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。
背景技术：
：：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号说明书技术实现要素：发明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(grd)(例如grd1、grd2至grdn)。根据一实施方式，检测器环包含40个grd。在另一实施方式中，有48个grd，若使用更多数量的grd，则可制作出更大的内径尺寸的pet扫描器200。各grd能够包含吸收伽马射线而放射闪烁光子的各个检测器晶体的二维阵列。闪烁光子也能够通过配置于grd的光电倍增管(pmt)的二维阵列来检测。光导能够配置于检测器晶体阵列与pmt之间。或者，闪烁光子能够由硅光电倍增管(sipm)的阵列检测，各个检测器晶体的各个具有对应的sipm。各光检测器(例如pmt或者sipm)能够生成表示闪烁事件何时产生以及引起检测事件的伽马射线的能量的模拟信号。而且，从一个检测器晶体放射的光子能够由两个以上的光检测器检测，检测事件所对应的检测器晶体能够基于由各光检测器生成的模拟信号，例如使用安格尔逻辑以及晶体解码来判断。图15b示出具有构成为检测从对象物obj放射的伽马射线的伽马射线(伽马射线)光子计数检测器(grd)的pet扫描器系统的概略图。grd能够测定各伽马射线检测器所对应的定时、位置以及能量。在一实施方式中，伽马射线检测器配置于图15a以及15b所示那样的环内。检测器晶体能够采用闪烁体晶体，该闪烁体晶体具有配置为二维阵列的各个闪烁体元件，该闪烁体元件能够采用任意的已知的闪烁物质。pmt能够配置成，来自各闪烁体元件的光可被多个pmt检测出来进行安格尔算术以及闪烁事件的晶体解码。图15b表示pet扫描器200的配置的一个例子，在该例子中，被图像化的对象物obj被放置在台216上，从grd1到grdn的grd模块在物体obj以及台216的周围沿圆周方向配置。grd有时固定结合于在台架240上固定结合的环状组件220。台架240收容pet拍摄装置的多个部件。pet拍摄装置的台架240也包含能够供对象物obj以及台216通过的开口部，另外，通过对湮灭事件，能够通过grd检测出从对象物obj向相反方向放射的伽马射线，并且能够使用定时信息以及能量信息来决定伽马射线对的同时产生。在图15b中，也示出了取得、存储、处理以及共享伽马射线检测数据的电子电路以及硬件。这些电路以及硬件包含处理电路270、网络控制器274、存储器278、以及数据收集系统(dataacquisitionsystem：das)276。pet拍摄装置也包含将来自grd的检测测定结果向das276发送的数据信道、处理电路270、存储器278、以及网络控制器274。数据收集系统276能够控制检测数据从检测器的取得、数字化以及送出。在一实施方式中，das276控制台216的动作。处理电路270如在本说明书中所述，实施包含根据检测数据的图像的重建、检测数据的重建前处理以及图像数据的重建后处理的功能等。即，后述的取得功能、构成功能、生成功能、学习功能等各处理功能(未图示)以能够由计算机执行的程序的方式存储于存储器278。处理电路270是从存储器278读出并执行程序、从而实现各程序所对应的功能的处理器。换言之，读出了各程序的状态的处理电路270具有取得功能、校正功能、生成功能、学习功能等各处理功能。另外，取得功能、校正功能、生成功能、学习功能分别是取得部、校正部、生成部、学习部的一个例子。处理电路270能够构成为实施本说明书所记载的方法100以及160的各种步骤及其变形方式。处理电路270也可以包含有时被安装成单个逻辑门、面向特定用途集成电路(applicationspecificintegratedcircuit：asic)、现场可编程门阵列(fieldprogrammablegatearray：fpga)、或者其他复杂可编程逻辑器件(complexprogrammablelogicdevice：cpld)的cpu。fpga或者cpld的实施方式可以用vhdl、verilog、或者任意的其他硬件描述语言来编码，并且其符号可以直接存储于fpga或者cpld内的电子存储器内，或者作为单独的电子存储器而存储。而且，存储器也可以是rom、eprom、eeprom或者flash存储器那样的非易失性存储器。存储器可以是静态或者动态ram等易失性存储器，也可以为了管理电子存储器以及gpfa或者cpld与存储器之间的相互动作而设有微控制器或者微处理器等处理电路。作为另一方法，处理电路270中的cpu也能够执行包含实施方法100以及160的各种步骤的计算机可读指令的集合的计算机程序，该程序存储于上述的非暂时的电子存储器以及/或者硬盘驱动器、cd、dvd、flash驱动器或者任意的其他已知的存储介质中的某一个。而且，该计算机可读指令可以作为实用应用、后台维护进程、或者操作系统的组件，或者它们的组合而提供，与美国intel公司的xenon(注册商标)处理器、或者美国amd公司的opteron(注册商标)处理器等的处理电路、以及microsoftvista(注册商标)、unix(注册商标)、solaris(注册商标)、linux(注册商标)、apple(注册商标)、mac－os(注册商标)以及本领域技术人员已知的其他操作系统等操作系统一同执行。而且，有时cpu安装成为了实施指令而并行地联动的多个处理电路。存储器278能够采用硬盘驱动器、cd－rom驱动器、dvd驱动器、flash驱动器、ram、rom或者该
技术领域：
：中已知的任意的其他电子存储装置。美国intel公司的intelethernet(注册商标)pro网络接口卡等网络控制器274能够在pet拍摄装置的各种部件之间进行中介。作为追加，网络控制器274也能够与外部的网络进行中介。可理解为，该外部网络能够采用因特网(注册商标)等公共网络、或者lan或者wan网络等私有网络、或者它们的组合，并且也能够包含pstn或者isdn子网。该外部网络也能够采用以太网(注册商标)网络那样的有线方式、或者edge、包含3g以及4g无线蜂窝系统的蜂窝网络那样的无线方式。该无线网络也能够采用wifi、bluetooth(注册商标)、或者已知任意的其他无线形式的通信。接着，简单地说明实施方式的背景。pet以及spect成像这两方的特定的实施方式(例如tof(time-of-flight)pet)有时通过确定检测出的伽马射线的位置、时间以及能量的能力来决定。例如有时使用时间以及能量窗口操作来辨别散射的伽马射线以及随机的伽马射线和由相同的正电子湮灭事件同时产生的伽马射线。因而，有时通过定时以及能量校正的精度来决定同时产生辨别的可靠性。因而，期望伽马射线检测器的能量校正的改进。但是，这些改进后的方法如果可能的话，有必要避免能量校正的时间以及费用的增加。例如改进后的方法如果可能的话，有必要减少能量校正源的数量以及校正操作的步骤数。即，改进后的校正方法需要以提供更准确的能量校正、并且对于时间以及成本这两方也有效率为目标。而且，放射线检测器的能量校正有时对医用成像的其他医学影像设备以及电离放射线检测的其他用途有益。校正方法以pet以及spect医用成像的非限定性的方式被例示，但本说明书所记载的方法也能够将电离放射线检测器的能量校正带来的优点应用于其他用途。例如电离放射线检测器能够使用于(例如入境时等安全确认点的)核扩散防止检测以及监控。电离放射线检测器除了应用于国土安全保障之外，还能够使用于油井检测层或者其他商业、工业的用途。面向这些用途的电离放射线检测器有时使用本说明书所记载的方法而带来能量校正的有益效果，面向这些用途的电离放射线检测器的能量校正落入本公开的范围内。例如在医用成像中，x射线断层拍摄(computedtomography：ct)能够使用间接检测(例如x射线与闪烁体晶体相互作用而生成光学光子，能使用光检测器将该光学光子转换为电信号)、或者直接检测((例如镉锌碲化物(cadmiumzinctelluride：czt))而实施。如果是本领域技术人员则可理解，如下述的实例所述的伽马射线检测器那样，通过简单地将本说明书所记载的方法一般化，能够调整这些x射线检测器。如上述那样，作为输入能量(即，入射/一次伽马射线的实际能量)的函数的检测器响应/输出，有时由于各种实用上的问题点而脱离理想的线性响应。因而，所记载的方法以及装置应用改进后的方法以及技法，修正能量测定而生成实质上为线性的校正后的能量值。伽马射线检测器工序有时存在很多非线性因素。例如作为闪烁体基础的伽马射线检测器的光传感器的硅光电倍增管(sipm)的使用以及面向振幅推断用途的过阈时间(tot)方法这两方有时会带来显著的能量非线性。