CN108095686B - 一种荧光分子断层成像目标可行域选取方法 - Google Patents
一种荧光分子断层成像目标可行域选取方法 Download PDFInfo
- Publication number
- CN108095686B CN108095686B CN201711078146.8A CN201711078146A CN108095686B CN 108095686 B CN108095686 B CN 108095686B CN 201711078146 A CN201711078146 A CN 201711078146A CN 108095686 B CN108095686 B CN 108095686B
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- fluorescence
- target
- feasible region
- feasible
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0073—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by tomography, i.e. reconstruction of 3D images from 2D projections
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明属于分子影像技术领域,公开了一种荧光分子断层成像目标可行域选取方法,其内容包括:全域重建;使用迭代自组织数据分析技术算法选取可行域;在可行域上重建荧光目标,若重建质量不满足要求,跳转到迭代自组织数据分析技术算法选取可行域,否则显示最终重建结果并结束重建。本发明适用于重建多目标荧光源的光学分子断层成像系统,需要的荧光测量数据少,采用迭代自组织数据分析技术算法分区选择可行域,提高了多目标重建中可行域选取的准确性。本发明通过多阶段重建,降低了重建问题的病态性,有效提高了荧光分子断层成像的重建质量,在光学断层三维重建算法等领域有重要的应用价值。
Description
技术领域
本发明属于光学分子影像技术领域,尤其涉及一种荧光分子断层成像目标可行域选取方法。
背景技术
激发荧光分子断层成像(FMT)和生物发光断层成像(BLT)是近年来发展起来的新型的光学分子成像模态。激发荧光分子断层成像(FMT)用外部光源激发荧光探针(荧光蛋白、荧光染料等)使其发射光子;生物发光断层成像(BLT)使用生物体内的储能-催化物质(例如荧光素和荧光素酶)相互作用产生自体荧光,然后利用荧光采集装置(高灵敏度的CCD相机)收集荧光信号,结合数学模型,可以获得重建目标内部荧光源的位置和浓度,以此实现对活体状态下的生物过程进行细胞和分子水平的定性和定量的研究,并具有良好的特异性,被广泛用于疾病早期诊断、疗效监测、新药研发等领域。激发荧光分子断层成像(FMT)和生物发光断层成像(BLT)三维重建属于欠定的逆向求解问题,具有严重的病态性。由于生物组织的强散射特性,使得光子在其内部的传输不再沿直线传播,而是经过大量无规则的散射过程。另外,采集的荧光数据局限于成像目标的表面,数量有限,这使得逆问题是一个未知数远远大于方程数的数学问题,进一步增加了求解问题的不适定性。同时由于重建问题的不适定性导致在多目标重建时,各目标的重建浓度存在较大差异,使得重建结果的处理以及可行域的选取都存在困难。为了缓解重建问题的不适定性,对于激发荧光分子断层成像(FMT)需要多点激发和多角度投影增加测量数据;对于生物发光断层成像(BLT),则使用多光谱测量采集更多的数据,但是这样会大大增加数据采集、存储以及处理的时间,对成像系统的计算能力提出了更高的要求,带来了荧光分子断层成像系统无法实时成像和快速重建以及成本高的新问题。
综上所述,现有技术存在的问题是:目前的激发荧光分子断层成像(FMT)和生物发光断层成像(BLT)三维重建具有严重的病态性;多目标重建时各目标的重建浓度存在较大差异,重建结果的处理以及可行域的选取存在困难;为了成像准确需要采集大量的数据,耗费了大量的数据采集和存储处理的时间,不利于荧光分子断层成像的实时成像和快速重建。
发明内容
针对现有技术存在的问题,本发明提供了一种荧光分子断层成像目标可行域选取方法。
本发明是这样实现的,一种荧光分子断层成像目标可行域选取方法,所述荧光分子断层成像目标可行域选取方法包括:在全域上重建荧光目标;利用迭代自组织数据分析技术算法处理重建结果,分离重建目标后分区选取可行域;在可行域上重建荧光目标,若重建质量不满足要求则再次转到利用迭代自组织数据分析算法处理重建结果,分离重建目标后分区选取可行域的步骤,否则显示最终重建结果并结束重建。
进一步,所述确定可行域,重建荧光目标具体包括:
(1)利用有限元和正则化,将重建问题转化为拉普拉斯正则化的L2范数极小化问题:
