于对所述影响因子参数进行归一化处理，生成影响因子数据集；

预测模块，用于利用预训练的射线辐射当量预测模型对所述影响因子数据集进行处理，得到与所述影响因子数据集所对应的射线空气吸收率预测值，其中，所述射线辐射当量预测模型是根据样本影响因子数据集和与所述样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，所述样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的；

确定模块，用于基于所述射线空气吸收率预测值，确定所述目标场景当前对应的射线辐射剂量当量；其中，在确定所述目标场景当前对应的射线辐射剂量当量之后，所述射线辐射剂量的预测装置还用于判断所述目标场景当前对应的射线辐射剂量当量是否大于预设辐射剂量阈值；在判断到所述目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值的情况下，基于生成的预警信号进行风险预警；以及在判断到所述目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值之后，获取在当前时间之后的预设时间内的多个第一影响因子数据集，其中，每个第一影响因子数据集包括与对应的所述目标场景对应的多个归一化因子参数，所述归一化因子参数是对每个所述影响因子进行归一化处理所生成的；对多个第一影响因子数据集所对应的所有所述归一化因子参数进行斯皮尔曼相关性分析，得到分析结果，其中，所述分析结果包括每个所述归一化因子参数对应的斯皮尔曼相关系数；基于所述归一化因子参数对应的所述斯皮尔曼相关系数，在所述多个所述归一化因子参数中，按所述斯皮尔曼相关系数由大到小顺序选择至少一个所述归一化因子参数，得到目标归一化因子参数，其中，所述目标归一化因子参数表征使所述目标场景当前对应的射线辐射剂量大于所述预设辐射剂量阈值的归一化因子参数；根据所述目标归一化因子参数所对应的所述影响因子，对所述核医学诊断设备进行辐射剂量调整。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的射线辐射剂量的预测方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的射线辐射剂量的预测方法。

说明书

射线辐射剂量的预测方法、装置、电子装置和存储介质

技术领域

[0001] 本申请涉及辐射剂量检测技术领域，特别是涉及射线辐射剂量的预测方法、装置、电子装置和存储介质。

背景技术

[0002] 放射性射线在医疗、工业探伤、工业辐照、辐照育种、安全监测等多领域中被广泛运用，同时，由放射性射线所带来的放射安全问题也日益增多，因此，对此类的职业性放射的防护要求也随之提高。在相关技术中，公众接受最多的放射来源是医用放射，因而，核医学科X‑γ射线诊断放射诊断医疗的剂量水平也一直是大家关注的重点，在对放射工作医务人员进行长期的个人剂量监测和职业病放射卫生体检的同时，还对患者的个人放射性剂量进行管控，籍以合理地使用放射医疗诊断为公众健康服务，并有效地保护放射工作医务人员和受检患者，减少医疗照射所致辐射剂量。

[0003] 在医用放射应用场景中，常用的核医学科X‑γ射线诊断设备有：直线加速器、X光机、DR、CT、C臂机，在采用上述核医学诊断设备进行核医学科X‑γ射线诊断的过程中，为减少辐射对人体造成的伤害，相关技术中，会对核医学科X‑γ射线诊断设备周边的核医学科X‑γ射线空气吸收率进行预测，并随时进行核医学科X‑γ射线空气吸收率监控，如：通过X、γ辐射剂量当量率监测仪器，结合《电离辐射防护与辐射源安全基本标准（GB18871‑2002）》、《辐射环境监测技术规范（HJ/T61‑2001）》、《环境地表γ辐射剂量率测定规范（GB/T14583‑93）》进行布点现场人员监测。

[0004] 相关技术中，上述对射线辐射剂量当量的监测需要检测人员手持X‑γ辐射剂量当量率监测仪到监测点实施监测，当X‑γ辐射剂量超标时，即使监测出结果，但仍然会对人体造成巨大的伤害；同时，上述监测方式是间歇性的，无法做到实时的X‑γ辐射剂量的实时监测。

[0005] 目前针对相关技术中采用辐射剂量当量率监测仪监测射线空气吸收率存在辐射危险且无法实时监测的问题，尚未提出有效的解决方案。

发明内容

[0006] 本申请实施例提供了一种射线辐射剂量的预测方法、装置、电子装置和存储介质，以至少解决相关技术中采用辐射剂量当量率监测仪监测射线空气吸收率存在辐射危险且无法实时监测的问题。

