用于核成像中增加空间分辨率的基于机器学习的闪烁体响应建模的制作方法

测量装置的制造及其应用技术1.本发明涉及支持核成像的系统、核成像布置、用于训练用于支持核成像的机器学习部件的系统、用于支持核成像的方法、训练用于核成像的机器学习部件的方法、生成用于训练用于核成像的机器学习部件的训练数据的方法、计算机程序单元、以及计算机可读介质。背景技术：2.正电子发射成像(pet)旨在高分辨率和高灵敏度，这两者定义了诊断准确度和临床价值。pet闪烁体上的第一相互作用点发生在何处的问题与准确的高分辨率pet重建相关。3.尽管闪烁体材料的设计(如晶体间距(对于非单片晶体)和晶体长度)限定了pet系统的理论上可实现的空间分辨率，但是晶体中的其他次级效应(如康普顿和瑞利散射)对pet空间分辨率具有负面影响。技术实现要素：4.因此，可能需要改进核成像。5.本发明的目的通过独立权利要求的主题来解决，其中，另外的实施例被并入在从属权利要求中。应当注意，本发明的以下描述的方面同样适用于核成像布置、用于训练用于支持核成像的机器学习部件的系统、用于支持核成像的方法、训练用于核成像的机器学习部件的方法、生成用于训练用于核成像的机器学习部件的训练数据的方法、计算机程序单元、以及计算机可读介质。6.根据本发明的第一方面，提供了一种用于支持核成像的系统，包括：7.输入接口，其用于接收表示伽马辐射与核成像装置的像素化闪烁体的相互作用的事件数据；8.预训练的机器学习部件，其用于估计针对所述事件的点扩散函数(“psf”)；以及9.输出接口，其用于输出所述psf的表示。10.根据一个实施例，所述系统包括重建模块，所述重建模块可操作于实施重建算法以根据多个这样的事件数据及其估计的psf来重建发射图像。11.根据一个实施例，所述预训练的机器学习部件包括神经网络模型。12.根据一个实施例，所述事件数据包括表示伽马辐射的闪烁体内相互作用的一个或多个可观察量的实例。可观察量可以包括用于响应探测器元件的位置数据，或相应的能量沉积测量结果的列表，或从这种可观察量导出的函数，诸如平均或其他量。任选地，事件数据还可以包括描述对中的每个伽马的撞击方向的入射角数据。优选地，事件数据涉及一对伽马，每个伽马由其自己的一组可观察量描述。优选地，计算两个psf，一对符合伽马中的每个伽马一个psf。(一个或多个)事件数据的每个实例可以组合描述两个伽马，每个数据涉及伽马中的一个，并且事件数据是一个接一个地单独获得和处理的。13.根据一个实施例，psf表示是2维或3维的。3d表示允许实现甚至更高的空间分辨率，特别是结合飞行时间细化。14.根据一个实施例，所述重建算法包括基于psf的响应管建模。15.如本文提出的方法允许快速且节省存储器的计算来估计每个探测事件的pet探测器响应函数psf。如在事件数据中捕获的探测事件描述了单个伽马光子与闪烁体晶体相互作用。在实施例中，深度神经网络被训练为将psf预测为针对两个符合511kev伽玛光子(“(一个或多个)伽玛”)中的每个的伽玛光子在闪烁体晶体内或与闪烁体晶体的第一相互作用的位置的2d或3d概率分布。16.psf估计基于包括事件数据的输入信息。事件数据包括空间/位置数据，并且还可以包括角度数据。位置数据包括如由核成像器的探测器单元的探测器元件探测到的能量沉积的位置。角度数据测量伽马的撞击方向。角度数据可以从可观察数据或其函数(预先)计算。17.在实施例中，可观察量或其函数可以包括最可能的晶体索引，作为对相应伽马的第一相互作用的位置的估计。该估计可以由anger逻辑或单个处理系统或任何其他位置解析器提供。然而，优选地，可观察数据可以更详细，诸如向量，例如探测器响应的列表，或具有对应的能量沉积或等效权重的晶体索引的列表，其全部属于单个伽马事件。可观察数据甚至可以是具有指示响应的所有探测器元件的位置的条目的矩阵，可能利用如由相应探测器元件探测到的相应能量值来增强。通常，对于对的两个符合伽马中的每个，可观察数据包括由所述伽马激活的探测器元件的表示。通常，如本文设想的可观察数据或其函数可以包括由相同伽马触发的探测器元件响应的任何数据表示。角度数据包括每个符合探测到的伽马的入射角。18.在实施例中，psf是概率分布或由概率分布表示。具体地，在给定可观察量的实例的情况下，psf可以被表示为针对第一伽马闪烁体相互作用的位置的条件概率分布的估计。使用如本文计算的psf允许对响应管的更准确建模和/或对由闪烁体材料(诸如晶体)中的散射相互作用引入的模糊伪影的校正。具体地，所提出的方法允许具有改进的空间分辨率的更好的发射图像重建，尽管闪烁体中的不利散射效应倾向于降低空间分辨率，特别是在具有小晶体间距和/或若干“相互作用深度”(doi)层的晶体构造中。19.所提出的机器学习方法能够考虑由于需要考虑的大量参数(即，探测器几何结构、患者衰减)而导致的复杂性。另外，与例如特别是针对本文主要设想的像素化闪烁体的查找表相比，可以以更低的存储器空间要求有效地节省经训练的机器学习部件。20.在另一方面中，提供了一种核成像布置，包括：21.根据上述实施例中的任一个的系统；以及22.核成像装置。23.在另一方面中，提供了一种用于训练用于支持核成像的机器学习部件的系统，包括：24.输入接口，其用于接收表示与像素化闪烁体中的闪烁体材料的伽马辐射相互作用的训练输入事件数据；25.测试器，其用于将所述训练输入事件数据应用于机器学习模型以获得训练输出数据；26.更新器，其被配置为基于所述训练输出数据和与所述输入事件数据相关联的目标之间的偏差来更新所述模型的一个或多个参数，所述目标表示预期的psf。27.在实施例中，所述训练输入事件数据是先前基于测量或模拟获得的。28.在实施例中，所述模拟基于蒙特卡罗模拟算法。29.在另一方面中，提供了一种用于支持核成像的方法，包括：30.接收表示伽马辐射与核成像装置的像素化闪烁体的相互作用的事件数据；31.基于预训练的机器学习部件来估计针对所述事件的点扩散函数psf；32.输出所述psf的表示。33.在另一方面中，提供了一种训练用于支持核成像的机器学习部件的方法，包括：34.