λ是正则化参数,L为有限元网格的拉普拉斯矩阵。
(2)通过牛顿法,共轭梯度法,求二次函数极值等方法求解,重建荧光目标的三维分布。
进一步,所述利用迭代自组织数据分析处理重建结果,分离重建目标后分区选取可行域包括:
(1)初始化各参数:预期的荧光团数目K、独立成类的最少节点数θN、独立成类的最小荧光量θY、聚类中心之间的最小距离θc、一次迭代运算中最多合并的聚类中心对数L、迭代运算的次数Imax。由前一阶段的重建结果获得样本节点坐标S={si},以及对应的荧光产额Y={fi}(i=1,2,...,n);
(2)聚类中心数k=K,在S中随机挑选k个节点作为初始的聚类中心Z={zi}(i=1,2,...,k),每个聚类中心代表一类Ci(i=1,2,...,k),迭代次数I=1,θS=0.5θc;
(3)把每一个节点划分到距离其最近的分类中,对于每一个节点s;
并计算每一个分类的荧光产额Fi(i=1,2,...,k);
(4)取消节点数小于θN或者荧光产额小于θY的分类,有分类被取消,则更新Z和k,重新分类;
(5)更新每一个聚类的分类中心zi(i=1,2,...,k);
(6)计算每一个聚类的节点到聚类中心的平均距离Di(i=1,2,...,k)以及整体的平均距离D,属于分类Ci的节点数为ni,样本节点的总数为n;
(7)检查终止条件是否满足,满足则进入(10),否则进入(8);
(8)迭代次数为奇数,判断是否进行分裂操作;计算每一个聚类内样本的三个坐标的分布标准差σiv(i=1,2,...,k;v=1,2,3);
求出每个聚类最大的标准差σmaxi(i=1,2,...,k);
σmaxi=max(σi1,σi2,σi3);
如果σmaxi>θS,而且Di>D,而且ni>2θN+1,则聚类中心数k=k+1,zi在其标准差最大的坐标分量处加减0.5σmaxi从而变为两个聚类中心;
如果迭代次数为偶数,判断是否合并。计算各聚类中心之间的距离,当其中的最小距离小于θc时,则合并这两个分类,同时k=k-1,合并后聚类中心为:
其中a、b是要合并的两个聚类的序号,合并后za、zb由z代替;如果发生合并而且合并次数小于L,则重新计算各聚类中心之间的距离,再次判断是否要合并,否则进入(9);
(9)如果迭代次数小于Imax,则I=I+1,并进入(3),否则进入步骤(10);
(10)在每个分离的目标荧光团区域设置阈值,分别选取可行域。
进一步,所述在可行域上重建荧光目标包括:
(1)提取并重组有限角度的荧光数据与可行区域内荧光目标分布的线性方程;
(2)建立极小化问题,根据实际情况适当改动λ,求解获得可行域缩小后的荧光目标的三维分布;
(3)如果重建结果的精度不满足要求,则利用迭代自组织数据分析技术算法处理重建结果,分离重建目标后分区选取可行域,否则显示重建结果并终止重建。
本发明的另一目的在于提供一种利用所述荧光分子断层成像目标可行域选取方法的多目标荧光分子断层成像系统。
本发明的另一目的在于提供一种利用所述荧光分子断层成像目标可行域选取方法的激发荧光分子断层成像系统。
本发明的另一目的在于提供一种利用所述荧光分子断层成像目标可行域选取方法的生物发光断层成像系统。
本发明的优点及积极效果为:
一,本发明适用于激发荧光分子断层成像,生物发光断层成像等以重建荧光源为目标的光学分子断层成像,精确成像仅需4-6次的数据测量,相较之前10次以上的测量,可以减少数据采集时间和重建问题的规模一半以上,有利于实现实时成像和快速重建。
二,本发明利用迭代自组织数据分析技术算法分离重建结果,在重建结果的局部采用阈值,解决了多荧光目标重建浓度差异大可行域选取困难的问题,对于之前的全局阈值选取,测量4-6次时由于重建浓度的不平衡无法进行多荧光目标的重建。
三,本发明多阶段地选取可行域和重建,逐步降低了重建问题的病态性,多次重建中逐步减小正则化参数,降低了正则项对重建的影响,提高了重建结果的质量。进行4次测量时,使用本发明的重建结果相较于单次重建的结果,可以减小重建的位置误差25%以上,重建浓度的相对误差可以从90%左右降至50%以下。
附图说明
图1是本发明实施例提供的荧光分子断层成像目标可行域选取方法流程图。
图2是本发明实施例提供的荧光分子断层成像的流程图。
图3是本发明实施例提供的仿真实验的数字鼠模型示意图。
图4是本发明实施例提供的四角度投影三阶段FMT重建的各阶段重建结果示意图;
图中:(a)第一阶段重建结果的三维显示;(b)第二阶段重建结果的三维显示;(c)第三阶段的重建结果的三维显示。
图5是本发明实施例提供的应用于FMT三维重建中,在使用不同数量的投影数据重建时获得的重建结果示意图;
图中:为z=16mm截面的荧光目标荧光产额值分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的重建结果分辨率较低时可以准确地选取可行域,通过在可行域上的重建来提高有限投影荧光分子断层成像的重建质量,降低对荧光测量的数量要求。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的荧光分子断层成像目标可行域选取方法包括以下步骤:
