CN101947103B - 全光学生物发光断层成像方法 - Google Patents
全光学生物发光断层成像方法 Download PDFInfo
- Publication number
- CN101947103B CN101947103B CN2010102902524A CN201010290252A CN101947103B CN 101947103 B CN101947103 B CN 101947103B CN 2010102902524 A CN2010102902524 A CN 2010102902524A CN 201010290252 A CN201010290252 A CN 201010290252A CN 101947103 B CN101947103 B CN 101947103B
- Authority
- CN
- China
- Prior art keywords
- point
- white light
- light signal
- organism
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种全光学生物发光断层成像方法,解决了现有技术中需要融合结构成像技术,如计算机断层成像或磁共振成像,才能实现三维重建的问题。该方法采用白光信号图像获取生物体表面三维轮廓,结合生物体表面能量分布的定量重建,用于体内生物发光光源的反演,以实现低成本的全光学生物发光断层成像过程。具体实现步骤包括:数据采集与预处理、生物体表面三维轮廓重建、生物体表面能量分布重建、表面能量的定量校准和体内光源反演及三维显示。本发明的全光学生物发光断层成像方法具有灵敏度高、成本低的特点,同时避免了复杂繁琐、耗时耗力的分割和配准环节,可用于生物发光断层成像领域。
Description
技术领域
本发明属于光学分子成像技术领域,涉及生物发光断层成像技术,特别是一种基于全光学数据的生物发光断层成像方法。
背景技术
生物发光断层成像是近年来新兴的一种非接触式光学分子成像技术,它是通过融合小动物体表测量的多角度生物发光信号、生物体的解剖结构和组织光学参数信息,基于精确的生物组织中的光传输模型重建活体小动物体内生物发光探针的三维空间位置和浓度分布,参见GeWang,“Uniqueness theorems in bioluminescence tomography,”MedicalPhysics 31,2289-2299(2004)。2003年,美国爱荷华大学的王革教授首次提出生物发光断层成像的概念,并开发了相应的原型系统;该原型系统融合计算机断层成像技术提供生物体的解剖结构信息,故命名为BLCT系统,参见Ge Wang,“Development of the first bioluminescence CTscanner,”Radiology 229,566(2003)。从此,融合计算机断层成像技术提供生物体的解剖结构信息就成为生物发光断层成像技术发展的主体趋势,研究人员也都致力于这方面的研究工作,并开发了多种性能良好的算法应用于在体小动物的研究,参见Ge Wang,“In vivo mouse studieswith bioluminescence tomography,”Optics Express 14,7801-7809(2006);Junting Liu,“In vivo quantitative bioluminescence tomography usingheterogeneous and homogeneous mouse modes,”Optics Express 18,13102-13113(2010)。此外,美国哥伦比亚大学的Alexander D.Klose教授提出了一种融合核磁共振成像技术的生物发光断层成像方法,通过求解非匀质小鼠的等效光学特性参数,对小鼠体内的生物发光光源进行匀质重建,参见Alexander D.Klose,“In vivo bioluminescence tomography with ablocking-off finite-difference SP3 method and MRI/CT coregistration,”Medical Physics 37,329-338(2010)。