接收表示与像素化闪烁体材料的伽马辐射相互作用的训练输入事件数据；35.将所述训练输入事件数据应用于机器学习模型以获得训练输出数据；36.基于所述训练输出数据和与所述输入事件数据相关联的目标之间的偏差来调节所述模型的一个或多个参数，所述目标表示预期的psf。37.在另一方面中，提供了一种生成用于训练用于支持核成像的机器学习部件的训练数据的方法，包括：38.模拟伽玛光子与晶体相互作用，以针对第一伽玛光子与晶体相互作用的一组规定位置获得可观察量的一个或多个实例；并且39.基于所述实例中的给定一个实例并且基于所述规定位置的计数来估计所述可观察实例中的给定一个可观察实例的psf的表示。40.具体地，基于所述实例中的给定一个实例，估计所述规定位置的分布，以获得针对所述实例中的所述给定一个实例的psf的表示。41.针对每个规定位置运行多次模拟。因此，给定的可观察量可以发生多次，并且对该次数进行计数以获得针对分布的估计。psf是鉴于可观察量的实例的位置的条件概率分布的估计。42.在另一方面中，提供了一种计算机程序单元，其当由至少一个处理单元运行时适于使所述处理单元执行根据上述方面或实施例中的任一个的方法。43.在另一方面中，提供了一种至少一种计算机可读介质，在其上存储有所述程序单元。44.通常，“机器学习部件”是实施“机器学习”(“ml”)算法或促进“机器学习”(“ml”)算法的实施的计算机化布置。机器学习算法可以基于ml“模型”，但是本文还设想了基于实例的学习。ml基于处理训练数据。在基于训练数据的学习中，ml部件被配置为执行任务。在ml算法中，在向该布置提供越来越多的训练数据之后，任务性能可测量地改进。基于训练数据来调整模型。当向训练模型馈送测试数据时，可以通过客观测试来对性能进行测量。可以通过要求针对给定测试数据实现一定的错误率来定义性能。参见t.m.mitchell的“machine learning”(第2页、第1.1部分、mcgraw-hill(1997年))。本文中主要感兴趣的任务是每个事件数据的点扩散函数的估计。附图说明45.现在将参考未按比例的以下附图描述本发明的示例性实施例，其中：46.图1示出了核成像布置的示意性框图；47.图2示出了用于支持核成像的系统的框图；48.图3是支持核成像的方法的流程图；49.图4示出了训练在用于支持核成像的系统中使用的机器学习部件的方法的示意性框图；并且50.图5示出了训练在核成像支持中使用的机器学习部件的方法和生成训练数据的方法的流程图。具体实施方式51.参考图1，示出了核医学成像布置nir的示意性框图。52.布置nir包括核成像装置nia和数据处理部分dps。广义地，核成像装置nia将可以在数据处理部分dps中处理的发射投影影像λ输出到发射影像iem中，所述发射影像iem可以被存储在诸如his中的pacs或任何其他存储器db的数据库中。发射影像可以在显示设备dd上可视化或可以以其他方式被处理。可以通过有线或无线连接将发射投影数据λ从成像装置nia提供给数据处理部分dps。53.现在更详细地解释核成像装置nia的操作，现在参考pet成像器。然而，本文还设想了其他核或发射成像模态，诸如spect或平面闪烁扫描，并且本文要描述的原理也适用于这样的其他发射成像模态。54.pet成像器nia通常但不一定与mri成像器或计算机断层摄影扫描器ct串联布置。mri或ct提供关于解剖结构的结构信息，而pet成像器提供功能信息，包括例如器官活动。55.广义地，pet成像器nia包括机架，在所述机架中，环形探测器单元d布置在中空检查区域a周围。环形探测器单元d包括环形闪烁体sc。在成像之前，将放射性示踪物质施用于患者pat。该物质包括合适的放射性核素。所施用的物质分布在患者身体内，并且使患者躺在检查台tb上。其上具有患者pat的台tb然后滑动到检查区域中(如图1中的侧视图所示)，使得至少感兴趣解剖结构(roi)现在被闪烁体sc环完全包围。患者pat的纵轴与成像通路z对准，成像通路z垂直地延伸到图1的绘图平面中。56.闪烁体环sc(其中可以存在沿着z轴一个接一个地布置的多于一个闪烁体环sc)实质上是伽马相机。更详细地，所施用和累积的放射性核素在一定量的时间之后崩解以产生衰变事件。该衰变事件导致正电子被发射。正电子在其产生之后通常行进短距离，并且然后与周围的患者组织相互作用。更具体地，正电子在特定位置处与在患者组织中遇到的电子碰撞。该碰撞导致所述住院位置处的湮灭事件ae。两个碰撞基本粒子(正电子和电子)的湮灭继而产生一对γ光子，在本文中称为γ1、γ2或“伽马(gamma)”、或针对任一个的“伽马(gamma)”。已知这些γ光子具有511kev的限定能量值。每对的γ光子在180°处的相反的方向上从产生部位ae朝向闪烁体环sc的不同的、直径上定位的部分行进，并且然后入射在其上。闪烁体环包括连续布置在环中的晶体块。每个晶体块具有两个表面。一个表面(近侧表面)面向检查区域a的中心并因此面向患者，而另一个表面(远侧表面)与其相对并背向在环sc的外部。57.远侧闪烁体表面被耦合到一堆光电二极管phd，如插图1a中所示。图1a表示探测器d的数据采集部分daq的一部分的特写。晶体块可以被构造成晶体部件c1、c2以形成像素化晶体设计。因此，近侧表面由每个晶体部件的面向内的表面部分的矩阵构成，并且块的远侧表面由相对的面向外的表面部分的类似矩阵形成。在实施例中，晶体部件是多个细长结构，有时被称为针，其具有横截面为约4×4mm2的近侧面向内的部分，并且针的长度为约30mm，其中，长度径向延伸。也设想其他尺寸，并且没有这种结构的整体块也是如此，但是整体块在本文中不太优选。与整体块相比，像素化闪烁体块跨块具有更均匀的空间分辨率。优选地，当如此像素化时，在图1a的插图中的横截面中示出的那些晶体针c1、c2中的每个在其面向外的远侧表面部分处耦合到对应的光电二极管ph1、ph2。因此，在实施例中，在晶体针和“其”光电二极管之间可以存在一对一的空间对应关系。晶体元件c1、c2与其空间上相关联的一个或多个光电二极管ph1、ph2一起在本文中可以被称为“探测器元件”。