[0007] 第一方面，在本实施例中提供了一种射线辐射剂量的预测方法，包括：获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，所述影响因子参数包括多种影响射线空气吸收率的影响因子；对所述影响因子参数进行归一化处理，生成影响因子数据集；利用预训练的射线辐射当量预测模型对所述影响因子数据集进行处理，得到与所述影响因子数据集所对应的射线空气吸收率预测值，其中，所述射线辐射当量预测模型是根据样本影响因子数据集和与所述样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，所述样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的；基于所述射线空气吸收率预测值，确定所述目标场景当前对应的射线辐射剂量当量。

[0008] 第二方面，本申请实施例提供了一种射线辐射剂量的预测装置，包括：

[0009] 获取模块，用于获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，所述影响因子参数包括多种影响射线空气吸收率的影响因子；

[0010] 处理模块，用于对所述影响因子参数进行归一化处理，生成影响因子数据集；

[0011] 预测模块，用于利用预训练的射线辐射当量预测模型对所述影响因子数据集进行处理，得到与所述影响因子数据集所对应的射线空气吸收率预测值，其中，所述射线辐射当量预测模型是根据样本影响因子数据集和与所述样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，所述样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的；

[0012] 确定模块，用于基于所述射线空气吸收率预测值，确定所述目标场景当前对应的射线辐射剂量当量。

[0013] 第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的射线辐射剂量的预测方法。

[0014] 第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的射线辐射剂量的预测方法。

[0015] 相比于相关技术，本申请实施例提供了一种射线辐射剂量的预测方法、装置、电子装置和存储介质，通过获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，所述影响因子参数包括多种影响射线空气吸收率的影响因子；对所述影响因子参数进行归一化处理，生成影响因子数据集；利用预训练的射线辐射当量预测模型对所述影响因子数据集进行处理，得到与所述影响因子数据集所对应的射线空气吸收率预测值，其中，所述射线辐射当量预测模型是根据样本影响因子数据集和与所述样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，所述样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的；基于所述射线空气吸收率预测值，确定所述目标场景当前对应的射线辐射剂量当量，解决了相关技术中采用辐射剂量当量率监测仪监测射线空气吸收率存在辐射危险且无法实时监测的问题，实现了对核医学诊断室周边的射线空气吸收率的实时预测及预警，避免采用辐射剂量当量率监测仪监测射线空气吸收率会造成的对检测人员健康的伤害、提高射线辐射剂量当量预测准确率的有益效果。

[0016] 本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

[0017] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

[0018] 图1是实施本申请实施例的射线辐射剂量的预测方法的终端的硬件结构框图；

[0019] 图2是根据本申请实施例的射线辐射剂量的预测方法的流程图；

[0020] 图3是根据本申请实施例的射线辐射剂量的预测装置的结构框图。

具体实施方式

[0021] 为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

[0022] 除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

[0023] 本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例，图1是实施本申请实施例的射线辐射剂量的预测方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限定。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

[0024] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的工控系统登录管控方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器
102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0025] 传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

[0026] 本实施例提供了一种运行于上述终端的射线辐射剂量的预测方法，图2是根据本申请实施例的射线辐射剂量的预测方法的流程图，如图2所示，该流程包括如下步骤：

[0027] 步骤S201，获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，影响因子参数包括多种影响射线空气吸收率的影响因子。