S101:在全域上重建荧光目标;
S102:利用迭代自组织数据分析技术算法处理重建结果,分离重建目标后分区选取可行域;
S103:在可行域上重建荧光目标,若重建质量不满足要求则跳转至S101,否则显示最终重建结果并结束重建。
本发明实施例提供的荧光分子断层成像目标可行域选取方法适用于激发荧光分子断层成像,生物发光断层成像等以重建荧光源为目标的光学分子断层成像,所述的步骤S101实现过程:
(1a)利用有限元方法和正则化理论,将重建问题转化为拉普拉斯正则化约束的L2范数极小化问题:
λ是正则化参数,L为有限元网格的拉普拉斯矩阵。
(1b)通过牛顿法,共轭梯度法,求二次函数极值等方法求解,重建荧光目标的三维分布;
步骤S101是全域重建,获得较粗糙的重建结果,可以重建多个荧光目标。
步骤S102的一个具体实现是:
(2a)初始化各参数:预期的荧光团数目K、独立成类的最少节点数θN、独立成类的最小荧光量θY、聚类中心之间的最小距离θc、一次迭代运算中最多合并的聚类中心对数L、迭代运算的次数Imax。由前一阶段的重建结果获得样本节点坐标S={si},以及对应的荧光产额Y={fi}(i=1,2,...,n)。
(2b)聚类中心数k=K,在S中随机挑选k个节点作为初始的聚类中心Z={zi}(i=1,2,...,k),每个聚类中心代表一类Ci(i=1,2,...,k),迭代次数I=1,θS=0.5θc。
(2c)把每一个节点划分到距离其最近的分类中。对于每一个节点s,
并计算每一个分类的荧光产额Fi(i=1,2,...,k);
(2d)取消节点数小于θN或者荧光产额小于θY的分类。如果有分类被取消,则更新Z和k,然后重新分类。
(2e)更新每一个聚类的分类中心zi(i=1,2,...,k):
(2f)计算每一个聚类的节点到聚类中心的平均距离Di(i=1,2,...,k)以及整体的平均距离D。属于分类Ci的节点数为ni,样本节点的总数为n,则:
(2g)检查终止条件是否满足,满足则停止迭代,返回聚类结果,进入步骤(2j),否则继续下一个步骤;
(2h)如果迭代次数为奇数,判断是否进行分裂操作。计算每一个聚类内样本的三个坐标的分布标准差σiv(i=1,2,...,k;v=1,2,3):
求出每个聚类最大的标准差σmaxi(i=1,2,...,k);
σmaxi=max(σi1,σi2,σi3);
如果σmaxi>θS,而且Di>D,而且ni>2θN+1,则聚类中心数k=k+1,zi在其标准差最大的坐标分量处加减0.5σmaxi变为两个聚类中心。
如果迭代次数为偶数,判断是否合并。计算各聚类中心之间的距离,当其中的最小距离小于θc时,则合并这两个分类,同时k=k-1,合并后聚类中心为:
其中a、b是要合并的两个聚类的序号,合并后za、zb由z代替。如果发生合并而且合并次数小于L,则重新计算各聚类中心之间的距离,再次判断是否要合并,否则进入下一步;
(2i)如果迭代次数小于Imax,则I=I+1,并进入步骤(2c),否则停止运行,返回聚类结果,进入步骤(2j);
(2j)在每个分离的荧光目标区域处通过阈值判断选取子可行域,即将荧光产额大于一定阈值的节点作为可行域,子可行域的并集作为下一个阶段荧光目标重建的可行域。
步骤S103包括:
(3a)结合步骤(2j)给出的荧光目标可行域,提取并重组有限角度的荧光数据与可行区域内荧光目标分布的线性方程;
(3b)类似步骤(1a)建立极小化问题,并可以根据实际情况适当改动λ。求解获得可行域缩小后的荧光目标的三维分布;
(3c)如果重建结果的精度不满足要求,则进入步骤S102,否则显示重建结果并终止重建。
重建的次数可以根据经验来指定,FMT重建采用三次重建就可以获得质量较高的重建结果。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的荧光分子断层成像过程包括以下步骤:
(1)数据采集和预处理:
(1a)利用多模态光学分子影像系统,例如荧光测量系统与X-CT或MRI成像系统组成的多模态成像系统,采集荧光数据和成像对象的解剖结构信息;
(1b)对成像目标生物体进行有限元网格化,然后根据有限元理论,并融合步骤(1a)获得的重建目标的解剖结构信息,将扩散近似方程离散,构建表面的测量数据与重建目标内部荧光目标分布的线性方程:
Φm=AX;
其中A是系统矩阵,X是要求解的荧光目标浓度的三维分布,是非负的。
(2)利用正则化理论,在所选的可行域(第一阶段重建时选择整个目标生物体作为可行域)上,将上述线性关系转化为拉普拉斯正则化的L2范数极小化问题:
λ是正则化参数,L为有限元网格的拉普拉斯矩阵;通过牛顿法,共轭梯度法,求二次函数极值等方法求解,获得本次重建的荧光目标的三维分布;