综上所述,当前已有的生物发光断层成像技术中,均需要融合结构成像技术(如计算机断层成像和磁共振成像技术)提供生物体的三维解剖结构。虽然这些结构成像技术具有很高的精度,但是也带来了一些其他不可忽视的问题。首先,计算机断层成像和磁共振成像价格昂贵,并且计算机断层成像安全性也不高,因此两者并不是理想的提供生物体三维几何结构的成像方式。其次,由计算机断层成像和磁共振成像技术采集的图像数据需要经过器官分割、三维重建等后处理,并与二维生物发光信号图像进行配准后才能用于生物发光断层成像的重建。器官分割和图像配准是极为复杂繁琐、费力费时的工作,它会增加额外的工作量,甚至会带来额外的误差,从而进一步增加了生物发光断层成像的成本代价。在活体成像实验中,可以通过求解等效光学特性参数的方法,将非匀质的小鼠模型等效为匀质模型,参见Alexander D.Klose,“In vivobioluminescence tomography with a blocking-off finite-difference SP3method and MRI/CT coregistration,”Medical Physics 37,329-338(2010);因此,只需获得生物体表面三维轮廓就可以进行内部生物发光光源的重建。此外,在现有的生物发光断层成像技术中,都没有解决从CCD相机采集的生物发光信号到生物体表面能量分布的定量映射问题。
发明内容
本发明的目的在于克服已有技术中生物发光断层成像技术需要融合结构成像技术的不足,提出一种全光学生物发光断层成像方法。该方法采用白光信号图像获取生物体表面三维轮廓,结合生物体表面能量分布的定量重建,用于体内生物发光光源的反演,以实现低成本的全光学生物发光断层成像过程。
为了实现上述目的,本发明方法基于CCD相机采集数据,具体实现包括如下步骤:
步骤一,数据采集与预处理,采集多角度生物发光信号和白光信号图像,并依次进行背景噪声去除、感兴趣区域提取和坏点补偿等数据预处理;
步骤二,生物体表面三维轮廓重建,
(2.1)白光信号图像的阈值分割,应用下述公式对步骤一中采集的多角度白光信号图像进行阈值分割,将其转换为二值图像:
式中,x是每幅白光信号图像中水平方向上的像素值;
y是每幅白光信号图像中竖直方向上的像素值;
θi是第i幅白光信号图像的拍摄视角;
I是经步骤一获取的白光信号图像;
(2.2)二值图像的图像边界提取;
(2.3)确定生物体表面三维轮廓的笛卡尔坐标系;
(2.4)计算二值图像边界点的坐标值,在步骤(2.3)确定的笛卡尔坐标系的基础上,应用下述公式计算步骤(2.2)中获得的图像边界点的坐标:
式中,(X,Y,Z)是图像边界点的笛卡尔坐标;
m是当前像素点与Z轴之间的有效像素数量;
l是单个像素代表的物理长度;
θ是从0度图像算起的总的旋转角度;
n是当前像素点与XOY平面之间的有效像素数量;
SIGN()是符号函数;
flag是标志位,如果当前点在XOY平面的上部,其值取1,否则其值取0;
(2.5)建立生物体表面三维轮廓的三维体数据结构,应用步骤(2.4)中的公式,遍历步骤(2.2)中获得的所有图像边界,得到以点的形式构成的生物体表面的三维体数据结构;
(2.6)建立生物体表面三维轮廓的三角面片数据结构;
步骤三,生物体表面能量分布重建,利用步骤二重建的生物体表面三维轮廓和步骤一获得的生物发光信号图像,应用下式计算生物体表面能量分布:
式中,P是生物体表面能量分布;
r是生物体表面三维轮廓S上的任意一点;
rd是CCD相机上的任意一点;
rvd是点rd在虚拟探测平面上的成像点,虚拟探测平面定义为CCD相机的焦平面;
E(rd)是CCD相机点rd处的强度值;
ξ(rd,r)是表面点r与CCD相机上点rd之间的可视因子,其值由表面点r处出射的光线的方向、CCD相机中的薄透镜位置和直径尺寸确定;
cosθs是表面点r的法向量与表面点r到rvd点之间连线的夹角余弦;
cosθd是rvd点的法向量与rvd点到表面点r之间连线的夹角余弦;
dΩ是CCD相机上点rd处的微元面积;
dS是表面点r处的微元面积;
步骤四,表面能量的定量校准,
(4.1)利用积分球均匀光源系统,校准平面光源的出射流量密度与CCD相机所采集图像的灰度值之间的关系;
(4.2)建立不同距离、不同视场情况下,生物体表面出射流量密度与CCD相机所采集图像的灰度值之间的定量关系:
式中,J是生物体表面点的出射流量密度,单位为纳瓦每平方毫米;
G是CCD相机所采集图像的像素灰度值;
te是CCD相机采集生物发光信号时的曝光时间,单位为秒;
R是生物体表面点到有效透镜边缘的距离,单位为毫米;
d是生物体表面点到有效透镜中心的距离,单位为毫米;
r1是18~23范围内的常数;r2是7~12范围内的常数;r3是57~62范围内的常数;r4是3~8范围内的常数;
(4.3)计算生物体表面的绝对能量分布;
步骤五,体内光源反演及三维显示。
本发明与现有技术相比具有如下优点:
第一,本发明由于采用全光学的测量数据进行体内生物发光光源的定量重建,能够避免使用计算机断层成像或磁共振成像结构成像技术获取生物体三维几何结构,因此具有高灵敏度、成本低的特点;
第二,本发明由于生物发光信号和白光信号图像由同一CCD相机采集,并保证初始采集视角相同,同时不需要生物体的内部解剖结构信息,因此可以避免复杂繁琐、费力费时的分割和配准过程;
第三,本发明由于对生物体表面的能量分布进行了定量校准,可以实现非接触式光学断层成像情况下生物体表面能量的定量重建。