[0028] 在本实施例中，在对目标场景（例如：核医学诊断室的室内和室外）当前的射线辐射剂量进行预测时，也就是对位于目标场景内的核医学诊断设备周边的射线辐射剂量进行预测时，则需要基于该核医学诊断设备对应的设备参数（例如：核医学诊断设备的工作功率、管电流、管电流）、核医学诊断室内对应的环境参数（例如：核医学诊断室内的空气湿度、环境温度）以及相关的几何参数（例如：预设的监测点间距核医学诊断设备的距离）等进行采集，所采集的相关参数均为影响目标场景当前的射线辐射剂量的影响因子参数，例如：核医学诊断设备当前的工作功率不同，则对应产生的射线辐射则不同，又例如：在其它影响因子参数一定的情况下，核医学诊断设备所产生的射线被空气吸收的量会因当前环境温度的不同而不同，也就是当前环境温度不同，会造成射线空气吸收率不同；当然，不同的目标场景，对应采集的参数也会不同，例如：当目标场景对应的场地为核医学诊断室外时，此时，由于电离辐射防护的作用，将削弱对应的射线，为精准预测核医学诊断室外的射线辐射，则需要加入辐射防护密封度参数作为影响因子参数，可以理解，不同的防护密封度，造成的核医学诊断室外的射线辐射剂量必然会有所不同。

[0029] 在本实施例中，在目标场景对应的场地为核医学诊断室时，影响因子至少包括以下其中两项：核医学诊断设备当前的工作功率P、管电流I、核医学诊断室内空气湿度W、预设监测点与核医学诊断设备的间距D、当前环境温度T；

[0030] 在目标场景对应的场地为核医学诊断室外时，影响因子包括核医学诊断室所对应的密封度Q0和以下其中至少两项：核医学诊断设备当前的工作功率P、管电压V、管电流I、核医学诊断室内空气湿度W、预设监测点与核医学诊断设备的间距D、当前环境温度T；在本实施例中，密封度Q0采用如下测量换风风扇的漏风量的测试方法测量：

[0031]

[0032] 其中，Q0为核医学诊断室的密封度，表征核医学诊断室对应的换风风扇对外的总漏风量，f为安全系数，Q1为换风风扇的叶片上端漏风量，Q2为换风风扇的叶片下端漏风量，S为换风风扇的叶片全关时的间隙总面积，g为常数，P1为叶片上端风压，P2为叶片下端风压，P3为密封风压，r为风密度。

[0033] 在本实施例中，功率、管电压、管电流这类设备参数，核医学诊断设备在使用时，就会存在对应的参数，通过对应的设备接口，则可以获取到对应的影响因子参数；而核医学诊断室内的空气湿度、环境温度则可以通过温湿度监测仪器采集；预设的监测点间距核医学诊断设备的距离可以用测距仪等或者其他测距的仪器进行采集。

[0034] 需要说明的是，射线辐射剂量常常会以射线空气吸收率进行量化，并且，射线空气吸收率越高，表明核医学诊断设备或诊断室周边的射线辐射剂量越高，对人的伤害会越大。

[0035] 步骤S202，对影响因子参数进行归一化处理，生成影响因子数据集。

[0036] 在本实施例中，在采集了影响因子参数后，则需要对影响因子参数进行数据处理（例如：归一化处理），籍以使多项影响因子参数转换成预设的数据格式，在本申请可选实施方式中，对影响因子参数进行归一化处理，生成以向量矩阵形式承载的影响因子数据集。

[0037] 步骤S203，利用预训练的射线辐射当量预测模型对影响因子数据集进行处理，得到与影响因子数据集所对应的射线空气吸收率预测值，其中，射线辐射当量预测模型是根据样本影响因子数据集和与样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的。

[0038] 在本实施例中，采用基于深度学习神经网络搭建空气吸收率预测算法（air absorptivity prediction algorithm，AAPA），进而获得训练完备的人工神经网络。

[0039] 在本实施例中，预训练的射线辐射当量预测模型进行训练时所采用的训练数据是为：将历史采集的大量影响因子参数作为样本数据，并对完成归一化处理的样本数据进行斯皮尔曼相关性分析，生成对应的斯皮尔曼相关系数后的影响因子数据集；同时，在训练过程中，以当次采集的样本影响因子参数时所采集的射线空气吸收率实测值为训练的目标，从而进行学习率调整，直至收敛，从而得到射线辐射当量预测模型；在本实施例中，在训练对应的预测模型过程中，进行斯皮尔曼相关性分析是为了生成表征某项影响因子参数对射线空气吸收率的大小影响的程度的斯皮尔曼相关系数，也就是对应的权重值，通过将该权重值引入到射线辐射当量预测模型中，则在进行实际预测时，该项影响因子参数对射线辐射当量的影响程度必然得以呈现，如此，预测出的射线空气吸收率会与实际的射线空气吸收率匹配度高，预测的准确率提高，从而使对应的预警会精准，避免放射工作医务人员及对应的患者造成辐射伤害。