该非线性的校正对于通过康普顿散射以及光电吸收的组合而对多个晶体内赋予能量的伽马射线而言，为了实现准确的能量信息以及足够的能量分辨率是非常重要的。商用的正电子放射断层拍摄(pet)系统使用闪烁体晶体阵列，能够检测由正电子·电子对湮灭而生成的具有511kev的能量的伽马射线。在这些pet系统中，能够获得能量信息与位置信息这两方。有时，伽马射线的能量有由于晶体间散射(例如康普顿散射)而分配到两个晶体的情况。在来自单一的伽马射线的能量被多个晶体/信道检测的情况下，有时将检测事件称作“多信道检测”。散射事件的总能量能够通过从相关的所有的晶体(各个晶体和与其对应的光检测器、放大器以及电子装置有时被称作“信道”)将各个能量合计来补偿。合计处理能够通过由读出装置以及电子装置的选择而决定的模拟或者数字方法来进行。对晶体赋予的能量被转换为电信号，并且该电信号能够数字化。该数字化工序能够通过各种方法实施。在将伽马射线的能量测定进行数字化的方法之中，过阈时间(tot)方法有成本效率非常好这一优点，也能够容易地应用于需要高信道密度的用途。tot值是规定的信道中的吸收能量的单调递增函数，但tot与实际的能量的关系有时脱离完全线性。该非线性检测器响应以及/或者其他非线性检测器响应能够使用本说明书所记载的方法来校正。如上述那样，使用了正电子放射断层拍摄(pet)或者单一光子放射断层拍摄(spect)的图像重建的精度有时由伽马射线检测器的能量校正的分辨率以及能量校正的精度决定。本说明书所记载的方法是用于伽马射线检测器的能量校正的改进后的方法。在检测器的感光元件为晶体阵列的情况下，由于晶体间散射、光的分配、电荷的分配，有时会在多个晶体间/读出信道间分配伽马射线的入射的能量。即，分配能量的各信道检测伽马射线的总能量的一部分。因而，为了覆盖能够测定能量值的范围整体，伽马射线检测器的能量校正必须涵盖从正电子放射伽马射线的能量(即，511kev)扩展到更低能量的范围(例如检测器的校正范围能够扩展到可将信号视为噪声而忽略的最小检测阈值)。遍及该扩展后的对象范围的校正能够实现由从上述的电荷的分配机理(例如康普顿散射)产生的、在多信道检测之间检测出的能量值的准确的显示。一般来说，伽马射线检测器的能量响应呈现某种程度的非线性。对遍及大范围的能量的检测器的能量响应进行校正的一个方法是，使用放射不同能量的多个线源(例如不同的放射性同位素)。例如能够使用外部的伽马射线源或者晶体来源的辐射本底(background)，准备具有不同的能量的多个伽马射线。与作为第一校正方法的多源校正方法相比，作为第二校正方法的本说明书所记载的方法使用涵盖多个不同的能量(例如多个不连续的能量以及/或者能量的连续体)的、具有能量特征的电离放射线源。因而，大范围的能量的能量校正能够使用单一的放射线源、或者在一部分的实施方式中使用几个放射线源(例如两个放射线源)来实施。由于遍及能量范围地包括多个光谱特征，因此由lu－176产生的光谱适合于这种校正。镥一般来说是以闪烁体材料而被周知的元素。天然丰度比小的镥是放射性同位素lu－176。在镥被用作闪烁体材料的构成要素之一的情况下，在lu－176的衰变中产生本底光谱。在该情况下，由于lu－176包含在闪烁体自身中，因此产生了该本底光谱的放射线经常被称为内在性放射线。然而，校正源也可以是外部伽马射线源。使用硅光电倍增管以及过阈时间振幅推断的伽马射线检测器呈现显著的能量非线性。在特定的实施方式中，本说明书所记载的方法按照非限定性的实施方式，使用人工神经网络(artificialneuralnetwork：ann)，从单一的lu－176本底光谱提取非线性校正系数。在本说明书所记载的方法的特定的实施方式中，ann使用训练数据集合来训练，此时的输入数据是从lu－176本底光谱以及多个各个放射性同位素光谱导出的多个峰值位置的目标数据。在该方法中，对使用镥(lu)基的闪烁体的正电子放射断层拍摄(pet)检测器来说，有几个优点。第一，能量校正仅使用lu－176本底光谱而实施时，本说明书所记载的方法不需要外部的放射线源。第二，ann能够非常高速地实施。第三，本说明书所记载的方法能够提供比与多参数函数拟合的以往的最小平方法更好的定量结果。这里，参照附图，通过几个图的整体，相同的参照符号意味着相同或者对应的要素。图1a至1c示出了由硅光电倍增管(sipm)产生的第一非线性的因素。图2a以及2b示出了在过阈时间(tot)值用作伽马射线能量的尺度的情况下产生的第二非线性的因素。图1a表示两个光子入射到作为二维(2d)阵列的35个宏单元(即，5个微元×7个微元)中的2个微元中的、低通量的情况下的sipm检测器。在大多情况下，sipm检测器具有数千的微元，但在本说明书中，为了方便说明，作为简化的例子，使用减少了微元的数量的sipm检测器。图1b表示6个光子入射到35个中的6个微元中的、中通量的情况下的sipm检测器。sipm是形成为被称作微元的、极小盖革模式·雪崩光电二极管(geiger-modeavalanchephotodiode：g－apd)元件的二维阵列的光检测器。通过该结构，sipm的输出脉冲的振幅与向器件的表面入射的光子的数量(遍及某一范围的亮度)成比例，因此克服单一的g－apd的不利之处。但是，如果光子通量充分地变高到两个光子向相同的微元入射的概率不能忽略的程度，则作为入射的光子的数量的函数，信号被转换，成为非线性。该非线性在图1c中图示，沿图中的横轴示出的伽马射线能量与向sipm入射的光学光子的数量成比例。在pet检测器中，光学光子通量变高(例如每个511kev的伽马射线产生数千的光学光子)，针对sipm需要较大的动态范围。如前述那样，sipm的输出信号是受光的微元的信号的合计，因而，输出信号与入射的光子的数量相关。动态范围由器件内的单元的数量决定，按照每个sipm单元，只要两个以上的光学光子不相互作用，光的强度下的sipm信号的直线性就得以保持。在阻碍该状态的更高的光的强度的情况下，入射光水平带来非线性的信号的饱和发生。在pet的情况下，由此，在检测器信号与赋予到闪烁体的能量之间带来非线性，例如有损于以下能力，即：阻止基于能量损失的康普顿散射的湮灭光子的能力、或者阻止同时在相同的闪烁体元件中相互作用的两个湮灭光子所引起的脉冲堆积的能力。图2a示出使用沿纵轴绘制的电压和沿横轴绘制的时间的伽马射线检测下的脉冲的曲线图。而且，图2a示出了约1.2毫伏的规定的阈值以及脉冲超过该阈值的时间的长度即tot值。如图2b所图示，tot值有与检测出的伽马射线的能量单调地建立关联且由脉冲的曲线下区域或者脉冲的振幅表示的情况。关于小于阈值的信号，未示出信号/检测。除了之前说明的检测器的饱和引起的非线性以及tot的非线性之外，pet检测器还有存在非线性的其他因素的情况。本说明书所记载的校正方法是与非线性的因素或者种类无关的全面的方法，能够与非线性的因素无关地应用于所有检测器的非线性。即，在本说明书中，为了例证的目的而使用检测器的饱和以及tot的非线性，但pet检测非线性的这些例子并非是限定性的。由于来自单一的伽马射线的能量被分配并在多个检测器元件之间被检测时发生的多信道检测事件(例如康普顿散射、光学串扰等)，存在非线性引起的误差增加的情况。但是，通过判断哪个检测事件是多信道事件，能够补偿总能量，而且能够识别从相同的伽马射线产生的多信道事件的组(例如基于同时产生的这些的检测时间、空间距离以及/或者对应的能量)。接着，能够将通过从相同的伽马射线产生的全部事件测定出的能量进行合计，汇总被分配的能量，重建原来的伽马射线的总能量。即，来自能量在其中被分配的检测器的各个能量被合计，决定出伽马射线的总能量。若不校正非线性地合计未处理的能量信号，则在图3所示那样的作为单信道检测事件而测定出能量的情况下，示出不同的总能量值(例如更大的值)。特别是，图3示出了比较单信道事件与多信道检测事件后的、由tot测定引起的非线性的情况。事件1是511kev的全部伽马射线能量被赋予到单一的晶体的单信道检测事件。右图示出了以由正电子·电子对湮灭引发的伽马射线的511kev的能量为轴的能量窗口。事件2以及事件3相当于两个晶体分别检测伽马射线的全部能量511kev中的一部分的2信道检测事件。在事件2中，由第一晶体检测出171kev，由第二晶体检测出340kev(即，总能量为171kev+340kev＝511kev)。在事件编号3中，第一晶体以及第二晶体分别吸收/检测出255kev与256kev的能量。如图3的右侧所示，在未使用非线性校正的情况下，各事件编号2以及编号3的能量的合计脱离规定的能量窗口的范围。两方的事件合计为511kev，但如果不对测定信号进行于非线性的校正，则它们的合计信号大于由511kev的单信道检测而示出的信号，因此该事件无效，作为结果，灵敏度降低。