光电二极管ph1、ph2耦合到另外的电路，诸如位置解析器pr电路和定时电路tc，这两者将在下面进一步更详细地讨论。58.现在首先更详细地返回参考γ光子，如所述，这些入射在闪烁体环sc的直径上相对的晶体块的相应近侧表面上，如图1中示意性地示出的。每个伽马光子入射在给定晶体元件(比如c1)的某个表面部分(即像素)上，并且然后在块的晶体结构内相互作用，以引起由于吸收(例如光电效应)和/或康普顿和其他散射效应(诸如瑞利散射)的一连串其他相互作用。相互作用导致晶体中的能量沉积。59.通常，相互作用在空间上不限于最初由入射γ光子在p处击中的晶体元件。更确切地说，相互作用“溢出”到其他晶体元件c2、相邻的晶体元件中并且可能超出晶体元件，从而导致晶体块释放闪光云，每个相互作用或能量沉积一个闪光云。每次闪光对应于可见光子。换句话说，晶体闪烁体结构sc充当换能器，以由于与晶体的相互作用而将γ光子转换成可见光子云。光学光子由耦合到受影响的晶体元件c1、c2的光电二极管ph1、ph2记录。光电二极管ph1、ph2通过输出相关的电信号(诸如电压或电流)而响应于可见光子。由于不产生一个而是多个光学光子的相互作用的上述结构，可以存在产生多个电信号的一组多于一个响应光电二极管ph1、ph2。因此，每个入射伽马可以被认为“激活”某些组的探测器元件。电信号与相应能量沉积的能量成比例。闪烁体环sc中的每个晶体块或更具体地每个晶体元件c1、c2可以由唯一的位置指示符x指示。该位置索引x然后也是探测器元件之一，特别是耦合到相应晶体的光电二极管之一。60.因此，相应组的激活的探测器元件可以由其针对每个伽马的索引(xj)的列表进行表征。每对伽马有两个这样的列表。在本文中，使所述索引(xj)也指代构成激活的探测器元件的有源光电二极管或有源晶体将是方便的。61.现在更详细地参考位置解析器电路pr，这可以包括anger逻辑或单个处理单元等。位置解析器电路pr接收由光电二极管阵列部分phd中的激活的光电二极管探测到的电信号。位置解析器电路pr基于激活的光电二极管的列表提供第一事件发生的索引p的估计x。换言之，x是针对晶体元件c1、c2中的哪一个首先被相应的γ光子击中的(可能粗略的)估计。该估计可以被计算为激活的探测器元件的索引(xi)的平均(诸如如由anger逻辑返回的能量加权均值)、或激活的探测器元件的索引的任何其他函数。将理解，上面已经描述的内容适用于成对光子γ1、γ2两者。换言之，该对中的伽马光子γ1、γ2中的每个被分配如由位置解析器电路pr针对相应的第一相互作用ph1、ph2的位置提供的相应的估计x1、x2。估计的位置x1、x2跨闪烁体环sc的区域a大致直径上定位。62.如从上文将意识到的，一对中的两个伽马光子γ1、γ2中的每个将引起相应的探测事件。探测事件包括由相应的响应光电二极管phd产生的电信号。这两个探测事件需要彼此相关联，使得两个伽马光子γ1、γ2可以被识别为构成由相同的湮灭事件引起的对。该关联是基于时间的并且由定时电路tc完成。在大致相同的时间直到某个时间允许量发生的探测事件由定时电路tc记录为同时发生，并且构成定时电路光子γ1、γ2的探测事件，其构成针对单个湮灭事件的对。一旦被定时电路tc识别为对，则如由位置解析器pr提供的其相应的估计的撞击位置x1、x2然后为每个对构成响应线lor。lor形成连接第一相互作用的两个位置x1、x2的几何线。两个位置x1、x2还确定撞击方向，该撞击方向针对每个伽马可以通过角坐标ф,θ在仰角和方位角方面进行量化。63.因此，数据采集部分daq的输出(即发射投影数据λ)能够被理解为条目的列表，针对每个伽马光子对，一个条目。给定对的每个条目定义lor(“响应线”)。lor可以由针对如由位置解析器pr估计的第一相互作用的相应位置的相应索引x1、x2和表示相应伽马在闪烁体sc的相应近侧向内表面部分上的撞击的方向的角度数据ф,θ来指定。换句话说，每个条目包括连接两个晶体位置x1、x2数据的几何响应线“lor”，还包括相应的方向或角度数据ф1,θ1和ф2,θ2。因此，这些数据项(x1,x2)和(ф1,θ1；ф2,θ2)将被称为位置数据和角度数据。位置数据和角度数据一起定义在本文中将被称为“事件数据”的数据，即，描述γ光子与晶体相互作用的数据。撞击角ф1,θ1和ф2,θ2可以由anger逻辑或singles处理系统计算。计算是相对鲁棒的，因为闪烁体环sc的直径足够大，大约60cm或类似。64.然而，事件数据的上述定义仅仅是根据一个实施例，并且在本文中还设想了用于表示所述事件数据的其他实施例。为了描述所述其他实施例，首先引入相互作用可观察量o可以是有用的。相互作用可观察量o(或简称“可观察量o”)包括标量、向量或矩阵形式、或甚至更高维度的数据。相互作用可观察量o依据可测量数据或其函数来描述晶体中伽马的相互作用。由如上所述的位置解析器pr返回的估计x1、x2是作为激活的探测器元件的索引(xi)的函数的相互作用可观察量o的一个这样的标量实施例。具体地，该实施例中的可观察量o可以是通过对列表(xi)中的索引求平均而获得的单个晶体索引。然而，在优选实施例中，相互作用可观察量o是更高维度的，并且针对每个伽马包括激活的探测器元件的索引(xi)的全部或子集。在实施例中，设想了进一步的改进，其中，相互作用可观察量o包括激活的探测器元件中的能量沉积的局部列表，其可以被写为其中，“e”指代索引xi的晶体中的能量沉积，或换句话说，如由所述索引xi处的相关联的光电二极管探测到的。由于晶体或像素索引可以具有矩阵布局，因此能量值可以被格式化为矩阵，以获得作为相互作用可观察量o的“能量图像”。还可以将列表(xi)本身格式化为矩阵以获得“二值图像”，具有条目“1”或“0”以指示相应的探测器元件对于给定的伽马是否是激活的。通常，相互作用可观察量o可以是由相互作用的(例如吸收的)伽马光子触发的探测器响应的任何表示。65.因此，数据采集部分daq的输出数据(发射投影数据λ)可以依据相互作用可观察量更一般地描述为(o1、o2)和(ф1,θ1；ф2,θ2)。