附图说明
图1是本发明的流程图;
图2是本发明生物体表面三维轮廓重建步骤的流程图;
图3是本发明步骤一中采集的小鼠模型多角度生物发光信号图像;
图4是本发明步骤一中采集的小鼠模型多角度白光信号图像;
图5是本发明步骤二重建的小鼠模型表面三维轮廓;
图6是本发明步骤三和步骤四重建的小鼠模型表面能量分布;
图7是本发明步骤五反演的小鼠模型体内光源的结果示意图。
具体实施方式
下面将结合附图对本发明做进一步的描述。
参照图1,本发明的全光学生物发光断层成像方法包括以下步骤:
步骤一,数据采集与预处理。
采集生物发光信号图像,控制成像体等间隔旋转一定角度,一般不大于90°(本例中选90°),利用CCD相机采集不少于四幅生物发光信号图像(本例中为四幅)。继续旋转,使成像体回到生物发光信号图像初始采集的位置。
采集白光信号图像,控制成像体等间隔旋转小角度,一般不大于6°(本例中选3°),利用CCD相机采集不少于60幅白光信号图像(本例中为120幅),采集的白光信号图像用于重建生物体表面三维轮廓;
对采集的生物发光信号和白光信号图像进行数据预处理,采用非接触式光学断层成像方法(CN101692971A)中描述的图像预处理方法对图像依次进行背景噪声去除、感兴趣区域提取和坏点补偿。
步骤二,生物体表面三维轮廓重建。
(2.1)白光信号图像的阈值分割。将依次进行了背景噪声去除、感兴趣区域提取和坏点补偿预处理操作的白光信号图像进行阈值分割,转换为二值图像。白光信号图像的阈值分割采用下式实现:
其中,I是经过步骤(1.2)获取的处理后的白光信号图像;是经过阈值分割之后的白光信号图像;x是每幅白光信号图像中水平方向上的像素值;y是每幅白光信号图像中竖直方向上的像素值;θi是表示第i幅白光信号图像拍摄视角;是第i幅白光信号图像阈值分割时采用的阈值,其值可以根据白光信号图像的信噪比确定,在本实施例中取白光信号图像强度最大值与信噪比的比值。
(2.2)二值图像的图像边界提取。
基于步骤(2.1)中获取的二值图像,利用八邻域图像边缘提取函数提取每幅二值白光信号图像的边界。
(2.3)确定生物体表面三维轮廓的笛卡尔坐标系。
以0°白光信号图像为基准,建立笛卡尔坐标系:以图像的中心为坐标系的原点,以图像的水平方向定义X轴,竖直方向定义Z轴,坐标系的Y轴通过右手定则确定。
(2.4)计算二值图像边界点的坐标值。
在步骤(2.3)确定的笛卡尔坐标系的基础上,计算步骤(2.2)中获得的图像边界点的坐标:
其中,(X,Y,Z)是图像边界点的笛卡尔坐标;m是当前像素点与Z轴之间的有效像素数量;l是单个像素代表的物理长度;θ是从0°图像算起的总的旋转角度;n是当前像素点与XOY平面之间的有效像素数量;SIGN()是符号函数;flag是标志位,如果当前点在XOY平面的上部,其值取1,否则其值取0。
(2.5)建立生物体表面三维轮廓的三维体数据结构。
应用步骤(2.4)中的公式,遍历步骤(2.2)中获得的所有图像边界,得到以点的形式构成的生物体表面三维轮廓的三维体数据结构。
(2.6)建立生物体表面三维轮廓的三角面片数据结构。
步骤(2.5)虽然已经得到了点形式的生物体表面三维轮廓的体数据结构,但是这种数据结构不能直接用于后续的生物体表面能量分布重建和体内生物发光光源的重建。基于步骤(2.5)获取的体数据结构,建立不同坐标点之间的联系,通过八叉树的方法将其转换为三角面片数据结构,用于生物体表面能量分布重建。进一步对获得的三角面片数据结构进行四面体剖分,得到整个生物体三维几何结构的四面体数据,用于体内生物发光光源的重建。
步骤三,生物体表面能量分布重建。
利用步骤二重建的生物体表面三维轮廓和步骤(1.2)获得的处理后的四个角度生物发光信号图像,应用下式计算生物体表面三维能量分布:
其中,P是生物体表面能量分布;r是生物体表面轮廓S上的任意一点;rd是CCD相机上的任意一点;rvd是点rd在虚拟探测平面上的成像点,其中虚拟探测平面是CCD相机的聚焦成像平面;E(rd)是CCD相机上点rd处的强度值;cosθs是表面点r的法向量与表面点r到rvd点之间连线的夹角余弦;cosθd是rvd点的法向量与rvd点到表面点r之间连线的夹角余弦;dΩ是CCD相机上点rd处的微元面积;dS是表面点r处的微元面积;ξ(rd,r)是表面点r与CCD相机上的点rd之间的可视因子,其值由表面点r处出射的光线的方向、CCD相机中的薄透镜位置和直径尺寸确定,在本实施例中通过下式计算:
步骤四,表面能量的定量校准。
(4.1)利用积分球均匀光源系统校准平面光源出射流量密度与CCD相机所采集图像的灰度值之间的关系。
(4.2)进一步考虑生物体表面到CCD相机的距离以及CCD相机采集生物发光信号时的视场大小,建立生物体表面出射流量密度与CCD相机所采集图像的灰度值之间的定量关系:
其中,J是生物体表面点的出射流量密度,单位为纳瓦每平方毫米;G是CCD相机所采集图像的像素灰度值;te是CCD相机采集生物发光信号时的曝光时间,单位为秒;R是生物体表面点到有效透镜边缘的距离,单位为毫米;d是生物体表面点到有效透镜中心的距离,单位为毫米;r1是18~23范围内的常数;r2是7~12范围内的常数;r3是57~62范围内的常数;r4是3~8范围内的常数。
(4.3)计算生物体表面的绝对能量分布。
将步骤三重建的生物体表面能量分布进行归一化处理,然后乘以步骤(4.2)得到的生物体表面点出射流量密度的最大值,获得生物体表面的绝对能量分布。
步骤五,体内光源反演及三维显示。
利用步骤四重建的生物体表面绝对能量分布和步骤二获得的生物体表面三维轮廓信息,反演生物体内的生物发光光源,并将反演的光源信息在生物体内进行三维显示。
本发明的效果可以通过以下实验进一步说明:
在实验中,用一只小鼠形状的仿体模型作为研究对象,分别进行生物发光信号和白光信号的采集。小鼠模型是由尼龙材料做成,并在头部开了一个直径为3mm的小孔,用于植入生物发光光源。
第一,把取自红色荧光棒(Glowproducts,Canada)的混合液体注入小鼠模型头部的小孔内作为体内的生物发光光源。该混合溶液在充分混合后,会发出波长在650nm左右的荧光。根据注入的混合液体的体积20μl和混合液体的能量密度0.2246micro-Watts/μl,计算该生物发光光源的总能量为4.492micro-Watts。
第二,在生物发光光源注入到小鼠模型后,对小鼠模型的体表光学信号进行数据采集。控制小鼠模型等间隔旋转三个90°,使用科学级冷、背部薄化CCD相机(Princeton Instruments/Acton 2048B,Roper Scient-ific,Trenton,NJ)采集小鼠模型表面出射的生物发光信号。图3给出了0°、90°、180°和270°视角的生物发光信号图像,其中图3(a)是小鼠模型0°视图,图3(b)是小鼠模型90°视图,图3(c)是小鼠模型180°视图,图3(d)是小鼠模型270°视图。
第三,控制小鼠模型再旋转90°,调整好初始角度,开始白光信号图像的采集。控制小鼠模型等间隔旋转3°,使用CCD相机采集120幅白光信号图像。图4示出了0°、90°、180°和270°视角的白光信号图像,其中图4(a)是0°视图,图4(b)是90°视图,图4(c)是180°视图,图4(d)是270°视图。
完成多角度生物发光信号和白光信号图像的采集后,利用非接触式光学断层成像方法(CN101692971A)中描述的图像预处理方法对图像进行预处理,然后根据本发明进行小鼠模型表面三维轮廓重建、小鼠模型表面绝对能量分布重建和小鼠模型体内的生物发光光源的重建。
第一,利用步骤二所描述的方法,对采集和处理后的120幅白光信号图像进行小鼠模型表面三维轮廓重建。其中,阈值分割步骤中的阈值选为每幅图像强度最大值与信噪比的比值。由于实验制备时,生物发光光源注入到小鼠模型的中间部位,所以我们只重建了小鼠模型躯干部分的表面三维轮廓。图5是重建的小鼠模型表面三维轮廓图。
第二,利用图5的小鼠模型表面三维轮廓和图4的四个角度生物发光信号图像,根据步骤三重建小鼠模型表面能量分布。
第三,进行小鼠模型表面能量分布的定量校准。将上一步得到的小鼠模型表面能量分布进行归一化处理,并乘以利用步骤四得到的生物体表面点出射流量密度的最大值60.24nana-Watts/mm2,得到小鼠模型表面绝对能量分布。图6是小鼠模型表面绝对能量分布图。
第四,利用图6的小鼠模型表面绝对能量分布进行了小鼠模型体内生物发光光源的重建。光源重建时采用的重建算法是自适应hp有限元光源重建算法,重建中采用的光学参数为吸收系数μa=0.0138mm-1,约化散射系数为μ′s=0.91mm-1。
图7是重建光源在小鼠模型躯干部分的整体显示效果,其中图7(a)是XOZ截面视图,图7(b)是XOY截面视图,图7(c)是YOZ截面视图。重建的光源与真实光源的中心距离误差为0.9177mm,重建能量为4.882micro-Watts,能量重建误差为8.69%。
从实验结果看,本发明的全光学生物发光断层成像方法能够避免不同成像模态图像之间的复杂繁琐、费力费时的配准过程,能够很好地实现一种低成本、安全性高的生物发光断层成像技术,光源重建结果误差小,其中位置误差小于1mm,能量误差小于10%。如上述的小鼠模型实验中,采用自适应hp有限元光源重建算法重建的光源与真实光源的距离误差仅为0.9177mm,能量重建误差仅为8.69%。
Claims (4)
1.全光学生物发光断层成像方法,其实现的具体步骤是:
步骤一,数据采集与预处理,采集多角度生物发光信号和白光信号图像,并依次进行背景噪声去除、感兴趣区域提取和坏点补偿数据预处理;
步骤二,生物体表面三维轮廓重建,
(2.1)白光信号图像的阈值分割,应用下述公式对步骤一中采集的多角度白光信号图像进行阈值分割,将其转换为二值图像:
式中,x是每幅白光信号图像中水平方向上的像素值;
y是每幅白光信号图像中竖直方向上的像素值;
θi是第i幅白光信号图像的拍摄视角;
I是经步骤一获取的白光信号图像;
(2.2)二值图像的图像边界提取;
(2.3)确定生物体表面三维轮廓的笛卡尔坐标系;
(2.4)计算二值图像边界点的坐标值,在步骤(2.3)确定的笛卡尔坐标系的基础上,应用下述公式计算步骤(2.2)中获得的图像边界点的坐标:
式中,(X,Y,Z)是图像边界点的笛卡尔坐标;
m是当前像素点与Z轴之间的有效像素数量;
l是单个像素代表的物理长度;
θ是从0度图像算起的总的旋转角度;
n是当前像素点与XOY平面之间的有效像素数量;
SIGN()是符号函数;
flag是标志位,如果当前点在XOY平面的上部,其值取1,否则其值取0;
(2.5)建立生物体表面三维轮廓的三维体数据结构,应用步骤(2.4)中的公式,遍历步骤(2.2)中获得的所有图像边界,得到以点的形式构成的生物体表面的三维体数据结构;
(2.6)建立生物体表面三维轮廓的三角面片数据结构;
步骤三,生物体表面能量分布重建,利用步骤二重建的生物体表面三维轮廓和步骤一获得的生物发光信号图像,应用下式计算生物体表面能量分布:
式中,P是生物体表面能量分布;
r是生物体表面三维轮廓S上的任意一点;
rd是CCD相机上的任意一点;
rvd是点rd在虚拟探测平面上的成像点,虚拟探测平面定义为CCD相机的焦平面;
E(rd)是CCD相机点rd处的强度值;
ξ(rd,r)是表面点r与CCD相机上点rd之间的可视因子,其值由表面点r处出射的光线的方向、CCD相机中的薄透镜位置和直径尺寸确定;
cosθs是表面点r的法向量与表面点r到rvd点之间连线的夹角余弦;
cosθd是rvd点的法向量与rvd点到表面点r之间连线的夹角余弦;
dΩ是CCD相机上点rd处的微元面积;
dS是表面点r处的微元面积;
步骤四,表面能量的定量校准,
(4.1)利用积分球均匀光源系统,校准平面光源的出射流量密度与CCD相机所采集图像的灰度值之间的关系;
(4.2)建立不同距离、不同视场情况下,生物体表面出射流量密度与CCD相机所采集图像的灰度值之间的定量关系:
式中,J是生物体表面点的出射流量密度,单位为纳瓦每平方毫米;
G是CCD相机所采集图像的像素灰度值;
te是CCD相机采集生物发光信号时的曝光时间,单位为秒;
R是生物体表面点到有效透镜边缘的距离,单位为毫米;
d是生物体表面点到有效透镜中心的距离,单位为毫米;
r1是18~23范围内的常数;r2是7~12范围内的常数;r3是57~62范围内的常数;r4是3~8范围内的常数;
(4.3)计算生物体表面的绝对能量分布;
步骤五,体内光源反演及三维显示。
2.根据权利要求1所述的全光学生物发光断层成像方法,其特征在于:所述步骤一中数据采集的实现是利用CCD相机等间隔采集不少于四幅生物发光信号图像,不少于60幅白光信号图像。
3.根据权利要求1所述的全光学生物发光断层成像方法,其特征在于:所述步骤(2.1)中的阈值应用下述公式获取:
式中,Imax(x,y,θi)是第i幅白光信号图像的强度最大值;
SNR是第i幅白光信号图像的信噪比;
k是0.5~1.5范围内的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102902524A CN101947103B (zh) | 2010-09-20 | 2010-09-20 | 全光学生物发光断层成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102902524A CN101947103B (zh) | 2010-09-20 | 2010-09-20 | 全光学生物发光断层成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101947103A CN101947103A (zh) | 2011-01-19 |
CN101947103B true CN101947103B (zh) | 2012-03-28 |
Family
ID=43450822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102902524A Expired - Fee Related CN101947103B (zh) | 2010-09-20 | 2010-09-20 | 全光学生物发光断层成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101947103B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393969B (zh) * | 2011-06-02 | 2013-04-03 | 西安电子科技大学 | 基于生物组织特异性的光学三维成像方法 |
CN102389297B (zh) * | 2011-09-02 | 2016-08-17 | 中国人民解放军第四军医大学 | 缺血模型多模态分子成像监测方法 |
CN102488493B (zh) * | 2011-11-15 | 2014-07-23 | 西安电子科技大学 | 小动物活体多模态分子成像系统和成像方法 |
CN102869950B (zh) * | 2011-11-23 | 2014-12-10 | 清华大学 | 一种提取物体三维表面轮廓的方法 |
CN106097437B (zh) * | 2016-06-14 | 2019-03-15 | 中国科学院自动化研究所 | 基于纯光学系统的生物自发光三维成像方法 |
CN108451508B (zh) * | 2018-04-28 | 2020-05-05 | 中国科学院自动化研究所 | 基于多层感知机的生物自发荧光三维成像方法 |
CN109872353B (zh) * | 2019-01-04 | 2023-05-12 | 西北大学 | 基于改进迭代最近点算法的白光数据与ct数据配准方法 |
CN117379007B (zh) * | 2023-12-07 | 2024-03-15 | 合肥锐视医疗科技有限公司 | 一种3d光学成像系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101342075A (zh) * | 2008-07-18 | 2009-01-14 | 北京工业大学 | 基于单视图的多光谱自发荧光断层成像重建方法 |
CN101485560A (zh) * | 2008-11-17 | 2009-07-22 | 清华大学 | 一种非接触固定式荧光分子断层成像方法及装置 |
CN101539518A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 一种用于自发荧光成像的空间加权的有限元重建方法 |
CN101692971A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 非接触式光学断层成像方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7616985B2 (en) * | 2002-07-16 | 2009-11-10 | Xenogen Corporation | Method and apparatus for 3-D imaging of internal light sources |
US7190991B2 (en) * | 2003-07-01 | 2007-03-13 | Xenogen Corporation | Multi-mode internal imaging |
CN104274840A (zh) * | 2007-12-05 | 2015-01-14 | 马维尔生物科学公司 | 纳米级对比剂和使用方法 |
-
2010
- 2010-09-20 CN CN2010102902524A patent/CN101947103B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539518A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 一种用于自发荧光成像的空间加权的有限元重建方法 |
CN101342075A (zh) * | 2008-07-18 | 2009-01-14 | 北京工业大学 | 基于单视图的多光谱自发荧光断层成像重建方法 |
CN101485560A (zh) * | 2008-11-17 | 2009-07-22 | 清华大学 | 一种非接触固定式荧光分子断层成像方法及装置 |
CN101692971A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 非接触式光学断层成像方法 |
Non-Patent Citations (1)
Title |
---|
余景景等.截断奇异值分解的生物发光断层成像重建问题.《西北大学学报》.2009,第39卷(第5期),755-760. * |
Also Published As
Publication number | Publication date |
---|---|
CN101947103A (zh) | 2011-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101947103B (zh) | 全光学生物发光断层成像方法 | |
Evin et al. | The use of close-range photogrammetry in zooarchaeology: Creating accurate 3D models of wolf crania to study dog domestication | |
Dauguet et al. | Comparison of fiber tracts derived from in-vivo DTI tractography with 3D histological neural tract tracer reconstruction on a macaque brain | |
US9524552B2 (en) | 2D/3D registration of a digital mouse atlas with X-ray projection images and optical camera photos | |
CN105825547B (zh) | 一种基于体素和自适应光传输模型的光学三维成像方法 | |
CN101692971B (zh) | 非接触式光学断层成像方法 | |
CN111311703A (zh) | 一种基于深度学习的电阻抗断层图像重构方法 | |
CN104523275A (zh) | 一种健康人群白质纤维束图谱构建方法 | |
CN107146261B (zh) | 基于磁共振影像先验感兴趣区的生物发光断层成像定量重建方法 | |
Orczyk et al. | Preliminary experience with a novel method of three-dimensional co-registration of prostate cancer digital histology and in vivo multiparametric MRI | |
CN103300829A (zh) | 一种基于迭代重加权的生物自发荧光断层成像方法 | |
CN114581553B (zh) | 基于磁粒子成像先验引导的荧光分子断层成像重建方法 | |
CN109919987A (zh) | 一种基于gpu的三维医学图像配准相似度计算方法 | |
US20110081055A1 (en) | Medical image analysis system using n-way belief propagation for anatomical images subject to deformation and related methods | |
US20110081061A1 (en) | Medical image analysis system for anatomical images subject to deformation and related methods | |
CN102393969A (zh) | 基于生物组织特异性的光学三维成像方法 | |
Gilbert et al. | Mapping complex myoarchitecture in the bovine tongue with diffusion-spectrum magnetic resonance imaging | |
CN110993067A (zh) | 医学影像标注系统 | |
CN105629652B (zh) | 一种基于自适应体素细分的光学断层成像方法 | |
CN107204045A (zh) | 基于ct图像的虚拟内窥镜系统 | |
CN108846896A (zh) | 一种自动分子蛋白质分子体学诊断系统 | |
TW201221117A (en) | Enhancing segmentation for molecular image quantification system and the method thereof | |
US20110081054A1 (en) | Medical image analysis system for displaying anatomical images subject to deformation and related methods | |
CN116958094A (zh) | 一种动态增强磁共振影像特征生成病理图像特征的方法 | |
Rodriguez‐Vila et al. | Three‐dimensional quantitative evaluation method of nonrigid registration algorithms for adaptive radiotherapy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120328 Termination date: 20150920 |
|
EXPY | Termination of patent right or utility model |