(3)判断重建质量是否满足要求,如果满足则进入下一个步骤,否则利用ISODATA处理(2)中的重建结果,在处理后的分离区域上分别使用阈值判断选取可行域(所选阈值可以根据重建的具体情况设置),得到下一阶段荧光目标重建的可行域。然后转到步骤(2)。
(4)显示最终重建结果,将步骤(2)的最终重建结果和成像目标的解剖结构进行图像融合,用Tecplot软件进行显示。
下面结合仿真对本发明的应用效果作详细的描述。
图3是用于仿真实验的数字鼠模型。选取了小鼠的躯干部分,并分割了小鼠的主要器官,包括心脏,肺,肝脏,胃,肾脏和肌肉组织。
图4是基于本发明使用四个角度投影三阶段FMT重建的分阶段重建结果,图中不规则的深色区域就是各阶段的重建结果。位置误差的定义为:三个置入的荧光目标真实的中心位置分别为(10.5,11.0,16.0)mm,(25.5,11.0,16.0)mm,(18.0,5.5,16.0)mm。图中可以看到:第一阶段,即不使用本发明,重建结果是不准确的,存在伪影,其重建位置分别为(10.08,11.61,16.18)mm,(26.04,10.53,16.15)mm,(17.69,5.50,16.09)mm,位置误差分别为0.8mm,0.7mm,0.3mm;第三阶段的重建结果与荧光目标大致重合,其重建荧光团的中心位置分别为(10.55,11.23,16.15)mm,(25.48,10.91,16.05)mm,(17.94,5.65,15.97)mm,位置误差分别为0.3mm,0.1mm,0.2mm。显示出本发明可以在重建结果中准确地提取可行域,多次重建能够提高重建质量。
图5是本发明应用于FMT三维重建,在使用不同角度数的投影数据重建时获得的重建结果,各图均为z=16mm截面的荧光目标荧光产额值分布图。有三个角度的投影时可以实现较好的重建,四个及以上角度的投影可以实现高质量的重建。四个角度投影,采用三阶段重建时:真实的荧光产额设置为0.5mm-1,重建的最大荧光产额值为0.28mm-1,其相对误差为RE=|FYc-FYreal|/FYreal≈44%。Dice系数描述两个区域的重叠程度,其定义为:Dice=2*|Nodec∩Nodereal|/(|Nodec|+|Nodereal|)≈0.98。基于本发明的重建,其位置误差小,浓度的相对误差较小,Dice系数接近1,仅需四个角度的投影就可以实现高质量的重建。本发明是一种在进行有限角度投影和多目标荧光分子断层成像重建时,准确有效地选取可行域的方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种荧光分子断层成像目标可行域选取方法,其特征在于,所述荧光分子断层成像目标可行域选取方法包括:在全域上重建多个荧光目标;利用迭代自组织数据分析技术算法处理重建结果,分离重建目标后分区选取可行域;具体包括:
(1)初始化各参数:预期的荧光团数目K、独立成类的最少节点数θN、独立成类的最小荧光量θY、聚类中心之间的最小距离θc、一次迭代运算中最多合并的聚类中心对数L、迭代运算的次数Imax;由前一阶段的重建结果获得样本节点坐标S={si},以及对应的荧光产额Y={fi}(i=1,2,...,n);
(2)聚类中心数k=K,在S中随机挑选k个节点作为初始的聚类中心Z={zi}(i=1,2,...,k),每个聚类中心代表一类Ci(i=1,2,...,k),迭代次数I=1,θS=0.5θc;
(3)把每一个节点划分到距离其最近的分类中,对于每一个节点s;
并计算每一个分类的荧光产额Fi(i=1,2,...,k);
(4)取消节点数小于θN或者荧光产额小于θY的分类,有分类被取消,则更新Z和k,重新分类;
(5)更新每一个聚类的分类中心zi(i=1,2,...,k);
(6)计算每一个聚类的节点到聚类中心的平均距离Di(i=1,2,...,k)以及整体的平均距离D,属于分类Ci的节点数为ni,样本节点的总数为n;
(7)检查终止条件是否满足,满足则进入(10),否则进入(8);
(8)迭代次数为奇数,判断是否进行分裂操作;计算每一个聚类内样本的三个坐标的分布标准差σiv(i=1,2,...,k;v=1,2,3);
求出每个聚类最大的标准差σmaxi(i=1,2,...,k);
σmaxi=max(σi1,σi2,σi3);
如果σmaxi>θS,而且Di>D,而且ni>2θN+1,则聚类中心数k=k+1,zi在其标准差最大的坐标分量处加减0.5σmaxi从而变为两个聚类中心;
如果迭代次数为偶数,判断是否合并;计算各聚类中心之间的距离,当其中的最小距离小于θc时,则合并这两个分类,同时k=k-1,合并后聚类中心为:
其中a、b是要合并的两个聚类的序号,合并后za、zb由z代替;如果发生合并而且合并次数小于L,则重新计算各聚类中心之间的距离,再次判断是否要合并,否则进入(9);
(9)如果迭代次数小于Imax,则I=I+1,并进入(3),否则进入步骤(10);