尤其是以上讨论的可观察量的更高维度格式，诸如列表(xi)、二值或能量图像，其在本文中是优选的，因为利用这种类型的可观察量o可以获得具有更高空间分辨率的更准确的图像重建。66.由于入射γ光子与晶体结构的相互作用的方式(其导致所述可见光子云)，可观察量o仅仅是与伽马的真实第一撞击位置p相关的间接测结果。但是第一次相互作用的真实位置p这样一来是未知的。仍然存在附属于第一相互作用p的真实位置的不确定性。67.然后，本文提出将这种不确定性包括到γ与闪烁体相互作用的建模中，并且将这建模为如图1中的虚线所指示的“响应管”tor而不是lor。换言之，所提出的数据处理部分dps包括将投影数据λ中的一些或每个事件数据变换为描述该不确定性的相应点扩散函数(“psf”)的部件pp。psf特别地描述了在γ光子撞击之后在晶体内发生的吸收和散射事件。每对伽马中的每个伽马的每个psf产生该对自己的响应管。68.在本文中提出的是点扩散函数提供器pp，其将如上面描述的pet投影原始数据处理成每个事件数据的点扩散函数(“psf”)表示。psf可以以2d或3d表示。每个事件数据的psf被提供给发射重建单元recon，其将psf并入到发射重建算法中。重建可以例如基于最大似然期望最大化(mlem)、有序子集期望最大化(osem)或滤波反投影(fbp)等。一些重建算法(诸如mlem或osem)迭代地进行。重建单元接收原始投影数据的点扩散函数描述，并且由此计算例如小于5mm或甚至小于1mm的高空间分辨率处的发射图像iem。69.如本文计算的psf表示用于改进重建影像中的空间分辨率的晶体内散射的建模。重建器recon接受针对事件数据的更复杂的表示，其不仅仅是如先前在pet重建中使用的两个直径上定位的晶体之间的lor。如本文中由psf提供器pp计算的psf是第一相互作用的位置的概率分布，并且psf特别地考虑了γ与晶体sc相互作用中涉及的散射过程。下面将更全面地讨论psf。70.现在将参考图2中的框图更详细地描述psf提供器pp的操作。优选地，并且如本文设想的，扩散函数提供器pp包括机器学习部件mlc。机器学习部件可以基于机器学习模型m，诸如神经网络等。机器学习模型m已经如本文设想的那样在训练数据的语料库c上进行预训练，这将在下面在图4和5处更全面地探索。71.现在假设机器学习部件已经基于这样的训练数据被完全训练，部署期间(即训练之后)的操作然后可以被理解如下。72.继续参考图2，现在将针对非限制性实施例解释psf提供器pp的操作，其中，使用可观察量o的函数，诸如由位置解析器pr提供的估计x1、x2。最初地，投影数据λ由pet成像器nia例如以列表模式数据的格式采集，但是在本文中也设想了正弦图模式。对于每个符合事件数据(即γ1和γ2)，可观察数据(诸如晶体堆叠内的位置数据)任选地连同入射角θ1、φ1和θ2、φ2一起由成像器nia的位置解析器pr被计算x1、x2。位置数据和任选地入射角被提供给psf提供器pp。psf提供器pp使用机器学习部件mlc(诸如神经网络)来预测两个psf，psf1和psf2，一个针对γ1，并且一个针对γ2。对于每个伽马对，将对应的psf(psf1、psf2)提供给重建器recon。重建器recon使用psf(psf1、psf2)来计算更准确的响应管建模，这导致(更)高分辨率pet图像iem。73.psf提供器pp的操作的以上描述同样适用于可观察量o的其他实施例，诸如激活的探测器元件的列表或局部能量沉积的列表。74.现在更详细地参考如本文计算和使用的点扩散函数psf，这可以依据条件概率分布来理解。如前所述，(一个或多个)可观察量o仅仅指示晶体中实际探测到的能量沉积，但本身不指示晶体表面上的第一相互作用的真实位置p。然而，其是对于发射影像的高分辨率重建感兴趣的真实伽马撞击位置p的了解。75.第一相互作用p的位置与相互作用可观察量o之间的这种未知关系可以通过如本文设想的概率方法来建模。例如，如本文计算的psf描述了第一相互作用p的空间点事件如何跨多个激活的光电二极管扩散成概率。给定到可观察量o，psf可以被概念化为在晶体的近侧表面上的伽马的第一次相互作用的正确位置p(以及任选地撞击方向(θ,φ))的条件概率分布：[0076][0077]换句话说，可以通过许多不同的可能的p位置(并且任选地具有(θ,φ))以一定概率产生可观察量o的给定实现(诸如激活的探测器元件的观察集合{xi})。该概率通过pfs(1)来描述。[0078]如前所述，在优选实施例中，可观察量o包括一些或所有激活的探测器元件的索引(xi)的列表，在此情况下(1)可以写为：[0079][0080]备选地，可观察量o包括如由所有激活的探测器元件探测到的晶体中的一些或所有局部能量沉积ex1、...exj、...exn，其中，ej是具有索引xj的晶体中的能量沉积：[0081][0082]因此，(1b)是(1)的扩充版本。[0083]在又一备选方案中，在一些实施例中可以要求更简单的描述，并且psf可以被写为：[0084][0085]σ是函数式，诸如以单个数字或比表示可观察量o所需的更少的数字总结可观察量o的统计。因此，函数式σ可以提供可观察量o的更低维度描述、可能的高维度描述。σ可以是索引(xi)的平均、或能量平均加权平均(诸如在anger逻辑中)、与标准偏差一起的平均、或中心索引和定义具有所述中心索引的像素周围的邻域以包括一些、所有或大多数激活的探测器元件的半径。在其他实施例中，∑表示单个处理单元的操作。[0086]在以上(1)(1a、b、c)中，真实位置p可以表示闪烁体sc的近侧表面上的任何像素位置(晶体元件索引)，并且特别地可以假定任何像素位置或像素间位置。[0087]在实施例中，在(1)、(1a、b、c)中可以忽略入射角(θ,φ)，因为可以从对中的伽马的两个可观察量o计算撞击角。换句话说，入射角是伽马对中的两个可观察量o的函数，并且因此由伽马对中的两个可观察量o确定。[0088]第一相互作用p的位置的上述(条件)概率描述(1)、(1a、b、c)导致更准确的重建。