[0040] 在本实施例中，在对当前目标场景下的射线空气吸收率进行预测时，通过将影响因子数据集输入该训练完备的射线辐射当量预测模型，射线辐射当量预测模型的输出对应为表征当前目标场景下的射线辐射剂量的射线空气吸收率。

[0041] 步骤S204，基于射线空气吸收率预测值，确定目标场景当前对应的射线辐射剂量当量。

[0042] 在本实施例中，在预测到目标场景当前对应的射线空气吸收率预测值后，还需要将该表征目标场景中当前的射线辐射剂量程度的射线空气吸收率转换为对应的射线辐射剂量，也就是确定目标场景当前对应的射线辐射剂量当量，并基于转换后得到的射线辐射剂量当量进行防辐射预警；当然，可以理解的是，在其中一些可选实施方式中，也可以直接基于该预测出的射线空气吸收率预测值进行对应的防辐射预警；但因射线空气吸收率常常是对应的辐射剂量当量率监测仪测量对应环境中的辐射剂量当量后进行数据显示的方式，因此，采用转化为目标场景当前对应的射线辐射剂量当量有助于对应的监控设备进行数据匹配而进行防护预警。

[0043] 通过上述步骤S201至步骤S204，采用获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，影响因子参数包括多种影响射线空气吸收率的影响因子；对影响因子参数进行归一化处理，生成影响因子数据集；利用预训练的射线辐射当量预测模型对影响因子数据集进行处理，得到与影响因子数据集所对应的射线空气吸收率预测值，其中，射线辐射当量预测模型是根据样本影响因子数据集和与样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的；基于射线空气吸收率预测值，确定目标场景当前对应的射线辐射剂量当量，解决了相关技术中采用辐射剂量当量率监测仪监测射线空气吸收率存在辐射危险且无法实时监测的问题，实现了对核医学诊断室周边的射线空气吸收率的实时预测及预警，避免采用辐射剂量当量率监测仪监测射线空气吸收率会造成的对检测人员健康的伤害、提高射线辐射剂量当量预测准确率的有益效果。

[0044] 为实现将预测得到的射线空气吸收率预测值转化为对应的射线辐射剂量当量，在其中一些实施例中，步骤S204中的基于射线空气吸收率预测值，确定目标场景当前对应的射线辐射剂量当量，通过如下步骤实现：

[0045] 步骤21、获取第一预设剂量当量参数表，其中，第一预设剂量当量参数表包括射线空气吸收率、射线辐射剂量当量及射线空气吸收率与射线辐射剂量当量两者之间的对应关系信息。

[0046] 在本实施例中，第一预设剂量当量参数表是预先配置的，也可以是对应的辐射剂量当量率监测仪对应的数据对应表。

[0047] 步骤22、在第一预设剂量当量参数表中，查询射线空气吸收率预测值所对应的目标射线辐射剂量当量，确定目标场景当前对应的射线辐射当量包括目标射线辐射剂量当量。

[0048] 通过上述步骤中的获取第一预设剂量当量参数表；在第一预设剂量当量参数表中，查询射线空气吸收率预测值所对应的目标射线辐射剂量当量，确定目标场景当前对应的射线辐射当量包括目标射线辐射剂量当量，实现将预测得到的射线空气吸收率预测值转化为对应的射线辐射剂量当量，籍以方便对应的监控设备或监控系统进行数据匹配，从而提高预警效率。

[0049] 在其中一些实施例中，在确定目标场景当前对应的射线辐射剂量当量之后，还实施如下步骤：

[0050] 步骤31、判断目标场景当前对应的射线辐射剂量当量是否大于预设辐射剂量阈值；

[0051] 步骤32、在判断到目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值的情况下，基于生成的预警信号进行风险预警。

[0052] 在本实施例中，在确定到目标场景当前对应的射线辐射剂量当量后，还进行基于确定的射线辐射剂量当量进行电离辐射预警，进而通过对应的控制操作，使目标场景对应的射线辐射剂量处于安全值范围内，确保相关人员的安全。

[0053] 通过上述步骤中的在确定目标场景当前对应的射线辐射剂量当量之后，判断目标场景当前对应的射线辐射剂量当量是否大于预设辐射剂量阈值；在判断到目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值的情况下，基于生成的预警信号进行风险预警，实现对射线辐射剂量当量的实时监测及预警，确保相关人员的健康安全。

[0054] 在其中一些实施例中，在判断到目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值之后，还实施如下步骤：

[0055] 步骤41、获取在当前时间之后的预设时间内的多个第一影响因子数据集，其中，每个第一影响因子数据集包括与对应的所述目标场景对应的多个归一化因子参数，所述归一化因子参数是对每个所述影响因子进行归一化处理所生成的。

[0056] 在本实施例中，判断到当前的射线辐射剂量当量大于预设辐射剂量阈值时，表面当前的目标场景中的射线辐射是超标，此时，需要进行对应的控制，以降低射线辐射剂量，因此需要找出造成射线辐射剂量当量超标的主要影响因子参数，同时，在此期间，射线辐射剂量当量是超标；在本实施例中，获取到的多个第一影响因子数据集是在进行对应的调控操作之前所采集的数据，同时，也是用于进行射线辐射剂量当量预测对应的影响因子数据集，当然，在本实施例中，预设时间可以是对应的几个数据采集间隔周期，每个数据采集间隔周期内会对应完成一次基于射线辐射当量预测模型预测对应的射线空气吸收率预测值。

[0057] 步骤42、对多个第一影响因子数据集所对应的所有归一化因子参数进行斯皮尔曼相关性分析，得到分析结果，其中，分析结果包括每个归一化因子参数对应的斯皮尔曼相关系数。

[0058] 在本实施例中，通过对第一影响因子数据集所对应所有归一化因子参数进行斯皮尔曼相关性分析，从而找出造成射线辐射剂量当量超标的主要影响因素。

[0059] 需要说明的是，对相关的数据进行斯皮尔曼相关性分析是需要通过大量的数据进行对比，对单一的影响因子数据集进行斯皮尔曼相关性分析是无意义的，因此，在本实施例中，需要获取多个第一影响因子数据集，也就是在判断到当前的射线辐射当量超期之后获取多个第一影响因子数据集；在本实施例中，对多个第一影响因子数据集进行斯皮尔曼相关性分析，能得到每个归一化因子参数对射线辐射当量的影响程度，从而至少找出影响最大的归一化因子参数，并通过对该归一化因子参数进行相关的调整，从而使目标场景下的射线辐射剂量当量降低至安全范围内。

[0060] 步骤43、基于归一化因子参数对应的斯皮尔曼相关系数，在多个归一化因子参数中，按斯皮尔曼相关系数由大到小顺序选择至少一个归一化因子参数，得到目标归一化因子参数，其中，目标归一化因子参数表征使目标场景当前对应的射线辐射剂量大于预设辐射剂量阈值的归一化因子参数。

[0061] 步骤44、根据目标归一化因子参数所对应的影响因子，对核医学诊断设备进行辐射剂量调整。

[0062] 通过上述步骤中的获取在当前时间之后的预设时间内的多个第一影响因子数据集；对多个第一影响因子数据集所对应的所有归一化因子参数进行斯皮尔曼相关性分析，得到分析结果，其中，分析结果包括每个归一化因子参数对应的斯皮尔曼相关系数；基于归一化因子参数对应的斯皮尔曼相关系数，在多个归一化因子参数中，按斯皮尔曼相关系数由大到小顺序选择至少一个归一化因子参数，得到目标归一化因子参数，其中，目标归一化因子参数表征使目标场景当前对应的射线辐射剂量大于预设辐射剂量阈值的归一化因子参数；根据目标归一化因子参数所对应的影响因子，对核医学诊断设备进行辐射剂量调整，实现对造成射线辐射剂量当量超标的主要的影响因子参数，进而基于该影响因子参数指引对应的工作人员进行核医学诊断设备的调整，进一步实现了对核医学诊断室周边的射线空气吸收率的实时预测及预警，避免射线辐射剂量当量超标造成的对检测人员健康的伤害。