(10)在每个分离的目标荧光团区域设置阈值,分别选取可行域;
在可行域上重建荧光目标,若重建质量不满足要求则跳转到上一步,否则显示最终重建结果并结束重建。
3.如权利要求1所述的荧光分子断层成像目标可行域选取方法,其特征在于,所述在可行域上重建荧光目标包括:
(1)提取并重组有限角度的荧光数据与可行区域内荧光目标分布的线性方程;
(2)建立极小化问题,根据实际情况适当改动λ,求解获得可行域缩小后的荧光目标的三维分布;
(3)如果重建结果的精度不满足要求,则再次转到利用迭代自组织数据分析技术算法处理重建结果,分离重建目标后分区选取可行域的步骤,否则显示重建结果并终止重建。
4.一种利用如权利要求1~3任意一项所述荧光分子断层成像目标可行域选取方法的多目标的荧光分子断层成像系统。
5.一种利用如权利要求1~3任意一项所述荧光分子断层成像目标可行域选取方法的激发荧光分子断层成像系统。
6.一种利用如权利要求1~3任意一项所述荧光分子断层成像目标可行域选取方法的生物发光断层成像系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711078146.8A CN108095686B (zh) | 2017-11-06 | 2017-11-06 | 一种荧光分子断层成像目标可行域选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711078146.8A CN108095686B (zh) | 2017-11-06 | 2017-11-06 | 一种荧光分子断层成像目标可行域选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108095686A CN108095686A (zh) | 2018-06-01 |
CN108095686B true CN108095686B (zh) | 2020-09-11 |
Family
ID=62207494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711078146.8A Active CN108095686B (zh) | 2017-11-06 | 2017-11-06 | 一种荧光分子断层成像目标可行域选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108095686B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615673B (zh) * | 2018-11-22 | 2021-01-05 | 中国科学院自动化研究所 | 基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 |
CN109820479B (zh) * | 2019-01-08 | 2021-08-27 | 西北大学 | 一种荧光分子断层成像可行域优化方法 |
CN110974166B (zh) * | 2019-12-10 | 2021-03-12 | 中国科学院自动化研究所 | 基于k近邻局部连接网络的光学断层成像方法、系统 |
CN117830565B (zh) * | 2024-03-06 | 2024-06-14 | 华中科技大学 | 一种多算子自监督荧光分子断层成像方法及系统 |
Citations (9)
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 |
CN102077108A (zh) * | 2008-04-28 | 2011-05-25 | 康奈尔大学 | 分子mri中的磁敏度精确量化 |
CN102940482A (zh) * | 2012-11-22 | 2013-02-27 | 中国科学院自动化研究所 | 自适应的荧光断层成像重建方法 |
CN103110405A (zh) * | 2013-01-24 | 2013-05-22 | 南京航空航天大学 | 生物自发光断层成像中最佳光源可行性区快速选取方法 |
CN105326475A (zh) * | 2015-09-16 | 2016-02-17 | 西北大学 | 一种基于多光源分辨的生物发光断层成像重建方法 |
CN105455780A (zh) * | 2015-11-17 | 2016-04-06 | 西北大学 | 基于双网格的有限投影的荧光分子断层成像重建方法 |
CN105581779A (zh) * | 2015-12-13 | 2016-05-18 | 北京工业大学 | 一种直接融合结构成像的生物发光断层成像重建的方法 |
CN106023121A (zh) * | 2016-04-29 | 2016-10-12 | 中国科学院生物物理研究所 | 一种贝叶斯显微成像方法 |