例如成为单晶/单信道检测事件的65％的闪烁体以及sipm基的伽马射线检测器内的检测事件，还有成为康普顿散射为原因的、检测出的伽马射线中的30％的2信道检测事件以及5％的3信道检测事件并不罕见。在该情况下，若排除多信道检测事件，则单信道的计数率降低到65％的效率，同时产生的计数率降低到42％的效率。pet成像被测定响应线(lor)的同时发生检测所左右，因此若排除多信道检测事件，则整体的灵敏度降低50％以上。在本说明书中，“能量”这一词语并不限定于与实际的或者真实能量线性地建立了关联的修正能量的意思。通常，“能量”这一词语在使用于本说明书中的情况下，表示实际的或者真实能量，并且规定与其单调地建立了关联的能量坐标。因而，只要没有特别说明，词语“能量”并不一定是实际的或者真实能量的意思。例如在本说明书中讨论将能量合计的情况下，该合计能够取代与实际的能量线性地建立了关联的被校正后的值而对于“能量坐标”来进行。测定/未处理能量eraw(即“能量坐标”)的关系能够通过非线性函数etrue＝f(eraw)与真实能量etrue建立关联，并且按照eraw＝f-1(etrue)应用逆函数而将真实能量映射到测定未处理能量值。测定未处理能量与真实能量的关系为非线性，因此通过2信道检测，测定出的两个能量f-1(e1)以及f-1(e2)的合计与相当的单信道检测的测定/未处理能量不相等。即，f-1(e1)+f-1(e2)≠f-1(e1+e2)，此时，e1+e2＝etotal，etotal是入射的真实能量，例如是511kev。因而，为了准确地比较多信道检测与信号信道检测的能量，在将多信道检测的能量合计之前，对各个能量分别应用能量校正以及修正。处理电路270通过生成功能将放射数据中的由多信道检测生成的能量合计，按照每次多信道检测来计算总能量，以放射数据生成修正能量，重建来自放射数据的pet图像。如上述那样，本说明书所记载的方法通过与为了能量校正而使用了较多的离散的线源以及放射性同位素的相关校正方法进行比较，能够更容易地理解。例如校正非线性的这些相关的方法需要进行使用多个放射性同位素的测定，导出涵盖使用目的范围的多个能量的光谱位置。频繁地置换多个放射性同位素是昂贵的，并且测定需要很长的时间，因此在制造或者临床现场中不期望使用该方法。为了克服相关的多线源校正方法的限制，本说明书所记载的方法活用了pet扫描器有时使用镥(lu)基的闪烁体而制造这一事实。存在于闪烁体的lu－176是有时为了校正以及/或者日常的品质管理而被使用的本底放射线源。为了进行能量非线性校正，能够将使用lu－176本底光谱置换成使用多个放射性同位素的通常的能量非线性校正。图4示出沿横轴表示tot值、沿纵轴表示计数值的lu－176本底光谱的曲线图。如所示那样，lu－176本底光谱具有相当多的结构。因而，用于非线性校正的一个方法是使用拟合技法决定提供测定光谱与参数化模型之间的最佳整合的参数值(其一部分描绘非线性)。通过该方法所面临的几个课题是，该方法有时需要花费时间，由于该方法是可靠的，所以参数化后的模型有必要与所有的条件适当地拟合。通过使用根据测定lu－176光谱学习非线性校正系数的人工神经网络(ann)，从而实现更高速、更可靠的方法，得以克服这些课题。图5中示出具有(i)离线训练的工序110、(ii)用于进行能量校正的工序140、(iii)对未处理放射数据应用能量校正而根据校正后的放射数据重建pet图像的工序150这三个工序的方法100的流程图。工序110能够以比工序140少的频率实施，并且工序140能够以比工序150少的频率实施。例如在非限定性的一实施方式中，工序110能够被实施一次，作为结果而产生的dl网络135能够以几个不同的pet扫描器来使用。另外，在非限定性的一实施方式中，工序140对于不同的pet扫描器分别实施一次，作为结果而产生的能量校正参数148能够在用各个pet扫描器进行几次不同的扫描时使用。方法100的工序110实施dl网络135的离线训练。在工序110的工序130中，输入数据115以及目标数据120被用作训练dl网络135的训练数据，结果，dl网络135被从工序130输出。例如输入数据115存在是所取得的lu－176光谱的情况，目标数据120存在是能量校正模型的参数的情况。图6示出以过阈时间(tot)技法中的非线性的校正为目的能量校正模型的一个例子。在该情况下，为了拟合数据而选择的函数形式是e＝f(x，p)＝α(β+ex/γ)，这里，x是tot值，向量p＝{α，β，γ}是函数形式的参数，这是为了得到最佳拟合而被调整的。在该情况下，方法100使用目标数据是能量校正模型的向量参数p的非限定性的例子而图示。方法100不受限于使用上述的特定的函数形式的能量校正模型。在其他实施方式中，目标数据能够在不脱离本发明的主旨的范围内采取其他方式。换言之，能量光谱e如上述那样，表示作为测定信号的函数f的放射线的计数值、强度。这里，测定信号是过阈时间(tot)信号x。该函数是能量校正模型f。在工序130中，输入数据115所对应的lu－176光谱作为输入被应用于dl网络135，作为来自dl网络135的输出，计算对应的参数的集合。使用反向传播方法等重复训练工序，调整dl网络135的系数并且训练，生成与目标数据120所对应的参数一致的参数的集合。在方法100的工序140中，在步骤145中，将作为能量光谱的能量校正数据143作为输入而应用于训练后的dl网络135，生成能量校正参数148。即，处理电路270通过校正功能，在向dl网络135的输入中应用能量光谱，从而进行能量校正。另外，作为另一例，处理电路270通过校正功能，在向校正源光谱的物理基础模型的输入中应用能量光谱，从而进行能量校正。在步骤145中，作为能量光谱的一个或者多个校正光谱143被应用于未处理数据153。例如测定lu－176光谱143作为输入应用于dl网络135，生成能量校正参数148(例如能量校正模型f的向量参数p)。即，处理电路270通过校正功能，使用dl网络135，将被赋予了的能量光谱应用于神经网络，从而从各个能量光谱输出映射的值。在方法100的工序150中，处理电路270通过取得功能，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例如伽马射线的能量光谱的校正数据。即，处理电路270通过取得功能，使用医用成像扫描器取得放射数据。该医用成像扫描器从(i)正电子放射断层拍摄扫描器、(ii)单一光子放射断层拍摄扫描器、(iii)x射线断层拍摄扫描器中选择。接着，使用能量校正参数148，在步骤155中校正入射到检测器的伽马射线的被收集到的放射数据即未处理数据153。接着，在步骤160中，多信道事件的能量被(任意选择地)合计。最后，在步骤170中，使用图像重建工序(例如逆氡转换)，根据校正后的放射数据，重建pet图像175。在步骤155中，能量校正被应用于未处理数据153。例如由dl网络135生成的向量参数p作为输入与能量信号x(另外，被称作能量坐标)一同应用于能量校正模型f，生成修正能量值e＝f(x，p)。图6表示将对于能量的非线性检测器反应进行了参数化而得的曲线的非限定性的例子。如所示那样，通过获取由几个参数(例如变量、α、β以及γ)规定的函数形式，非线性检测器反应能够参数化，接着，将数据进行曲线拟合，能量校正模型f求出与数据最一致的参数值(例如通过将能量校正模型f与校正数据之间的均方误差最小化)。非线性响应的形状虽然伴随着一些变形，但是从整体上来说，在各检测器元件/信道之间类似。为了明确这些变形，能够按照每个读出信道/模块来校正参数。如上述那样，能量校正模型f不受e＝f(x，p)＝α(β+ex/γ)的函数形式限制。例如能够取代函数形式参数化，将参数化使用查找表(look-up-table：lut)的参数来表示。在一实施方式中，例如lut可以使映射ei＝f(xi)的不连续位置彼此相关，能够使用插值来决定各不连续位置之间的位置的映射。因而，在特定的实施方式中，与其使用函数形式，不如可以通过lut规定非线性校正，此时，lut规定固有信号水平所对应的校正系数。lut内不存在的信号水平的校正系数能够根据存在于lut内的值、通过进行插值或者外插来决定。插值的各种方法(例如样条、线性、三次方)能够根据精度以及计算量的限制而使用。同样，lut的信号水平的数量可取决于精度以及计算量的限制。从整体上来说，更大的值会带来能量分辨率(即，校正的精度)的提高。在lut方法的情况下，有时lut的任何校正系数都是由能量校正决定的对应的参数。如上述那样，能量校正可以包含tot非线性校正，但并不限定于tot非线性校正。除此之外，能量校正有考虑电荷的分割、阈值设定及其他非线性作用所引起的非线性的情况。而且，能量校正有时是为了得到表示非线性校正的式子的参数而根据各个检测器元件的位置/识别信息(identity：id)推算的查找表。因而，能量校正的参数化能够按照每一个检测器元件而对检测器元件实施。