这是因为仅仅使用例如如由位置解析器pr提供的估计位置x带来了重建算法(特别是当被配置为迭代地优化目标函数时)可能最终陷入表示错误或不准确结果的局部最小值中的风险。[0089]通过采用概率方法以用于利用所提出的点扩散函数psf的tor建模，发射重建更可能收敛到表示更准确且更现实地考虑观察到的投影图像λ的图像的解。[0090]如本文设想的重建算法可以被公式化为用于改进目标函数的迭代流程。具体地，该流程可以根据成本函数的优化(特别是最小化)来公式化。成本函数测量在迭代期间提供的估计影像与实际观察到的投影测量结果λ多么好匹配。系统矩阵用于将重建影像前向投影到投影域中，并且利用实际测量的投影数据λ来估计该预测的投影。实际测量数据λ与根据系统矩阵的预测投影之间的偏差可以通过成本函数来量化。在迭代中，预测影像适于减小成本函数，该算法因此朝向正确影像收敛。还预期了上述优化的双重公式，其包括效用函数的最大化。[0091]本文设想的发射重建模型允许将针对每个探测事件的上述点扩散函数并入在投影数据λ的列表中。更详细地，迭代发射成像重建算法可以被描述如下(为了简单起见，不包括任何衰减校正)：[0092]λ＝a[fi]ꢀꢀꢀ(2)[0093][0094]λ是列表或帧模式中的发射投影数据[0095]a是描述从图像域到投影域中的前向投影的系统矩阵[0096]fi是要重建的发射图像域中的影像中的第i个体素[0097]g是在迭代i期间更新体素f的更新函数。[0098]g的性质取决于所使用的优化算法。g的实施例包括基于以下数值方法或技术中的任何一种或多种的更新函数：梯度下降、随机梯度方法、共轭梯度、nelder-mead期望最大化(em)、最大似然方法或任何其他方法。[0099]目标是将体素值调节为使得根据(2)||λ-a[fi]||的残差变得足够小，例如下降到预定义阈值以下。[0100]估计的psf可以并入到系统矩阵a中。例如，在实施例中，系统矩阵被变换为a[fi]-》apsf[fi]，其中，条目基于相关事件数据的psf来计算。[0101]重建可以以列表模式或以帧或正弦图模式完成。[0102]在列表模式中，可以通过使用根据相应事件数据的psf采样的不是一个而是多个lor来确定经变换的基于psf的系统矩阵apsf中的条目，以便获得或近似给定条目的tor。在帧或正弦图模式中，事件数据表达为矩阵或“投影图像”，并且感兴趣事件数据的psf然后用于通过使用psf作为卷积运算“*”中的核来对正弦图进行卷积。[0103]系统矩阵aps可以在重建期间一次或在运行中计算。在后一种情况下，不需要必然地将整个矩阵保持在存储器中。当在重建期间需要时，总是计算系统矩阵的仅部分，以节省存储空间。[0104]在w.wang的“systematic and distributed time-of-flight list mode pet reconstruction”(发表于“2006 ieee nuclear science symposium conference record”，2006，第1715-1722页)中描述了可以在本文中使用的迭代重建方案。[0105]现在参考图3的流程图，其示出了所提出的支持核成像的方法的步骤。如下所述的方法中的步骤实施了图1和2中的上述系统。然而，将理解，该方法本身构成教导，并且不一定与前述图1和2中描述的系统相关联。[0106]在步骤s310处，接收如由核成像装置(诸如如上面在图1中所示的pet成像器)记录的事件(相互作用)数据。事件数据λ表示伽马辐射与pet或其他发射成像器中的探测设备的晶体闪烁体sc的相互作用事件。[0107]在步骤s320中，使用预训练的机器学习部件将事件数据处理成相关联的点扩散函数psf。点扩散函数表示描述在给定测量的可观察量(或其函数)(诸如耦合到闪烁体sc的光电探测器响应)的情况下在相互作用事件中涉及的入射伽马光子的第一相互作用的位置的条件概率分布。psf可以是2d或3d。[0108]在步骤s330处，使psf的表示可用于一些或每个相互作用数据。[0109]在步骤s340处，在发射成像重建算法中处理在步骤s330处可用的psf，以提供可以被显示、存储或以其他方式处理的图像域中的pet影像。[0110]参考图4a、b，示出了用于训练如上面使用的机器学习部件的计算机化训练系统的示意性框图。在本文主要设想的实施例中，训练系统训练机器学习模型m。机器学习模型m包括初始化参数p，并且然后基于训练数据的语料库c来调整这些参数。[0111]可以通过使用成像装置nia的校准测量来获得训练数据。然而，优选地，并且较不麻烦的是，通过使用计算机化的模拟器sim来“人工地”生成训练数据。[0112]首先参考基于仿真的实施例sim，在图4a的顶部部分中示意性地示出了这一点的建模。入射伽玛光子在第一相互作用点x处的晶体块的近侧表面处相互作用。γ光子在假想响应线的方向上入射，该假想响应线可以通过极坐标ф,θ来量化和定义，如先前所解释的。伽玛光子通过吸收和/或散射与晶体结构相互作用，以引起各种能量沉积ei，如由图4a的顶部部分中的小圆圈云所示。某些能量沉积导致可见光子、闪光，并且这如上所述的那样由光电二极管记录。可以基于蒙特卡罗方法来计算模拟，因为一旦知道晶体的类型及其规格，伽马光子与晶体的相互作用的方式就被很好地理解。设想的合适的晶体包括铈掺杂的镥(lyso)，诸如镥-钇氧原硅酸盐，或其他晶体，诸如锗酸铋(bgo)和镥氧原硅酸盐(lso)等。[0113]在模拟中，可以规定位置数据x和角度数据θ,ф，并且这些数据以合适的增量变化，并且重复模拟。模拟导致根据可观察事件的x的描述。可观察事件是由于γ光子以索引x撞击晶体元件而沉积在晶体块中的所有可见光子的局部能量值ei。正是这些可见光子将可被光电二极管探测到。在该模拟中不需要对换能器(例如光电二极管)本身进行建模，但是如果需要，这仍然可以进行。在模拟之外，在pet成像器的使用期间，可见光子将使光电二极管组phd通过发出电信号来响应。正是这些电信号通常将由位置电路ps处理成位置数据，该位置数据作为第一相互作用x的真实位置的估计x。