CN107220961A (zh) * | 2017-06-14 | 2017-09-29 | 西北大学 | 一种基于半阈值追踪算法的荧光分子断层成像重建方法 |
-
2017
- 2017-11-06 CN CN201711078146.8A patent/CN108095686B/zh active Active
Patent Citations (9)
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 |
CN102077108A (zh) * | 2008-04-28 | 2011-05-25 | 康奈尔大学 | 分子mri中的磁敏度精确量化 |
CN102940482A (zh) * | 2012-11-22 | 2013-02-27 | 中国科学院自动化研究所 | 自适应的荧光断层成像重建方法 |
CN103110405A (zh) * | 2013-01-24 | 2013-05-22 | 南京航空航天大学 | 生物自发光断层成像中最佳光源可行性区快速选取方法 |
CN105326475A (zh) * | 2015-09-16 | 2016-02-17 | 西北大学 | 一种基于多光源分辨的生物发光断层成像重建方法 |
CN105455780A (zh) * | 2015-11-17 | 2016-04-06 | 西北大学 | 基于双网格的有限投影的荧光分子断层成像重建方法 |
CN105581779A (zh) * | 2015-12-13 | 2016-05-18 | 北京工业大学 | 一种直接融合结构成像的生物发光断层成像重建的方法 |
CN106023121A (zh) * | 2016-04-29 | 2016-10-12 | 中国科学院生物物理研究所 | 一种贝叶斯显微成像方法 |
CN107220961A (zh) * | 2017-06-14 | 2017-09-29 | 西北大学 | 一种基于半阈值追踪算法的荧光分子断层成像重建方法 |
Non-Patent Citations (1)
Title |
---|
"Bioluminescence Tomography Based on Gaussian Weighted Laplace Prior Regularization for In Vivo Morphological Imaging of Glioma";Yuan Gao 等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20170809;第36卷;第2345页公式(6)、第2346页右栏第6行、第2347页第12行 * |
Also Published As
Publication number | Publication date |
---|---|
CN108095686A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108095686B (zh) | 一种荧光分子断层成像目标可行域选取方法 | |
Hatt et al. | Radiomics: data are also images | |
Tong et al. | Multi-modal classification of Alzheimer's disease using nonlinear graph fusion | |
Takemura et al. | Ensemble tractography | |
Encarnacion-Rivera et al. | Myosoft: An automated muscle histology analysis tool using machine learning algorithm utilizing FIJI/ImageJ software | |
Sari et al. | Estimation of an image derived input function with MR-defined carotid arteries in FDG-PET human studies using a novel partial volume correction method | |
Garg et al. | Morphological alterations in the caudate, putamen, pallidum, and thalamus in Parkinson's disease | |
Reid et al. | A cross-modal, cross-species comparison of connectivity measures in the primate brain | |