[0063] 在其中一些实施例中，步骤43中的在多个归一化因子参数中，按斯皮尔曼相关系数由大到小顺序选择至少一个归一化因子参数，得到目标归一化因子参数，通过如下步骤实现：将斯皮尔曼相关系数最大的归一化因子参数作为目标归一化因子参数。

[0064] 在本实施例中，通过查找对射线辐射剂量当量超标影响最大的归一化因子参数，籍以快速明确造成射线辐射剂量超标的原因，并对应进行调整控制，从而进一步实现了对核医学诊断室周边的射线空气吸收率的实时预测及预警，避免射线辐射剂量当量超标造成的对检测人员健康的伤害。

[0065] 在其中一些实施例中，步骤42中的对多个影响因子数据集所对应的所有归一化因子参数进行斯皮尔曼相关性分析，通过如下步骤实现：

[0066] 按如下公式计算归一化因子参数对应的斯皮尔曼相关系数：

[0067]

[0068] 其中，Sn为斯皮尔曼相关系数，N为影响因子数据集的个数，xi为归一化因子参数x，为N个影响因子数据集中x所对应的均值，yi为一个影响因子数据集对应的射线吸收率y，为N个影响因子数据集中y所对应的均值。

[0069] 在本实施例中，进行斯皮尔曼相关性分析是在完成当前的射线辐射剂量当量预测之后的，也就是通过进行斯皮尔曼相关性分析，以明确造成射线辐射剂量当量超标的原因；需要说明的是，在本申请实施例中进行对射线辐射当量预测模型进行训练过程中，也采用本实施例中的斯皮尔曼相关性分析的方法，以确定样本影响因子数据集中的每项影响因子参数对射线空气吸收率的大小影响的程度，也就是确定对应的斯皮尔曼相关系数，也是对应的权重值，通过将该权重值引入到射线辐射当量预测模型中，则在进行实际预测时，该项影响因子参数对射线辐射当量的影响程度必然得以呈现，如此，预测出的射线空气吸收率会与实际的射线空气吸收率匹配度高，预测的准确率提高。

[0070] 在其中一些实施例中，训练射线辐射当量预测模型，包括如下步骤：

[0071] 步骤51、采集目标场景所对应的样本影响因子参数，并对样本影响因子参数进行数据处理，得到样本影响因子数据集，其中，数据处理包括归一化处理和斯皮尔曼相关分析。

[0072] 在本实施例中，当目标场景对应的场地为核医学诊断室时，样本影响因子参数包括：在采集时刻，核医学诊断设备的工作功率P、管电流I、核医学诊断室内空气湿度W、预设监测点与核医学诊断设备的间距D、当前环境温度T；当目标场景对应的场地为核医学诊断室外时，样本影响因子参数包括：在采集时刻，核医学诊断室所对应的密封度Q0、核医学诊断设备当前的工作功率P、管电压V、管电流I、核医学诊断室内空气湿度W、预设监测点与核医学诊断设备的间距D、当前环境温度T；并且密封度Q0采用如下测量换风风扇的漏风量的测试方法测量：

[0073]

[0074] 其中，Q0为核医学诊断室的密封度，表征核医学诊断室对应的换风风扇对外的总漏风量，f为安全系数，Q1为换风风扇的叶片上端漏风量，Q2为换风风扇的叶片下端漏风量，S为换风风扇的叶片全关时的间隙总面积，g为常数，P1为叶片上端风压，P2为叶片下端风压，P3为密封风压，r为风密度。

[0075] 在本实施例中，按如下公式对每项样本影响因子参数进行斯皮尔曼相关分析，以生成对应的斯皮尔曼相关系数：

[0076]

[0077] 其中，Sn为斯皮尔曼相关系数，N为影响因子数据集的个数，xi为样本影响因子参数x，为N个样本影响因子数据集中x所对应的均值，yi为一个样本影响因子数据集对应采集的射线吸收率y实测值，为N个样本影响因子数据集中y所对应的均值。

[0078] 步骤52、将样本影响因子数据集输入至待训练的深度学习模型进行训练，得到第一射线空气吸收率预测值，其中，待训练的深度学习模型包括输入层、隐藏层和输出层，隐藏层包括全连接层和多个高斯层，输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个，输入层的神经元采用S型变换函数。

[0079] 在本实施例中，S型变换函为：f(x)=1/(1+e^‑X)，其中，‑X为幂数，当目标场景对应的场地为核医学诊断室，x=a*S1*p+b*S2*v+c*S3*I+d*S4*W+e*S5*D+f*S6*T，当目标场景对应的场地为核医学诊断室外时，x=a*S1*p+b*S2*v+c*S3*I+d*S4*W+e*S5*D+f*S6*T+H*QO+Z*K，p表示核医学诊断设备功率，v表示核医学诊断设备的管电压，i表示核医学诊断设备的管电流，W表示核医学诊断室内的空气湿度，D表示预设监测点与核医学诊断设备之间的间距，T表示环境温度，Q0表示核医学诊断室所对应的密封度，K表示核医学诊断室对应的窗材料，S1‑S6分别对应为，H和Z为衰减系数。

[0080] 步骤53、根据预设损失函数，计算第一射线空气吸收率预测值与对应的射线空气吸收率实测值之间的损失值。

[0081] 在本实施例中，预设损失函数的计算公式如下：

[0082]

[0083] 其中，loss为损失值，N为样本影响因子数据集对应的样本影响因子参数中样本影响因子的个数，Xi为射线空气吸收率实测值， 为第一射线空气吸收率预测值。

[0084] 步骤54、在损失值小于学习率阈值的情况下，对待训练的深度学习模型进行收敛，得到射线辐射当量预测模型。

[0085] 本实施例还提供了一种射线辐射剂量的预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

[0086] 图3是根据本申请实施例的射线辐射剂量的预测装置的结构框图，如图3所示，该装置包括：获取模块31、处理模块32、预测模块33和确定模块34，其中，

[0087] 获取模块31，用于获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，影响因子参数包括多种影响射线空气吸收率的影响因子。

[0088] 处理模块32，与获取模块31耦合连接，用于对影响因子参数进行归一化处理，生成影响因子数据集。

[0089] 预测模块33，与处理模块32耦合连接，用于利用预训练的射线辐射当量预测模型对影响因子数据集进行处理，得到与影响因子数据集所对应的射线空气吸收率预测值，其中，射线辐射当量预测模型是根据样本影响因子数据集和与样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的。

[0090] 确定模块34，与预测模块33耦合连接，用于基于射线空气吸收率预测值，确定目标场景当前对应的射线辐射剂量当量。

[0091] 通过本实施例中的射线辐射剂量的预测装置，采用获取目标场景内核医学诊断设备当前所对应的影响因子参数，其中，影响因子参数包括多种影响射线空气吸收率的影响因子；对影响因子参数进行归一化处理，生成影响因子数据集；利用预训练的射线辐射当量预测模型对影响因子数据集进行处理，得到与影响因子数据集所对应的射线空气吸收率预测值，其中，射线辐射当量预测模型是根据样本影响因子数据集和与样本影响因子数据集对应的射线空气吸收率实测值训练得到的人工神经网络，样本影响因子数据集是对采集的样本影响因子参数进行归一化处理和斯皮尔曼相关性分析所生成的；基于射线空气吸收率预测值，确定目标场景当前对应的射线辐射剂量当量，解决了相关技术中采用辐射剂量当量率监测仪监测射线空气吸收率存在辐射危险且无法实时监测的问题，实现了对核医学诊断室周边的射线空气吸收率的实时预测及预警，避免采用辐射剂量当量率监测仪监测射线空气吸收率会造成的对检测人员健康的伤害、提高射线辐射剂量当量预测准确率的有益效果。

[0092] 在其中一些实施例中，该确定模块34进一步包括：

[0093] 第一获取单元，用于获取第一预设剂量当量参数表，其中，第一预设剂量当量参数表包括射线空气吸收率、射线辐射剂量当量及射线空气吸收率与射线辐射剂量当量两者之间的对应关系信息。

[0094] 第一查询单元，与第一获取单元耦合连接，用于在第一预设剂量当量参数表中，查询射线空气吸收率预测值所对应的目标射线辐射剂量当量，确定目标场景当前对应的射线辐射当量包括目标射线辐射剂量当量。

[0095] 在其中一些实施例中，在确定目标场景当前对应的射线辐射剂量当量之后，该射线辐射剂量的预测装置还用于判断目标场景当前对应的射线辐射剂量当量是否大于预设辐射剂量阈值；在判断到目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值的情况下，基于生成的预警信号进行风险预警。

[0096] 在其中一些实施例中，在射线辐射剂量的预测装置判断到目标场景当前对应的射线辐射剂量当量大于预设辐射剂量阈值之后，该射线辐射剂量的预测装置还用于获取在当前时间之后的预设时间内的多个第一影响因子数据集，其中，每个第一影响因子数据集包括与对应的目标场景对应的多个归一化因子参数，归一化因子参数是对每个影响因子进行归一化处理所生成的；对多个第一影响因子数据集所对应的所有归一化因子参数进行斯皮尔曼相关性分析，得到分析结果，其中，分析结果包括每个归一化因子参数对应的斯皮尔曼相关系数；基于归一化因子参数对应的斯皮尔曼相关系数，在多个归一化因子参数中，按斯皮尔曼相关系数由大到小顺序选择至少一个归一化因子参数，得到目标归一化因子参数，其中，目标归一化因子参数表征使目标场景当前对应的射线辐射剂量大于预设辐射剂量阈值的归一化因子参数；根据目标归一化因子参数所对应的影响因子，对核医学诊断设备进行辐射剂量调整。

[0097] 在其中一些实施例中，该射线辐射剂量的预测装置还用于将所述斯皮尔曼相关系数最大的所述归一化因子参数作为所述目标归一化因子参数。

[0098] 在其中一些实施例中，该射线辐射剂量的预测装置还用于按如下公式计算所述归一化因子参数对应的斯皮尔曼相关系数：

[0099]

[0100] 其中，Sn为斯皮尔曼相关系数，N为影响因子数据集的个数，xi为归一化因子参数x，为N个影响因子数据集中x所对应的均值，yi为一个影响因子数据集对应的射线吸收率y，为N个影响因子数据集中y所对应的均值。

[0101] 在其中一些实施例中，该预测模块33采用按如下方式训练的射线辐射当量预测模型对影响因子数据进行处理：采集目标场景所对应的样本影响因子参数，并对样本影响因子参数进行数据处理，得到样本影响因子数据集，其中，数据处理包括归一化处理和斯皮尔曼相关分析；将样本影响因子数据集输入至待训练的深度学习模型进行训练，得到第一射线空气吸收率预测值，其中，待训练的深度学习模型包括输入层、隐藏层和输出层，隐藏层包括全连接层和多个高斯层，输入层和输出层的节点数为一个，全连接层和每个高斯层的节点数为多个，输入层的神经元采用S型变换函数；根据预设损失函数，计算第一射线空气吸收率预测值与对应的射线空气吸收率实测值之间的损失值；在损失值小于学习率阈值的情况下，对待训练的深度学习模型进行收敛，得到射线辐射当量预测模型。

[0102] 在本实施例中，S型变换函为：f(x)=1/(1+e^‑X)，其中，‑X为幂数；预设损失函数的计算公式如下：

[0103]

[0104] 其中，loss为损失值，N为样本影响因子数据集对应的样本影响因子参数中样本影响因子的个数，Xi为射线空气吸收率实测值， 为第一射线空气吸收率预测值。

[0105] 需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

[0106] 本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

[0107] 可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

[0108] 可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

[0109] S1，获取目标场景内核医学诊断设备当前所对应的影响因子参数。

[0110] S2，对影响因子参数进行归一化处理，生成影响因子数据集。

[0111] S3，利用预训练的射线辐射当量预测模型对影响因子数据集进行处理，得到与影响因子数据集所对应的射线空气吸收率预测值。

[0112] S4，基于射线空气吸收率预测值，确定目标场景当前对应的射线辐射剂量当量。

[0113] 需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

[0114] 另外，结合上述实施例中的射线辐射剂量的预测方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种应用程序图标显示位置的编排方法。

[0115] 本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0116] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。