[0114]psf可以通过将能量沉积投影在平面上以获得其中发生沉积ei的所有晶体元件的索引的集合来描述为二维点扩散函数。投影平面由晶体的远侧向外表面部分形成。该2d描述可以被细化，因为从模拟中也已知在相应晶体x中在何处(y,z)发生相应能量沉积。因此，每个能量布置的3d坐标(x,y,z)是已知的，并且3d点扩散函数psf可以表示为3d标量场。[0115]可以通过使用蒙特卡罗方法来运行模拟。尽管蒙特卡罗方法是优选的，但是也可以代替地使用其他模拟技术。通常，蒙特卡罗(“mc”)模拟使用重复采样来获得一些现象的统计特性，在这种情况下是伽马与晶体相互作用。相互作用(特别是吸收和散射)的方式在理论粒子物理学中是很好理解的，并且存在描述这些相互作用的方程形式的理论模型。在mc模拟中，模拟在源处开始的如笔形束的个体光子。然后贯穿模拟跟踪这些，直到它们i)在晶体中被吸收，或ii)被散射或iii)离开模拟体积。伽玛光子与晶体材料的相互作用是概率性的，并且概率和概率分布从理论上是已知的，这些是光子能量、晶体材料的性质等的函数。优选地配备有诸如gpu或其他多核处理器的快速处理器的计算单元pu启动并随机选择光子从其当前位置到下一个相互作用的路径，同时根据正确的概率分布进行该随机选择。这是针对每个光子进行的，直到上面定义的事件i)-iii)中的任何一个发生。以这种方式，人们知道针对撞击探测器的每个光子精确地知道它之前已经相互作用了多少次。该跟踪和模拟是针对大量模拟光子进行的。[0116]可以针对具有已知p和(θ,ф)的给定伽马光子笔形束运行重复的模拟，导致在能量沉积的分布的运行上逐渐累积。[0117]从理论上已知的相互作用概率分布的采样可以使用metropolis-hastings算法(或其变体)来有效地实施，metropolis-hastings算法首先由n metropolis等人在“equation of state calculations by fast computing machines”(journal of chemical physics.21(6)，第1087–1092页)中报道。[0118]模拟伽马光子的数量可以是105或甚至106或更多的量级。[0119]s jan等人已经在“gate:a simulation toolkit for pet and spect”(发表于phys.med.biol.49(2004)4543-4561)中描述了用于pet的基于mc的模拟包。[0120]现在更详细地描述模拟器sim的操作，可以针对像素化c1、c2闪烁体块的模型的表面上的第一撞击p＝pi的不同位置的大量试验重新运行伽马与晶体结构相互作用的mc模拟。这包括对任何固定的pi＝p重新运行模拟。允许p＝pi改变到优选地每个像素或合适的子集。对于每个p＝pi，可以使用合适角度增量(优选地高达360°)的不同入射角，并且再次，对每个固定位置p和角度(θ,φ)进行重新运行。这导致每个三元组(p,(θ,φ))的优选地大量样本以及如上面定义的相关联的可观察量。根据可观察量的这些样本，给定可观察量o的某种实现，可以计算不同p/角度(θ,φ)的psf。[0121]在实施例中，可以通过将模拟结果、各种可观察量与产生相应可观察量的相对p/角度相关联地作为记录存储在数据库中来促进计算。然后可以相对于记录执行反向查找，以获得条件概率分布的估计更详细地，对于可观察量oi的实例中的每个(或至少一些)，其在实施例中是如上所述的激活的探测器元件的一组索引(xi)或能量沉积的分布，查询数据库记录以获得引起当前考虑的oi的位置p和角度(θ,φ)。然后将位置的相对频率确定为已经观察到每个组合p＝i和撞击方向(θi,φi)的次数除以模拟的总数的分数。具有相对频率确定的这种反向查找导致针对当前实例oi的条件概率分布的近似。然后针对一组可观察量(优选地所有模拟的可观察量)重复反向查找操作和频率确定，以获得大的训练数据池。[0122]备选地，可以使用其他采样方案，诸如接受拒绝方法，诸如具有基于已知先验概率分布的贝叶斯重新缩放以获得y的贝叶斯方法。[0123]将理解，以上描述不必针对两个伽马中的每个运行，因为结果是对称的，并且仅针对一个伽马运行模拟是足够的。[0124]模拟的上述处理导致可以用于训练机器学习部件mlc的训练数据c。训练数据项的集合可以写为：[0125][0126]其中，oi是与相关联的可观察量o的实现。如上所述，撞击角度通过模拟获得或从两个伽马的p计算。psf的表示yi可以采取2d或3d，并且可观察量o可以具有任何上述结构，诸如单个标量估计，或激活的探测器元件xi的列表，二值图像，或优选地包括能量值，优选地以能量图像的形式等。[0127]训练数据项(“数据”)中的oi的具体格式可以取决于稍后当部署机器学习部件时将由psf提供器pp要被用于的成像器nia提供投影数据λ的格式。如果格式/或语义不同，则可以在部署后训练期间稍后使用合适的翻译器或变换器中间件，以调整用于输入到预训练的机器学习部件mlc中的投影数据λ。[0128]构成训练语料库c的事件数据项的数量可以扩展到数百或数千。语料库c可以被保持在存储器中。[0129]作为上述模拟sim的备选方案，训练数据可以代替地通过校准测量来获得。在该实施例中，将准笔形束伽马源放置到比如检查区域a的中心，并且在已知的撞击位置处对模拟器的不同部分发射规定方向上的伽马射线，其中，记录与所述方向和位置相关联的光电二极管响应，从而获得实验训练数据。然而，该实验流程可能是麻烦且耗时的，因此通过如上所述的计算机模拟进行人工生成是优选的。[0130]现在将在图4b中更详细地解释计算机化训练系统ts的操作。系统ts可以在优选地配备有gpu或其他多核微处理器或促进并行数据处理的任何其他架构的一个或多个计算单元上实施。[0131]通常，用于当前psf估计目的的机器学习方法可以被理解如下：存在潜在的、可能高度复杂的、或即使已知的、计算上难以处理的映射l：(事件数据，ω)–》psf(ω)。映射l将事件数据映射到相关联的psf。psf是在晶体的近侧表面上定义的第一晶体接触部p的位置的概率分布。该映射取决于概念化为“ω”的大量因子。机器学习中的目的是从数据中学习l的模型，而不需要明确了解ω。关于ω和映射l的作用的了解在机器学习模型的参数中隐含地“编码”，其基于训练数据适当地调整。[0132]更详细地，机器学习模型m(诸如神经网络)可以被理解为最初包含多个预先分配的参数p的结构。参数p可以具有104或106的量级的高维度。在训练系统ts的输入端口in处接收来自训练数据集的语料库的第一数据项在本文中主要设想监督ml训练方案，但是在本文中不排除无监督训练方案。每个数据项可以在训练输入数据和相关联的目标yi中分解。[0133]测试器tt然后将数据项li的训练输入数据应用于给定当前参数集p的机器学习模型mp。在数据集中，可观察量oi和方向数据θi,ф被视为训练输入数据，而psf分布y被视为目标。模型mp响应并输出训练输出数据mp(li)。训练输出数据mp(li)是目标t＝yi的估计，并且两者通常将不同，并且获得误差或残差。训练输出数据mp(li)通过更新器ud与y进行比较。该比较可以通过目标函数fp来完成。可以基于任何合适的量度(诸如(平方)欧氏距离或任何其他lp范数)或其他适当的量度来公式化目标函数fp。然后，更新器us基于(当前)残差||mp(li)–yi||更新用于新的参数集p'的当前参数集p，以尝试改善目标函数fp。目标函数可以被认为是成本函数，并且优化任务是调整参数以便降低成本。可以在当前考虑的数据训练项li的内循环il中的一次或多次迭代中完成更新。[0134]一旦已经建立了足够的收敛，例如一旦fp下降到阈值以下，则系统进入外循环ol并请求下一个数据li+1，并且这被相应地处理，除了现在在更新器阶段ud处，除了当前残差之外，目标函数fp将考虑一些或所有先前处理的训练数据项lj≤i+1的残差之和：fp＝σj||mp(lj)–y||。以这种方式，可以确保当优化(例如，最小化)成本函数以获得网络m的良好一般化能力时考虑所有训练数据c。可以避免过度拟合。[0135]在多次预设迭代之后或一旦总体累积成本函数fp已经下降到某个阈值以下，将处理所有或足够数量的训练数据项li，则机器学习模型mp被认为是完全训练的，并且当前参数集p是固定的。然后将完全训练的模型存储在存储器mem中。[0136]机器学习模型现在准备好部署，并且可以用于处理模型m之前从未“看到”的在采集期间由pet机器n1a提供的新接收的“真实”探测数据，并且产生点扩散函数psf的良好估计作为如上所述的条件概率分布。[0137]机器学习模型优选地是包括输入层和输出层以及在两个、三个或更多个隐藏层之间的神经网络。层可以被构造成向量、矩阵或张量，后者是具有多于两个索引的“超级矩阵”。通常，在非递归网络中，隐藏层的数量表示网络的“深度”。[0138]输入层在尺寸和形状上适于接收三元组因此在最简单的情况下可以表示为3向量。如果x被提供为向量或矩阵，则输入层会需要被相应地定尺寸。[0139]输出层是矩阵或张量，这分别取决于psf估计是2d还是3d。[0140]隐藏层可以包括仅全连接层、仅卷积层或卷积层和全连接层两者的组合。如果位置数据以2d进行描述，那么这类似于图像，并且一些或所有层可以为卷积层。在这种情况下，模型至少部分地是卷积神经网络(“cnn”)。已经观察到cnn作为一种类型的人工神经网络对于类似图像的数据产生良好的结果。然而，如果位置数据x仅包括单个或几个数字，则这导致稀疏数据问题，并且优选地首先通过使用诸如独热键编码或类似嵌入方案的嵌入技术来适当地编码输入数据xi,(θi,фi)。然后，嵌入的输入数据可以优选地被馈送到一个或多个完全连接的神经网络层序列中。如果需要，这之后可以是其他卷积层。其他层类型可以包括池化层、解卷积层、丢弃层、激活层，所有这些在本文中以所有不同的组合和子组合设想。在实施例中，隐藏层包括1、2或3个完全连接层的序列。[0141]如果将神经网络架构用于模型，则测试器tt和更新器ud可以协作或合并到单个模块中，以实施前向-后向传播算法来调节网络m的权重p。还设想了用于优化权重调节的其他梯度下降方法，并且基于非梯度的方法也是如此。[0142]每个层包括从先前层中的节点接收输入并提供输出以作为输入提供给下一层的节点的节点。从层到层的信号流是通过不同层的节点之间的节点间连接。每个连接具有权重、数字。所有权重的集合是nn型模型m的参数p。nn([人工]神经网络)型模型中的优化任务是调节权重以改进成本函数。收集所有权重。在nn中，测试器tt将输入应用于输入层以传播通过隐藏层，以在输出层处获得psf的估计。[0143]现在参考图5中的流程图，其示出了训练用于估计在发射成像(特别是pet)中使用的点扩散函数的上述机器学习模型的方法。再次，该方法不一定与图4b的架构相关联，并且可以在其他布置或系统中实践。[0144]在步骤s510中，接收当前数据集。训练数据集包括对，该对的一个成员是位置和方向数据，而另一个成员y(目标)是如可以在一组光电二极管处可记录的在能量分布方面的点扩散函数的估计。能量分布可以是2d和3d。[0145]可以通过使用蒙特卡罗方法通过模拟s610获得训练数据。模拟是伽马与晶体相互作用中的一个。闪烁体晶体的模型的表面上的第一相互作用的位置是变化的，并且第一相互作用的位置中的每个的方向数据也是如此。初始撞击位置p和撞击方向以增量进行调整。对于伽玛重新运行给定位置和方向的模拟，以获得可观察量(诸如作为可观察量的相应晶体内能量沉积分布的分布)的实例。伽玛优选地以笔形束几何结构建模。在步骤s620中，在步骤s620处估计psf族，针对可观察量的一些或每个实例估计一个psf族。通过依次固定一些或每个所述实例o来进行估计。然后，对于给定的固定可观察量o＝oi，将所述位置的子集分析为直方图的分箱，或通过计算导致所述固定可观察量的p的分数，以获得对于给定实例oi的psf的估计其中，)，表示p的相对频率。针对其他实例中的一些实例中的每个实例重复步骤s620以获得psf族，每个psfi与相应实例oi相关联。可以通过以相应的撞击方向θi,фi区分每个p来细化上述内容，以获得细化的psf族，一些或每个psfi不仅与可观察量oi的某个实例相关联，而且还与相应的方向(θi,фi)相关联。如此获得的训练数据包括[0146]模拟可以是一般的，但优选是特定的，并且基于晶体材料和结构的规格。晶体优选地对应于或至少类似于如在感兴趣发射成像器机器中使用的闪烁体材料。[0147]在步骤s520处，将训练数据项应用于机器学习模型。特别地，可观察时刻oi和方向数据作为训练输入数据被输入到机器学习模型中。给定当前参数集，机器学习模型处理训练输入数据并产生训练输出。[0148]在步骤s530处，将按照步骤s520的训练输出与相关联的目标y进行比较。基于两者之间的偏差或残差，在内循环中的一次或多次迭代中更新参数以改进目标函数。[0149]一旦实现了足够的收敛，该方法返回到步骤s510以进入外循环来处理新考虑的训练数据项对，其类似地被处理，除了现在在阶段s530处，除了在步骤s530处的当前残差之外，现在考虑的是一些或所有先前处理的训练数据项的残差的总和，以决定机器学习模型的参数自适应。使用合适的量度(诸如平方欧氏距离或任何其他合适的量度)在目标函数中比较残差的总和[0150]因此，训练方法包括两个循环，一个嵌套到另一个中，即外循环ol和内循环il。一旦已经处理了足够数量或所有数据项并且已经实现了足够的收敛，则模型被认为是完全训练的并且可以输出以用于部署。如在完全训练的psf提供器的情况下，训练系统优选地在包括一个或多个多核处理器(诸如(一个或多个)gpu8或促进并行处理的其他处理器类型)的计算系统pu上实施。[0151]psf提供器pp或训练系统ts的部件可以被实施为在通用计算单元pu(诸如与成像器nia相关联的工作站)上或在与布置在分布式架构中并且可连接在合适的通信网络中的一组成像器相关联的服务器计算机上运行的一个或多个软件模块。备选地，一些或所有部件可以布置在以硬件(诸如合适编程的微控制器或微处理器，诸如fpga(现场可编程门阵列))布置或被布置为硬连线ic芯片、专用集成电路(asic)(其集成到成像系统nia中)。在又一实施例中，故障检查器可以部分地以软件和部分地以硬件两者来实施。本文描述的一个或多个特征可以被配置或实施为在计算机可读介质内编码的电路和/或其组合、或利用在计算机可读介质内编码的电路和/或其组合来配置或实施。电路可以包括分立和/或集成电路、片上系统(soc)及其组合、机器、计算机系统、处理器和存储器、计算机程序。[0152]尽管上面已经主要参考人工神经网络解释了机器学习部件，但是还设想了能够将事件数据回归到相应psf中的其他机器学习方法。如果使用神经网络，则这可以包括一个或多个递归层，因此不一定是前馈类型的。可以使用神经网络类型或其他类型的生成模型。在实施例中，可以使用生成对抗神经网络(gan)。除神经网络类型之外的方法包括被配置用于回归或多元回归(加权线性或逻辑回归)的支持向量机(svm)。本文设想的ml方法包括基于模型或基于实例的学习。在本发明的另一示范性实施例中，提供了一种计算机程序或一种计算机程序单元，其特征在于适于在适当的系统上执行根据前面的实施例之一所述的方法的方法步骤。[0153]因此，所述计算机程序单元可以被存储在计算机单元上，所述计算机单元也可以是本发明的实施例的部分。该计算单元可以适于执行以上描述的方法的步骤或诱发以上描述的方法的步骤的执行。此外，其可以适于操作以上描述的装置的部件。所述计算单元能够适于自动地操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。所述数据处理器由此可以被装备为执行本发明的方法。[0154]本发明的该示范性实施例涵盖从一开始就使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。[0155]更进一步地，所述计算机程序单元能够提供实现如以上所描述的方法的示范性实施例的流程的所有必需步骤。[0156]根据本发明的另一示范性实施例，提出了一种计算机可读介质，例如cd-rom，其中，所述计算机可读介质具有存储在所述计算机可读介质上的计算机程序单元，所述计算机程序单元由前面部分描述。[0157]计算机程序可以被存储/分布在合适的介质(具体地但不一定，非瞬态介质)上，例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但计算机程序可也可以以其他形式来分布，例如经由因特网或者其他有线或无线电信系统分布。[0158]然而，所述计算机程序也可以存在于诸如万维网的网络上并能够从这样的网络中下载到数据处理器的工作存储器中。根据本发明的另一示范性实施例，提供了一种用于使得计算机程序单元可用于下载的介质，其中，所述计算机程序单元被布置为执行根据本发明的之前描述的实施例之一所述的方法。[0159]必须指出，本发明的实施例参考不同主题加以描述。具体而言，一些实施例参考方法类型的权利要求加以描述，而其他实施例参考设备类型的权利要求加以描述。然而，本领域技术人员将从以上和下面的描述中了解到，除非另行指出，除了属于一种类型的主题的特征的任何组合之外，涉及不同主题的特征之间的任何组合也被认为由本技术公开。然而，所有特征能够被组合以提供超过特征的简单加和的协同效应。[0160]尽管已经在附图和前面的描述中详细说明和描述了本发明，但这样的说明和描述被认为是说明性或示范性的而非限制性的。本发明不限于所公开的实施例。通过研究附图、说明书和从属权利要求，本领域的技术人员在实践请求保护的本发明时能够理解和实现所公开的实施例的其他变型。[0161]在权利要求中，词语“包括”不排除其他单元或步骤，并且，词语“一”或“一个”并不排除多个。单个处理器或其他单元可以履行权利要求书中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为对范围的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!