在步骤160中，辨别出多信道事件所对应的检测事件，接着，为了决定各多信道检测事件的总能量而合计能量。以下记载该工序的一实施方式相关的详细情况。步骤160是任意选择的，在特定的实施方式中能够省略。在步骤170中，pet图像175使用任意的已知的重建法而根据校正pet数据重建。例如能够使用pet数据153将放射能水平(例如示踪剂密度)的图像重建为体素位置的函数。图像重建如本领域技术人员所理解那样，能够使用逆投影法、滤波处理反投影法、傅立叶转换基础的图像重建法、逐次的图像重建法、矩阵反转重建法、统计的图像重建法、列表·模式法、或其他重建法或者它们的组合来实施。例如能够使用由fbp重建pet图像初始化的有序子集最大期望值法(orderedsubsetexpectationmaximization：os－em)算法来重建pet图像175。返回步骤160，未处理数据153有包含伽马射线检测事件所对应的能量、时间以及位置的情况。例如检测事件有在目的obj内发生的在正电子·电子对湮灭事件之间放射的伽马射线对所对应的情况。检测事件有时由多个检测器元件中的某一个检测出。在发生多信道检测时，来自单一的伽马射线的能量在两个以上的检测器元件之间被分配而检测。这两个以上的检测器元件有时位于单一的检测器模块(例如邻接的检测器元件)之中，或者在两个以上的检测器模块中分配。例如在康普顿散射中，散射的伽马射线有时在被产生了康普顿散射的第一检测器元件所远离的第二检测器元件吸收之前横穿几个检测器元件。在步骤160中，多信道检测事件根据能量校正放射数据153的多信道检测事件而被识别，接着，识别出的多信道检测事件按照各事件被分组。即，各个组与单一的一次伽马射线对应。在一次散射中，各组包含成为在产生了康普顿散射的第一晶体中检测出的能量的一个碰撞、以及成为在散射的伽马射线经由光电吸收被吸收的第二晶体中检测出的能量的另一个碰撞这两个碰撞。同样，二次散射事件的各组包含三个碰撞(即，一个一次伽马射线和两个散射伽马射线的各个)及其他碰撞(例如三次散射等所对应的组中的四个碰撞)。多信道事件有时例如基于检测信号的时间接近性、基于检测信号的空间接近性、基于信号的能量的合计或者基于它们的任意的组合而选择。例如在伽马射线源具有已知的能量(例如来自正电子湮灭的伽马射线的情况下511kev)的情况下，信号的合计越接近已知的能量，信号与相同的多信道事件一致的可能性越高。而且，在时间上接近而同时产生的信号其与相同的多信道事件一致的可能性更高，并且在空间上接近而同时产生的信号其与相同的多信道事件一致的可能性更高。而且，在满足所有上述的三个条件(即，能量、时间以及空间)时，信号与相同的多信道事件一致的可能性变得更高。因而，能够使用多变量统计分析来实施将信号分组为多信道事件的处理。除了能量校正模型f的参数从dl网络135直接输出的上述的实施方式之外，能量校正能够使用由dl网络135输出能量(例如由所选择的放射性同位素放射的伽马射线的能量)的特定的集合所对应的能量信号值(例如能量坐标)的第二实施方式来实施。该能量信号值具有向量值。接着，在接下来的步骤中，使用能量坐标，将能量校正模型f曲线拟合到从dl网络135输出的能量信号/坐标值，从而决定向量参数p。该方法能够运用在多线源能量校正中使用的以前的工序。例如在多线源能量校正中，也可以测定很多的放射性同位素能量的光谱来决定各放射性同位素(2以上的放射性同位素)的光谱的峰值所对应的能量信号/坐标值。为了决定各放射性同位素的光谱的峰值所对应的能量信号/坐标值，能够测定很多的放射性同位素能量的光谱。这如图7a至7c所图示的那样，(i)对于晶体a、晶体b以及晶体c的每一个，对于三个不同的检测器元件使用六个不同的同位素，示出取得的能量光谱。这些曲线图沿横轴示出tot信号(即，能量坐标)，沿纵轴示出计数。使用的放射性同位素(以及它们的能量)是am－241(59.5kev)、ba－133(81kev以及356kev)、co－57(122kev)、lu－176(202kev以及307kev)、ge－68(511kev)以及cs－137(662kev)。这些放射性同位素以覆盖511kev伽马射线以及它们的康普顿散射相互作用的对象区域的方式被选择。在能量校正所对应的多线源方法中，将放射性同位素(即，am－241、ba－133、co－57、lu－176、ge－68以及cs137)的已知的能量(即，59.5、81、122、202、307、356、511以及662kev)相关的8个能量峰值所对应的tot值曲线拟合，从而生成能量校正模型f的向量参数p。在能量校正所对应的dl网络方法的一实施方式中，dl网络135使用输入数据143的lu－176光谱被训练，目标数据是很多不同的放射性同位素的峰值。因而，dl网络135通常被训练为从单一光谱生成只通过测定很多的光谱而取得的信息。在dl网络135被训练之后，通过应用作为输入而新取得的lu－176光谱来使用该dl网络135，生成8个峰值所对应的tot值，接着，使用这些tot值，对能量校正模型f进行曲线拟合，由此生成向量参数p。为了说明这个方法，对35000的晶体取得了校正数据。数据被分为训练、验证以及测试集合。在验证结果的改善停止时，训练结束。为了生成上述8个峰值所对应的推断位置而使dl网络135训练。使这8个峰值拟合到三个参数函数。图8表示图7a至7c的晶体a、b以及c的拟合。能够以计算处理上效率高的方式高速地执行该3参数拟合而生成能量校正表。在特定的实施方式中，用于决定对于检测器阵列的规定的检测器的向量参数p的曲线拟合，在其他检测器之中，能够单独地实施。因而，各个检测器的能量校正可以并行(即，使用并行处理而实施)地在多处理器或者多核机(例如图形处理装置或者多核中央运算处理装置)上实现高速的校正。对于35000个晶体的训练数据集合而言，只要训练数据集合内的晶体特征的分布与使用dl网络135校正的情况下的这些晶体相同，就应该是恰当的。但是，晶体以及光传感器制造工序将来有被变更可能性，因此有可能期望进一步扩展了的训练数据集合，其结果，dl网络135可能与基于经验测定的闪烁体晶体以及检测器的当前的集合内的范围相比，使用非线性响应的更大范围而训练。图9示出生成扩展/放大训练数据集合的方法900的流程图。在方法900中，为了示出比训练数据集合内的原始的测定值所示的范围更大的范围的非线性的变形方式，将测定数据集合扩展/放大。因而，扩展训练数据集合包含表示比可从现有的晶体/检测器的测定获得的范围大的范围的非线性响应的、所计算出的lu－176光谱以及峰值位置。使用该放大数据集合来训练dl网络135的范围与由现有的晶体/检测器示出的非线性的范围(例如统计分布)不同，并且对于其范围外的将来的检测器的潜在范围来说，使dl网络135更加可靠。本说明书中所述、并且是图9所示的特定的实施方式是非限定性的，能够在不脱离促进可靠性的数据扩展的方法的主旨的范围内使用其变形方式。在开发pet校正方法时经常存在的课题是，现在得到的见解在将来的系统中有可能不覆盖所设想的动作的整个范围。如上述那样，基于经验的训练数据是从约35000个晶体进行测量，但对于由检测器组件的制造的变更引起的、非线性系数的今后的变化来说，期望可靠的校正方法。因而，扩展了数据以提供使用大范围的非线性参数的计算训练数据。数据扩展工序的非限定性的一实施方式如以下那样发挥功能。在该非限定性的情况下，数据按照每个原始的数据集合生成五个新数据集合从而得到扩展(此时，原始的各数据集合与一个晶体对应)，由此生成了花费到原来的样本数量的6倍的数据集合。通过对于所有的晶体将测定峰值位置拟合，决定三个非线性参数。协方差矩阵在三个参数的对应的对(pair)之间计算。图10a表示有时通过协方差矩阵描绘的参数1与参数2之间的散布图。接下来，协方差矩阵为了增加参数的明显变动而被缩放/扩展。对于各晶体使用原始的三个非线性参数，lu－176tot光谱被转换为能量光谱。接着，使用缩放(scaling)后的协方差矩阵，三个新的非线性参数的五个集合被随机选择，覆盖比测定数据(即，被称作缩放后的协方差区域的、缩放后的协方差矩阵的范围)大的范围。例如这可以通过随机选择参数的集合而实施，并且排除一些参数从相位空间的规定的区域(图10b的被称作缩放后的协方差区域)脱离的参数的集合。接着，将随机选择参数的集合全部保持到进入图10b所示那样的相位空间的规定的区域。通过对lu－176能量光谱应用新的非线性参数的各集合，将其转换为新的tot光谱(训练数据集合的新的输入数据)，从而生成新的数据集合，将相同的转换应用于8个峰值位置，生成训练数据集合的新的目标数据。测定非线性参数的分布如图10a所示，扩展非线性参数的分布如图10b所示。返回图9，在方法900的步骤910中，取得测定数据集合。在方法900的步骤920中，测定非线性(向量)参数pmeas被决定。例如使用采用其他放射性同位素(即，am－241、ba－133、co－57、lu－176、ge－68以及cs137)的测定，能够生成测定非线性参数pmeas。在步骤930中，计算新的参数(即，扩展非线性参数)，以具有超过测定非线性参数pmeas的离散分布(日语：プロファイル)而扩展的分布(例如协方差矩阵所表示的统计分布)。在方法900的步骤940中，使用测定非线性参数pmeas以及测定lu－176光谱xmeas(lu－176)，实施前向(forward)映射，决定校正lu－176光谱e(lu－176)。能够将相同的工序应用于基准峰值的tot值x(ref.)而生成修正能量e(ref.)。在步骤950中，使用扩展后的非线性(向量)参数pcalc实施后向映射以及生成用于训练dl网络135的输入数据的扩展数据集合以及目标数据进而对于大范围的检测器非线性的将来的可能性而言更加可靠。在步骤960中，dl网络135通过使用扩展数据集合并训练而进一步训练/更新。接着，更新后的dl网络135能够如上述那样在方法100的步骤155中使用。如此，处理电路270通过学习功能，将训练数据集合扩展而生成扩展训练数据。处理电路270通过学习功能决定将测定信号与能量建立关联的追加的参数。该追加的参数位于比目标数据所对应的参数的分布大的扩展后的分布内。处理电路270通过学习功能，基于追加的参数，将能量映射到追加的测定信号。处理电路270通过学习功能，生成包含追加的测定信号以及训练数据集合的测定信号在内的扩展训练数据集合，使用包含训练数据集合的扩展训练数据集合而训练dl网络135。在上述实施方式中，dl网络135作为输入而接收lu－176光谱，输出基准峰值的各个所对应的tot值。在上述的实施方式中，使用基准峰值的这些tot值，对能量校正模型f进行曲线拟合，由此生成了参数p。在替代的一实施方式中，基准峰值可以直接地用作参数p，也可以通过使用tot值以及基准峰值的已知的能量对各个tot值所对应的修正能量值进行插值/外插，从而能够获得与图8所示的曲线相同的曲线。作为插值的任意方法，例如能够使用线性、二次、三次方以及样条插值方法等。而且，在特定的实施方式中，基准值也对应于峰值以外的其他能量。在特定的实施方式中，能量校正作为查找表(lut)而存储。例如，即使是能量校正模型具有特定的函数形式时，各个测定能量信号所对应的能量值(例如tot值)也可以被预先计算并存储于高速参照用的lut，对于进入到记录于lut插值的这些之间的测定能量信号，能够为了决定对应的修正能量值而使用。而且，在特定的实施方式中，dl网络135能够通过光谱的复合物理基础模型即物理基础模型135而置换。在该替代的方法中，取代使用人工神经网络，将输入光谱拟合到光谱的复合物理特性基础模型。模型包含描绘非线性的能够调整的参数。对数据的最佳拟合在其他参数之中提供非线性系数。图11示出lu－176的能级与放射路径的水平图。如图11所示，lu－176由于贝塔(β)放射而衰变，伽马射线的级联在这之后继续。贝塔放射以及伽马级联本质上同时发生。即，与检测系统的分辨率相比，在非常近的时间内发生。图12示出了基于物理模型、作为来自几个相关的放射性衰变工序的光谱的重合而能够使lu－176光谱模型化。鉴于图11，物理基础模型通过考虑几个假定的简化而能够更好地理解。第一，在贝塔放射中，能够设想所有的衰变都是通过99.1％的路径而产生的。第二，贝塔能量在本质上总是在闪烁体内被完全捕捉。因而，能够设想100％的贝塔粒子向它们产生的晶体赋予它们的所有能量。第三，伽马射线(88、202以及307kev)有被捕捉或者逃离的可能性。概率由能量以及闪烁体尺寸决定。因而，贝塔光谱被多次复制，整体的光谱是被复制的光谱的合计。例如88kev以及307kev的伽马射线被捕捉的情况下的衰变将生成仅移位(88+307＝395kev)的贝塔光谱。因而，可设想三个伽马射线各自的逃离的概率能够由三个概率(p88、p202、p307)表示，此时，p88是88kev的伽马射线逃离的概率，p202是202kev的伽马射线逃离的概率，p307是307kev的伽马射线逃离的概率，p88＜p202＜p307。实际上，逃离的概率被在闪烁体内产生的放射性衰变的位置左右，另一方面，这里，关于各能量，设想逃离的概率并非根据晶体的位置以及几何学的形状而变化，而是一定的，因此将其简化。(表1)8贝塔复本的方案的概率编号被捕捉的88kev被捕捉的202kev被捕捉的307kev一次复本相对振幅1---p88*p202*p3072x--(1-p88)*p202*p3073-x-p88*(1-p202)*p3074--xp88*p202*(1-p307)5xx-(1-p88)*(1-p202)*p3076x-x(1-p88)*p202*(1-p307)7xxp88*(1-p202)*(1-p307)8xxx(1-p88)*(1-p202)*(1-p307)第四，对于分别有可能逃离或者被捕捉的三个伽马射线，可想到23＝8的贝塔光谱复本(replica)。对于根据三个伽马射线是否逃离的可想到的8个排列的各个，概率由表1所示。左侧的数据复本编号与由图12所示的贝塔复本编号对应。例如在88kev与202kev这两方的伽马射线被捕捉的情况下，光谱被移位(即，88+202＝290kev)，形成图12所示那样的贝塔复本5的光谱。而且，对该方案所赋予的概率(权重)由(1-p88)*(1-p202)*p307表示。第五，在存在其他闪烁体元件(相同的检测器块的其他闪烁体像素或者pet检测器环的其他检测器)的情况下，来自一个检测器的逃离(主要是202kev以及307kev)有时被其他检测器检测出，带来追加的峰值。为了简化物理模型，能够设想只有来自其他检测器元件的202kev以及307kev的逃离对于整体的光谱成为显著的贡献因素。第六，光谱的特征通过整体的检测系统(闪烁体、光传感器以及电子装置的组合)的能量分辨率修正。为了简化物理模型，能够设想为能量分辨率可通过单一的参数来说明。例如能够设想511kev的分辨率(eres(511kev))可以用作一个参数，规定的能量e下的能量分辨率通过求出。设想上述的能量分辨率通过能量的平方根进行缩放。贝塔复本的各个有用参数化后的形状函数b表示的情况，表示为b(e00，eres(511kev))，这里，e00是同时吸收的伽马射线下的复本的能量移位。振幅由振幅换算系数a以及相关的振幅系数决定，其表示于表1的右端的列。作为一个例子，关于表1的6行所示的复本(即，能量88kev以及307kev的伽马射线被捕捉)，能量移位为e00＝88+307＝395kev，贝塔复本6的β6的整体的复本为β6＝a×(1－p88)×p202×(1－p307)×b(395、eres(511kev))。整体的能量光谱如图12所示，是8个贝塔复本的合计及其来自他检测器元件的由逃离的吸收产生的两个伽马峰值(202kev以及307kev)。为了将沿着检测路径(例如闪烁体、光传感器、读出电子装置)的链路的效果模型化，能够应用追加的式子。例如光传感器的量子效率有可能作为能量的函数而变化。接下来，检测器的非线性通过参数化后的式子表示。例如关于使用过阈时间(tot)方法而被读取的检测器，能够使用四个参数、c、a、e0以及tot511来表示非线性。能量e由d＝e0/c-1b＝tot511/log(511/c-d)e＝c*(exp(tot)/(a/tot+b))+d)表示，这里，tot是测定信号。汇集上述所有假定，整体的lu－176光谱由使用1.贝塔复本的整体的换算系数“a”2.511kev的能量分辨率“eres＿511”3.88kev的逃离的概率“p88”4.202kev的逃离的概率“p202”5.307kev的逃离的概率“p307”6.202kev的峰值(从其他检测器的逃离)的振幅“a202”7.307kev的峰值(从其他检测器的逃离)的振幅“a307”8.非线性参数编号1“c”9.非线性参数编号2“a”10.非线性参数编号3“e0”11.非线性参数编号4“tot511”这11个自由参数的物理模型表示。因而，通过调整为使这11个参数与测定光谱最好一致，生成规定非线性检测器响应的四个参数(c、a、e0以及tot511)。这11个参数对于本领域技术人员来说能够通过已知的拟合方法决定。例如这些参数能够使用采用最小平方罚函数的单纯形搜索来决定。即，处理电路270通过校正功能来调整物理基础模型的自由参数，对能量光谱和由物理基础模型生成的光谱之间的拟合进行优化。物理基础模型的自由参数包含能量校正的参数。图13示出了使用物理基础模型而并非dl网络来实施能量校正工序140的能量校正步骤145的方法100的实施方式。在步骤155中，来自工序140的能量校正参数148如图5的流程图中说明那样被应用于未处理数据153。即，处理电路270通过生成功能，将能量校正应用于作为放射数据的未处理数据153而生成放射数据的检测事件的能量。而且，步骤160以及170与图5相同。不同之处在于离线训练的工序110在物理基础模型中并非是必须的。在特定的实施方式中，为了避免参数的过度拟合以及/或者非物理值(例如存在概率p88、p202、以及p307的适当值的范围，该范围以外的值为非物理值)，能够对物理基础模型的自由参数应用标准化以及/或者限制。图14a以及14b表示使用采用了测定lu－176光谱以及所示的组件的各贝塔复本以及伽马射线光谱后的物理基础模型而得的曲线拟合的两个例子。除了上述的实施方式之外，能量校正数据143除了lu－176光谱之外也能够为了包含来自其他放射线源的光谱而扩展。lu－176光谱存在于镥基闪烁体晶体，因此是合适的，因而，即使在为了校正而不特别导入放射线源的情况下，也能够使用pet扫描器内的本底放射线而生成。但是，为了进行能量校正而特别地使用其他放射线源的这一方法，能够出于提高校正的精度的原因而利用。因而，校正能够使用包含至少三个已知的能量峰值(即，来自lu－176光谱的两个和来自其他放射性同位素的追加的光谱的至少后一个的峰值)的光谱来实施。在该实施方式中，其他放射性同位素例如能够采用锗同位素68(ge－68)。作为另一个选项，其他放射性同位素能够采用钡同位素133(ba－133)或者铯同位素137(cs－173)。而且，本说明书所记载的方法能够不使用lu－176光谱地实施。不仅能够使用单一的全能量峰值，也能够使用具有更详细的特征的其他光谱。cs－137生成遍及对象的整个范围的能量，因此在方法100中，cs－137是与lu－176置换的逻辑选择。上述的说明中包含使用面向能量校正数据的lu－176以及ge－68光谱的组合的例示的例子。该特定的组合通常能够容易地获得这两个光谱，因此为了方便而被使用，但也能够使用其他放射线光谱。即，能够使用lu－176以及ge－68光谱的组合而将与上述相同的技术应用于两个其他光谱(例如ba－133以及cs－173)。通常，方法100能够通过使用ba－133以及cs－173的组合作为面向能量校正数据143的光谱来实施。本说明书所记载的方法在与能量校正相关的方法中具有几个优点。第一，校正能够使用单一的本底光谱、或者极少数的光谱(例如来自追加的放射性同位素的另一个光谱)来实施。第二，虽然为了训练dl网络有可能需要实质的时间量，但该训练能够暂时离线地实施。之后，能够使用dl网络极其高速地实施步骤145的能量校正。例如pet扫描器有时包含数万个晶体，dl网络135对于pet扫描器内的数万个晶体的所有晶体能够以2、3毫秒实施全能量校正。有时使用两个校正光谱(例如lu－176以及ge－68)而并非仅一个，是为了能量校正的改进后的精度而牺牲速度。虽然牺牲速度，但能量校正依然能够以较高速实施。接下来，对于dl网络的训练(例如工序130)提供更详细的说明。这里，目标数据120是能量校正模型的参数。在替代的一实施方式中，目标数据120是基准能量坐标(例如多个放射性同位素am－241、ba－133、co－57、lu－176、ge－68以及cs－137所对应的光谱峰值的测定值)，输入数据115是使用一个放射性同位素(例如lu－176)，或者使用两个放射性同位素(例如lu－176以及ge－68)生成的作为能量坐标(例如tot值)的函数的校正光谱。换言之，基于从多个放射线源获得的能量峰值(光谱峰值)取得神经网络的训练数据。为了简化说明，工序130使用成为模型参数的目标数据120的例子而示出。图16示出训练工序130的一实施方式的流程图。在工序130中，输入数据115以及目标数据120被用作训练dl网络135的训练数据，结果成为在工序130的步骤138中输出的训练后的dl网络135。在离线dl训练工序130中，使用与目标数据120的对应的基准信号成对的多个输入光谱115来训练dl网络135，生成与目标模型参数120类似的模型参数。在工序130中，处理电路270通过学习功能取得训练数据的集合，网络135为了减少误差而被重复更新(成为例如通过损失函数生成的值)。dl网络推测由训练数据隐含表示的映射，成本函数生成与目标模型参数120以及如下结果之间的不匹配建立了关联的误差值，上述结果是，通过对输入光谱115应用dl网络135的当前的具体化后的版本而生成的。例如在特定的实施方式中，成本函数有时使用均方误差而使均方误差最小化。在多层感知机(multilayerperceptron：mlp)神经网络的情况下，有时为了使用(概率)梯度下降法使均方误差准则的成本函数最小化来训练网络，使用反向传播算法。在工序130的步骤132中，生成对于dl网络135的系数的最初的推测。作为追加，最初的推测基于lecun的初始化、xavier的初始化以及kaiming的初始化的一个而获得。工序130的步骤132到138示出了用于训练dl网络135的优化方法的非限定性的例子。(使用例如损失函数或者成本函数)计算表示目标模型参数120和将输入光谱115应用于网络135的当前的版本而生成的网络的输出之间的差异的大小(例如距离尺度)的误差。该误差能够使用包含上述成本函数的已知成本函数或者图像数据间的距离尺度而计算。而且，在特定的实施方式中，误差/损失函数能够使用铰链损失以及交叉熵损失中的一个或者多个而计算。在特定的实施方式中，损失函数可以是目标数据与将输入数据应用于dl网络135的结果之间的差异的lp范数。能够使用lp范数的“p”不同的值而强调噪声的不同方式。在特定的实施方式中，网络135使用反向传播而训练。反向传播可以使用于神经网络的训练，能够与梯度下降优化方法一同使用。在前向路径中，算法基于当前的参数θ计算网络的预测。接着，这些预测被输入到损失函数，通过该函数，这些预测被与对应的真值标签(即，高品质目标数据120)比较。在后向路径中，模型计算对于当前的参数的损失函数的梯度，然后通过在最小化损失的方向上仅以规定的尺寸前进一步来更新参数(例如在nesterov惯性法以及各种适应方法等加速法中，有时选择一步的尺寸，以便更快地收敛并优化损失函数)。实施反投影法所涉及的优化方法有时使用梯度下降法、批量梯度下降法、随机梯度下降法以及小批量概率的梯度下降法中的一个或者多个。前向路径以及后向路径有时通过网络的对应的层被依次实施。在前向路径中，执行是从利用最初的层供给输入开始，由此生成用于下一层的输出激活。该工序在最后的层中反复进行，直到到达损失函数为止。在后向路径中，最后的层计算对于其自身的可学习参数(有的情况下)的、并且是对于其自身的输入的梯度，这发挥作为前一层的上级导函数的作用。该工序反复进行直到到达输入层。返回图16，工序130的步骤134判断为能够计算作为网络变化的函数的误差变化(例如误差梯度)，能够使用误差的该变化来选择dl网络135的权重/系数的下一变化所对应的方向以及步长。通过该方法计算误差的梯度，与梯度下降优化方法的特定的实施方式一致。在特定的其他实施方式中，如本领域技术人员所理解那样，该步骤能够省略，以及/或者也能够用遵循其他优化算法(例如模拟退火法或者遗传算法那样的非梯度下降优化算法)的另一步骤置换。在工序130的步骤134中，面向dl网络135决定新的系数的集合。例如权重/系数在步骤134中能够使用通过梯度下降优化方法或者过度缓和加速法计算出的变化而更新。在工序130的步骤136中，使用dl网络135的更新后的权重/系数来计算新的误差值。在步骤138中，使用规定的中止基准来决定网络的训练是否完成。例如规定的中止基准能够评价新的误差以及/或者所进行的重复的合计次数是否超过了规定的值。例如在新的误差低于规定的阈值或者到达了重复的最大次数的情况下，可满足中止基准。在不满足中止基准的情况下，在工序130中实施的训练工序返回步骤134，并且使用新的权重以及系数而反复进行步骤134，从而返回到重复循环的起始点而继续(重复循环包含步骤134、136、以及138)。在满足中止基准时，在工序130中所执行的训练工序结束。如此，处理电路270通过学习功能反复调整权重系数，神经网络通过使损失函数的值优化，从而训练神经网络，该损失函数测定来自神经网络的映射的输出值和来自目标数据的映射的对应的值之间的误差。图17示出dl网络135中的层间的相互结合的一个例子。dl网络135有时包含完全结合的卷积层以及池化层，以下对所有这些进行说明。在dl网络135的特定的优选的实施方式中，卷积层置于输入层的附近，但另一方面，进行高水平的逻辑思考的完全结合的层被配置于在损失函数的方向上架构大幅下降的地方。池化层能够在卷积后插入，并且提供滤波器的空间扩展、甚至是减少可学习的参数的量的缩小。为了能够导入非线性并且学习网络复杂的预测关系，也将激活函数编入各种层。激活函数能够采用饱和激活函数(例如s形或者双曲线正切激活函数)或者标准化激活函数(例如前述的第一以及第二例中应用的标准化线性函数(修正线性单元rectifiedlinearunit：relu))。dl网络135的层可以如在上述第一以及第二例中所示那样也包含批量标准化。图17表示具有n个输入、k个隐藏层以及三个输出的一般的人工神经网络(ann)的例子。各层由节点(也被称作神经元)构成，而且，各节点进行输入的加权合计，并且将加权合计的结果与阈值比较而生成输出。ann虽然制作函数的集合，但在该情况下，该集合的要素通过变更阈值、结合权重、或者节点的个数以及/或者它们的结合性等架构的详细情况而获得。ann中的节点有时被称作神经元(或者神经元节点)，另外，这些神经元有时在ann系统的不同的层之间具有相互结合。突触(即，神经元间的结合部)存储在该计算中处理数据的被称作“权重”的值(在相同的意思上也被称为“系数”或者“加权系数”)。ann的输出依据(i)神经元不同的层间的相互结合模式、(ii)用于更新相互结合部的权重的学习工序以及(iii)将神经元的加权后的输入转换为其输出激活的激活函数的3种参数。数学上，神经元的网络函数m(x)可定义为其他函数ni(x)的合成，该其他函数ni(x)还可定义为其他函数的合成。有时为了方便，将其表现为如图17所示具有表示变量间的依存关系的箭头的网络结构。例如ann有时使用非线性加权合计，这里，m(x)＝k(σiwini(x))，k(通常称为激活函数)是双曲线正切等几个规定的函数。在图17中，神经元(即，节点)被描绘为阈值函数的周围的圆。在图17所示的非限定性的例子的情况下，输入被描绘为线性函数的周围的圆，另外，箭头示出了神经元间的定向耦合。图18表示网络135被扩展而包含输入层之前的输入预先缩放以及输出层之后的再缩放的替代的一实施方式。通过该扩展，能够提供伴随着更加一贯的结果的更可靠的实施方式。在训练ann之前将输入以及目标输出缩放是良好的方法。例如能够为了使训练数据内的各输入的最小以及最大值落入－1至1的范围而线性地转换输入。或者，能够为了使各输入具有平均0和标准偏差1而线性地转换输入。同样，关于输出的再缩放，为了训练而转换目标输出，接着，为了使输出值返回它们的原来的目标范围，将逆转换应用于训练后的网络的输出。除了上述的训练前的输入值以及输出值的缩放之外，在特定的实施方式中，通过对未测定光谱的“x轴”应用缩放，能够预先缩放输入数据而生成输入数据。该“x轴”缩放实现两个优选的结果。第一，由于制造工序的变形方式，未测定光谱有在特征的位置处实质上变化的情况，但通过该缩放，能够对于该变形方式构建可靠的工序。第二，通过实施该缩放，工序对于制造工序或者例如时钟速度的变更等电子装置设定中的将来的变更来说更加可靠。鉴于“x轴”缩放，例如在时钟速度设定的变化将测定光谱的“x轴”放大或者压缩的情况下，网络无需再训练。以使特征遍及输入空间的更小范围而整体地产生的方式缩放“x轴”，从而，能够不牺牲精度地减少输入的数量以及隐藏神经元。由此，也会减少训练时间以及实现良好的性能所需的训练数据的数量。图19a至图19c表示x轴再缩放的非限定性的例子。在图19a中，示出使用不同的x轴缩放的未处理输入光谱的两个例，示出了有光谱变化的可能性的范围。应用该“x轴”缩放的一个方法虽然记载在本说明书中，但如本领域技术人员可理解的那样，也能够使用其他方法。在该例子的情况下，向ann的输入是lu－176光谱，输出是各光谱的特定的能量所对应的tot值。首先，单一的值、totmin被识别出。这里，totmin在所有的测定光谱中被定义为变化明显较少或完全没有变化的值(例如该值能够在测定值之中设定为最小tot值)。在特定的实施方式中，作为可能的tot测定值的最大值能够识别第二值、totmax。接下来，如图19b所示，按照每个光谱计算相对的累积和(即被标准化成最大值为1的累积和)。接着，作为相对的累积和为0.90以上的值，按照每个光谱定义第一tot值。该值由tot90％(i)表示，这里，下标i的意思是光谱索引。接着，对于tot90％(i)乘以一定值(1.20那样的)，四舍五入为最接近的整数值，从而按照每个光谱计算最大tot值(totmax(i))。接着，按照每个光谱计算换算系数、totscalefactor(i)＝totmax/totmax(i)。接下来，通过换算系数对(表示特定的能量的tot值的)原来的目标输出数据进行乘法运算，生成图19c所示那样的缩放后的目标输出。每个光谱的该换算系数被用于再缩放ann的输出并生成最终输出值地存储于存储器内。“x轴”缩放输入数据(参照图19c)是以从totmin至totmax(i)线性地隔开了间隔而得到的n值(这里，n与输入层的神经元的数量相等)对原来的光谱(图19a)的各个分别进行线性插值而生成的。方法100的上述的实施方式主要使用lu－176的光谱而例示。lu－176光谱由于它们呈现非常多的不连续以及连续光谱特征，因此对非线性能量校正是有利的。但是，ge－68等的来自单一峰值光谱的光谱也有产生由检测器晶体中的康普顿散射及其他物理工序引起的不连续以及连续光谱特征的情况。特征如图20、图21a以及21b图示，有包含康普顿后方散射峰值、康普顿边缘以及各种逃离峰值的情况。图20示出从单一的能量放射线源产生的各种物理的工序的概略图。这里，ge－68以511kev放射伽马射线。但是，示出了来自环表面的晶体的后方散射被环的左下区域的检测器吸收的情况。而且，图20示出了由多康普顿散射引起而被吸收的伽马射线能量、以及有x射线逃离的情况下被吸收的能量。图21a表示由从ge－68放射的511kev的伽马射线的检测产生的吸收光谱，包含上述的散射工序所对应的各种光谱特征。在图21a中，对垂直线使用对数刻度，为了更良好地分析各种特征，设想完全的检测器分辨率而示出了吸收光谱。在图21b中，在纵轴中使用线性尺度，设想了有限度的检测器分辨率。即使在ge－68放射仅具有单一能量的伽马射线的情况下，吸收能量也示出(例如后方散射峰值以及康普顿边缘所引起的)很多不同的光谱特征。因而，即使在放射线源仅将放射线的单一能量放射的情况下，检测工序也有带来很多的光谱特征的情况。因此，本说明书所记载的方法除了能够使用以多个能量将放射线放射的lu－176那样的放射线源来应用之外，还能够使用来自以单一能量将放射线放射的ge－68那样的放射线源的光谱来应用。图20、21a以及21b所示的各种散射工序的物理基础模型能够使用散射工序的公知的分析以及数式来应用。因而，dl网络实施方式或者物理基础模型实施方式能够应用于从仅以一个或者两个能量放射的放射线源取得的吸收光谱。图22表示dl网络135作为输入而接收两个全光谱(例如lu－176所对应的第一光谱以及ge－68所对应的第二光谱)的实施方式。在该实施方式中，对于60、81、122、202、307、356、511以及662kev的能量所对应的tot值，生成8个输出。由于输入数量多，网络内的节点数变多，由此，有网络的训练变慢的可能性。图23表示dl网络135被细分化为一系列较小的dl网络135a、135b、135c以及135d的替代的一实施方式。这些网络的各个与图22所示的实施方式相比，输入更少，因此能够更高速地实施细分化dl网络135a、135b、135c以及135d的训练。而且，细分化dl网络135a、135b、135c以及135d的各个能够更高速地实现，因此带来包含细分化dl网络135a、135b、135c以及135d的所有性能在内的全dl网络135的更高速的性能。图23以及24a表示ge－68的一部分被用于决定与511kev的峰值对应的tot值的情况。图23以及24b中，全lu－176光谱与来自dl网络135a的511kev的峰值所对应的tot值一同作为输入而被应用于dl网络135b，生成与60、81、122、202、307、356以及662kev的能量对应的tot值所对应的7个输出。同样，在图23以及24c中，全ge－68光谱与来自dl网络135a的511kev的峰值所对应的tot值一同作为输入而被应用于dl网络135c，生成与60、81、122、202、307、356以及662kev的能量对应的tot值所对应的7个输出。最后，来自dl网络135a、135b以及135c的各个dl网络的输出的组合作为输入而被应用于dl网络135d，由此生成与60、81、122、202、307、356、511以及662kev的能量对应的tot值所对应的8个输出。图24示出了将细分化dl网络135a、135b、135c以及135d组合而相互建立关联地生成60、81、122、202、307、356、511以及662kev的能量所对应的tot值的方法的另一图。这是使用dl网络135的实施方式中的变形方式将dl网络135的训练以及使用这两方的性能加速而生成能量校正的方法的一个例子。根据以上说明的至少一个实施方式，能够高精度地进行能量的构成。虽然说明了几个实施方式，但这些实施方式是作为例子而提出的，并不意图限定发明的范围。这些实施方式能够以其他各种方式实施，在不脱离发明的主旨的范围内能够进行各种省略、替换、变更、实施方式彼此的组合。这些实施方式及其变形包含在发明的范围、主旨中，同样包含在权利要求书所记载的发明与其等效的范围内。关于以上的实施方式，作为发明的一方面以及选择性的特征，公开以下的附记。(附记1)一种放射线检测装置，包含处理电路，该处理电路构成为，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，通过将所述能量光谱应用于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。(附记2)所述放射线也可以是电离放射线。所述能量光谱也可以是校正光谱。所述校正光谱也可以表示所述电离性放射线的计数或者强度，作为与遍及规定的能量范围的所述电离性放射线的能量单调地建立了关联的测定信号的函数。校正数据也可以被输入到神经网络而生成能量校正参数。测定lu-176光谱也可以是校正数据。能量校正模型f的参数p也可以是能量校正参数。能量光谱e也可以表示作为测定信号的函数f的、放射线的计数值和/或强度。测定信号是过阈时间(tot)信号x。该函数是能量校正模型f。e＝f(x，p)＝α(β+ex/γ)，这里，e是能量光谱，x是tot(过阈时间)值，p＝{α，β，γ}是能量校正参数。(附记3)所述放射线包含伽马射线，所述处理电路取得向所述检测器入射的所述伽马射线的放射数据，将所述能量校正应用于所述放射数据，生成所述放射数据的检测事件的能量。所述放射数据也可以包含与遍及所述规定的能量范围的所述伽马射线的能量单调地建立了关联的取得信号，所述处理电路将所述能量校正应用于所述取得信号，生成所述放射数据的检测事件的能量。未处理数据使用能量校正参数而被校正。由神经网络生成的参数与过阈信号(tot)x或者能量坐标一同作为能量校正模型f的输入被应用，生成修正能量e＝f(x，p)。也可以合计多信道事件的能量。也可以使用图像重建法根据校正放射数据来重建pet图像。未处理数据也可以是向检测器入射的伽马射线的收集到的放射数据。所述能量光谱被作为输入应用于所述神经网络。所述神经网络使用包含输入数据以及目标数据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。使用与第一校正方法不同的第二校正方法导出所述映射的值。基于从多个放射线源获得的能量峰值(光谱峰值)，取得神经网络的训练数据。也可以将输入数据以及目标数据用作训练数据而训练神经网络。输入数据也可以是收集lu－176光谱。目标数据也可以是能量校正模型的参数。目标数据也可以是基准能量坐标(例如多个放射性同位素am－241、ba－133、co－57、lu－176、ge－68以及cs－137所对应的光谱峰值的测定值)。输入数据也可以是作为通过使用一个放射性同位素而生成的能量坐标(例如tot值)的函数的校正光谱，也可以是通过使用两个放射性同位素(例如lu-176以及ge－68)而生成的能量坐标。第一校正方法也可以是多源校正方法。第二校正方法也可以是使用具有涉及多个不同的能量的能量特征的电离放射线源的方法。(附记4)能量光谱被作为输入而应用于校正源的物理基础模型。处理电路调整物理基础模型的自由参数，对能量光谱与由物理基础模型生成并计算出的光谱之间的拟合进行优化。物理基础模型的自由参数包含能量校正的参数。(附记5)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。(附记6)校正源存在于检测器的材料内。校正源是镥同位素176(lu－176)。校正源也可以是外部伽马射线源。(附记7)校正数据包含从与该校正源不同的另一个校正源取得的一个其他光谱，该不同的另一个校正源主要以一个能量峰值放射伽马射线。(附记8)该校正源的放射性同位素是存在于镥基闪烁体晶体内的镥同位素176(lu－176)。该不同的另一个校正源包含从由铯同位素137以及锗同位素68构成的组中选择的放射性同位素。(附记9)处理电路还构成为，取得训练数据集合，所述输入数据的所述各个放射线光谱与所述目标数据的所述映射的对应的值成对，所述映射的值是将测定信号与能量建立关联的参数，使用所述神经网络，将被赋予的能量光谱应用于所述神经网络，从而从所述各个能量光谱输出所述映射的值，通过反复调整权重系数，所述神经网络将损失函数的值优化，从而训练所述神经网络，所述损失函数测定来自所述神经网络的所述映射的输出值和来自所述目标数据的所述映射的对应的值之间的误差。(附记10)能量光谱作为测定信号的函数而表示放射线的计数或者强度。测定信号是过阈时间信号或者来自对于向检测器入射的放射线的强度而言具有从检测器输出的测定信号的非线性响应的检测器的信号。(附记11)处理电路还构成为，对放射数据中的由多信道检测生成的能量进行合计，按照每个多信道检测来计算总能量，以放射数据生成修正能量，重建来自放射数据的正电子放射断层拍摄(positronemissiontomography：pet)图像。(附记12)处理电路构成为使用医用成像扫描器取得放射数据。医用成像扫描器从(i)正电子放射断层拍摄扫描器、(ii)单一光子放射断层拍摄扫描器、(iii)x射线断层拍摄扫描器中选择。(附记13)在映射的值是已知的能量下的测定信号的值时，已知的能量是多个放射性同位素所对应的各个能量光谱的峰值，损失函数表示从神经网络输出的映射值与多个放射性同位素所对应的测定出的能量光谱的峰值的值即来自目标数据的映射的值之差。(附记14)处理电路扩展训练数据集合，生成扩展训练数据集合，并且扩展训练数据集合。处理电路还构成为，决定将测定信号与能量建立关联的追加的参数，追加的参数处于比目标数据所对应的参数的分布大的扩展后的分布内，基于追加的参数，将能量映射到追加的测定信号，生成包含追加的测定信号以及训练数据集合的测定信号在内的扩展训练数据集合，处理电路还构成为，使用包含训练数据集合的扩展训练数据集合，训练神经网络。(附记15)一种方法，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。通过对向神经网络的输入以及向校正源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。通过对向神经网络的输入以及向所述校正源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。校正光谱表示电离性放射线的计数或者强度，作为与遍及规定的能量范围的电离性放射线的能量单调地建立了关联的测定信号的函数。(附记16)放射线包含伽马射线。在该方法中，取得向检测器入射的伽马射线的放射数据，将能量校正应用于取得信号，生成放射数据的检测事件的能量。放射数据包含与遍及规定的能量范围的伽马射线的能量单调地建立了关联的取得信号。(附记17)在校正光谱作为输入应用于神经网络时，取得神经网络的步骤还包含神经网络使用包含输入数据以及目标数据的训练数据集合来训练的步骤，输入数据包含使用校正源取得的放射线光谱，目标数据包含测定信号与能量的映射的值。还包含使用与第一校正方法不同的第二校正方法导出映射的值的方法。(附记18)在将校正光谱作为输入而应用于校正源的物理基础模型时，方法还包含：为了将校正光谱和通过物理基础模型生成并计算出的光谱之间的拟合优化而调整物理基础模型的自由参数的步骤，物理基础模型的自由参数包含能量校正的参数。(附记19)取得所述校正数据的步骤中，校正源包含用于生成光谱的一个以下的放射性同位素，该光谱具有作为吸收放射线能量的函数的多个结构。(附记20)一种非暂时的计算机可读存储介质，包含在通过电路执行时使电路实施上述记载的方法的可执行指令。(附记21)神经网络也可以输出特定的集合所对应的能量信号值(能量坐标)。该能量信号值具有向量值。从2个以上的放射性同位素放射的各个伽马射线的能量也可以是能量的该特定的集合。也可以使用能量坐标，将能量校正模型f曲线拟合到从神经网络输出的能量信号/坐标值来决定向量参数p。也可以测定很多的放射性同位素能量的光谱来决定各放射性同位素的光谱的峰值所对应的能量信号/坐标值。放射性同位素(以及它们的能量)也可以是am－241(59.5kev)、ba－133(81kev以及356kev)、co－57(122kev)、lu－176(202kev以及307kev)、ge－68(511kev)以及cs－137(662kev)。放射性同位素也可以覆盖511kev伽马射线以及它们的康普顿散射相互作用的对象区域。也可以通过对与已知的能量相关的能量峰值所对应的tot值进行曲线拟合来生成能量校正模型f的向量参数p。当前第1页12当前第1页12