Kang et al. | Prediction of standard‐dose brain PET image by using MRI and low‐dose brain [18F] FDG PET images | |
Correia et al. | Accelerated optical projection tomography applied to in vivo imaging of zebrafish | |
CN111127466A (zh) | 医学图像检测方法、装置、设备及存储介质 | |
Corliss et al. | Reaver: a program for improved analysis of high‐resolution vascular network images | |
Bagci et al. | Predicting future morphological changes of lesions from radiotracer uptake in 18F-FDG-PET images | |
Tideman et al. | Automated biomarker candidate discovery in imaging mass spectrometry data through spatially localized Shapley additive explanations | |
Iantsen et al. | Convolutional neural networks for PET functional volume fully automatic segmentation: development and validation in a multi-center setting | |
Zheng et al. | Integrating semi-supervised and supervised learning methods for label fusion in multi-atlas based image segmentation | |
Nazib et al. | A comparative analysis of registration tools: Traditional vs deep learning approach on high resolution tissue cleared data | |
WO2024109762A1 (zh) | Pet参数确定方法、装置、设备和存储介质 | |
Khan et al. | The effect of neural network architecture on virtual H&E staining: Systematic assessment of histological feasibility | |
Sun et al. | Research progress in diffusion spectrum imaging | |
Di Biase et al. | Connectomes for 40,000 UK Biobank participants: a multi-modal, multi-scale brain network resource | |
Wu et al. | Transformer-based 3D U-Net for pulmonary vessel segmentation and artery-vein separation from CT images | |
Yousefirizi et al. | TMTV-Net: fully automated total metabolic tumor volume segmentation in lymphoma PET/CT images—a multi-center generalizability analysis | |
Chen et al. | Unsupervised deconvolution of dynamic imaging reveals intratumor vascular heterogeneity and repopulation dynamics | |
Røvang et al. | Segmenting white matter hyperintensities on isotropic three-dimensional Fluid Attenuated Inversion Recovery magnetic resonance images: Assessing deep learning tools on a Norwegian imaging database |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |