CN108420405A - 基于深度-体积联合补偿策略的荧光分子断层成像重建方法 - Google Patents
基于深度-体积联合补偿策略的荧光分子断层成像重建方法 Download PDFInfo
- Publication number
- CN108420405A CN108420405A CN201810230052.6A CN201810230052A CN108420405A CN 108420405 A CN108420405 A CN 108420405A CN 201810230052 A CN201810230052 A CN 201810230052A CN 108420405 A CN108420405 A CN 108420405A
- Authority
- CN
- China
- Prior art keywords
- depth
- volume
- fluorogen
- reconstruction
- fluorescent
- 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.)
- Pending
Links
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
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
Abstract
本发明公开了一种基于深度‑体积联合补偿策略的荧光分子断层成像重建方法,包括以下步骤:根据预迭代得到的重建荧光参数,对重建的荧光团进行聚类分析,得到各荧光团的体积和深度;根据荧光团的体积及深度,建立补偿系数与深度权值系数、体积权值系数之间的函数关系,对重建的荧光光学参数进行补偿;根据补偿后的荧光光学参数重建目标。综合考虑成像目标的体积和深度,使用一种联合补偿的方法来平衡荧光成像对体积和深度灵敏度的影响,对重建的荧光光学参数进行补偿,使重建结果更加精确。
Description
技术领域
本发明涉及荧光分子断层成像重建方法技术领域,具体地涉及一种基于深度-体积联合补偿策略的荧光分子断层成像重建方法,应用于透射式连续波荧光成像模式中。
背景技术
荧光分子断层成像技术(Fluorescence Molecular Tomography,FMT)是近年来发展起来的一种新型光学分子成像方式,其特点在于成像成本低、灵敏度高、无电离辐射,能够反映在生物体组织分子水平的变化,进行定性和定量研究。荧光分子断层成像的原理是将一种荧光生化标记物(如:荧光染料、荧光团、荧光探针)注射到生物体中,这些荧光生化标记物将向病变组织聚集。在外部激发光的作用下,荧光标记物将发出比激发光波长更长的出射光。通过对组织表面激发光及出射光的测量,重建荧光分子探针的分布和浓度,从而进一步获得反应生物生理和病理的定量信息。
荧光分子断层成像的重建算法研究是其成像技术的重点研究方向之一。图像重建过程是依据生物组织表面测量的荧光信号强度,基于光在生物组织中的传播模型,逆向反演出组织内部荧光参数的分布图像。荧光分子断层成像的重建算法从数学上可以归纳为求解非线性问题的最优化过程,即构建光在组织中的传播模型,假设一个初始的光学参数分布,根据模型计算出光在组织边界的预测值,并将该值与探测器的实测值之间建立差值最小化函数,通过求解该最小化方程来得到生物组织内部的光学参数分布。
近红外光在生物组织中的传播具有较强的散射性,光子在生物组织中被多次随机散射,这将会导致荧光分子断层成像的重建结果与荧光团的深度和体积具有高度相关性。随着成像深度的增加,成像的灵敏度将急剧下降,重建图像的分辨率越来越低。同时,成像灵敏度除了与荧光团深度具有非线性关系,与荧光团的体积大小也有很大关系。对于生物组织体内具有相同光学参数、相同深度,但不同体积的荧光团,重建出的荧光团光学参数存在较大误差,荧光团的体积越小,其重建的光学参数与真实值偏离越大。
发明内容
为了解决现有技术存在的问题,本发明目的是:提供一种基于深度-体积联合补偿策略的荧光分子断层成像重建方法,应用于透射式连续波荧光成像模式中。综合考虑成像目标的体积和深度,使用一种联合补偿的方法来平衡荧光成像对体积和深度灵敏度的影响,对重建的荧光光学参数进行补偿,使重建结果更加精确。
本发明的技术方案是:
一种基于深度-体积联合补偿策略的荧光分子断层成像重建方法,包括以下步骤:
S01:根据预迭代得到的重建荧光参数,对重建的荧光团进行聚类分析,得到各荧光团的体积和深度;
S02:根据荧光团的体积及深度,建立补偿系数与深度权值系数、体积权值系数之间的函数关系,对重建的荧光光学参数进行补偿;
S03:根据补偿后的荧光光学参数重建目标。
优选的,所述步骤S01中,根据荧光分子断层成像的两个耦合方程求解模型,结合有限元的数值求解方法,求得重建的生物体内荧光参数。
优选的,所述步骤S01中,基于迭代自组织数据分析技术,对重建的荧光团进行聚类分析。
优选的,所述步骤S01中,所述补偿系数与深度权值系数、体积权值系数之间的函数关系为:
其中,yi表示补偿系数,0<a1<1,0<a2<1,b1、b2为实数,i=1,2…C,0<ui<1是归一化的第i个荧光团的体积权值系数,C为荧光团的个数,0<wi<1是第i个荧光团的深度权值系数。
优选的,所述ui和wi计算如公式为:
vi和v1分别表示第i个荧光团和最大荧光团的体积,vi≤v1,ri和r0分别表示第i个荧光团到物体中心的距离和成像物体的半径。
优选的,通过设置合适的参数a1、a2、b1、b2的值,调节递减函数的陡度系数,得到优选的补偿系数值。
与现有技术相比,本发明的优点是:
该方法可以应用于透射式连续波荧光成像模式中。该方法首先基于迭代自组织数据分析技术(ISODATA),对预迭代的重建图像进行聚类分析,得到各荧光团的体积和位置。然后,再根据荧光团的体积大小及深度位置,设计了一种基于对数运算的权值系数计算方法,对重建的荧光光学参数进行补偿,使重建结果更加精确。仿真实验结果表明,该补偿算法可以有效修正因荧光团体积及深度不一而造成的成像重建误差,显著提高重建质量。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明基于深度-体积联合补偿的FMT图像重建流程图;
图2a为双目标数字仿体图;
图2b为有限元三角剖分图;
图2c为未经补偿的重建图像;
图2d为体积-深度联合补偿后的重建图像;
图3a为三个目标数字仿体图;
图3b为有限元三角剖分图;
图3c为未经补偿的重建图像;
图3d为体积-深度联合补偿后的重建图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例:
如图1所示,一种基于深度-体积联合补偿策略的荧光分子断层成像重建方法,包括以下步骤:
S01:根据预迭代得到的重建荧光参数,对重建的荧光团进行聚类分析,得到各荧光团的体积和深度;
S02:根据荧光团的体积及深度,建立补偿系数与深度权值系数、体积权值系数之间的函数关系,对重建的荧光光学参数进行补偿;
S03:根据补偿后的荧光光学参数重建目标。
根据荧光分子断层成像的两个耦合方程求解模型,结合有限元的数值求解方法,可以求得重建的生物体内荧光参数。根据初步预迭代得到的重建荧光参数,基于非监督学习的迭代自组织数据分析技术(ISODATA),完成重建荧光团的聚类计算,初步得到各荧光团的体积和位置。
对于生物组织体内具有相同光学参数、相同深度的荧光团,体积越小的荧光团,逆向重建得到的光学参数比实际值越小;而体积较大的荧光团,重建出来的光学参数相对较准确。同时,荧光团的位置越深,其重建的光学参数越小,即重建图像的分辨率随着成像深度的增加而减小。这就要设计一种单调递减函数,建立补偿系数与深度系数、体积系数之间的函数关系。然而,补偿系数和深度权值系数、体积权值系数之间又不能是简单的线性关系,否则荧光目标体将出现过补偿的问题,重建结果反而不准确了。为了解决这一问题,设计了一种非线性单调递减函数,使得深度-体积联合补偿系数准确可控。
其中,yi表示补偿系数,0<a1<1,0<a2<1,b1、b2为正常数,i=1,2…C,0<ui<1是归一化的第i个荧光团的体积权值系数,C为荧光团的个数。0<wi<1是第i个荧光团的深度权值系数。具体计算如公式(2)和(3)所示。
vi和v1分别表示第i个荧光团和最大荧光团的体积,vi≤v1。ri和r0分别表示第i个荧光团到物体中心的距离和成像物体的半径。通过设置合适的参数a1、a2、b1、b2的值,调节递减函数的陡度系数,可以得到比较理想的补偿系数值。
对本发明方法进行仿真实验,结果如下:
二维圆形数字仿体的直径设置为25mm,两个光学参数相同的目标体分布在中心的两侧,如图2(a)所示。左侧目标距离中心点8.75mm,右侧目标距离中心点4.4mm。基于有限元的求解方法,数字仿体区域Ω可以被剖分为三角形网格。共生成1885个三角元和993个节点,其中边界上的节点数为99个(探测器可以获取的数据在边界节点上),如图2(b)所示,深色区域为左右两个目标体的位置及大小。两个目标体的横截面面积的比值为10:22。
图2(c)给出的是基于Tikhonov正则化,利用扰动法进行重建的结果(未经补偿)。其中,迭代次数为60次,正则化参数λ=0.00001。左侧目标的荧光参数明显大于右侧目标,重建误差明显。
图2(d)给出的是基于非线性深度-体积补偿重建算法得到的图像,公式(1)中系数取a1=1/2,a2=2/3,b1=b2=1/2。比较图2c、2d可以看出本发明的补偿策略综合考虑了成像目标的体积和深度,显著提高了荧光团的重建参数准确度。
为了进一步评价本算法的性能,设计了三个荧光团的数字仿体实验。如图3(a)所示,数字仿体的直径仍然为25mm,目标体2、3(左、上)的深度位置更浅,距离中心点距离8.75mm,目标体1(右)距离中心点的距离不变,为6.25mm。三个目标体的体积之比为22:11:6。
图3(b)给出了基于有限元法的三角剖分图,图3(c)为未经参数补偿的重建图像,图3(d)为基于本补偿算法后的重建图像。如图3a-3d所示,基于本深度-体积联合补偿后的重建图像质量得到了显著提升。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种基于深度-体积联合补偿策略的荧光分子断层成像重建方法,其特征在于,包括以下步骤:
S01:根据预迭代得到的重建荧光参数,对重建的荧光团进行聚类分析,得到各荧光团的体积和深度;
S02:根据荧光团的体积及深度,建立补偿系数与深度权值系数、体积权值系数之间的函数关系,对重建的荧光光学参数进行补偿;
S03:根据补偿后的荧光光学参数重建目标。
2.根据权利要求1所述的基于深度-体积联合补偿策略的荧光分子断层成像重建方法,其特征在于,所述步骤S01中,根据荧光分子断层成像的两个耦合方程求解模型,结合有限元的数值求解方法,求得重建的生物体内荧光参数。
3.根据权利要求1所述的基于深度-体积联合补偿策略的荧光分子断层成像重建方法,其特征在于,所述步骤S01中,基于迭代自组织数据分析技术,对重建的荧光团进行聚类分析。
4.根据权利要求1所述的基于深度-体积联合补偿策略的荧光分子断层成像重建方法,其特征在于,所述步骤S01中,所述补偿系数与深度权值系数、体积权值系数之间的函数关系为:
其中,yi表示补偿系数,0<a1<1,0<a2<1,b1、b2为实数,i=1,2…C,0<ui<1是归一化的第i个荧光团的体积权值系数,C为荧光团的总数,0<wi<1是第i个荧光团的深度权值系数。
5.根据权利要求4所述的基于深度-体积联合补偿策略的荧光分子断层成像重建方法,其特征在于,所述ui和wi计算如公式为:
vi和v1分别表示第i个荧光团和最大荧光团的体积,vi≤v1,ri和r0分别表示第i个荧光团到物体中心的距离和成像物体的半径。
6.根据权利要求4所述的基于深度-体积联合补偿策略的荧光分子断层成像重建方法,其特征在于,通过设置合适的参数a1、a2、b1、b2的值,调节递减函数的陡度系数,得到优选的补偿系数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230052.6A CN108420405A (zh) | 2018-03-20 | 2018-03-20 | 基于深度-体积联合补偿策略的荧光分子断层成像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810230052.6A CN108420405A (zh) | 2018-03-20 | 2018-03-20 | 基于深度-体积联合补偿策略的荧光分子断层成像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108420405A true CN108420405A (zh) | 2018-08-21 |
Family
ID=63158594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810230052.6A Pending CN108420405A (zh) | 2018-03-20 | 2018-03-20 | 基于深度-体积联合补偿策略的荧光分子断层成像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108420405A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113367638A (zh) * | 2021-05-14 | 2021-09-10 | 广东欧谱曼迪科技有限公司 | 获取高精度三维荧光图像的方法、装置、存储介质和终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110068280A1 (en) * | 2009-09-24 | 2011-03-24 | Commiss. A L'energie Atom. Et Aux Ener. Altern. | Device and method for spatial reconstructing of fluorescence mapping |
CN102488493A (zh) * | 2011-11-15 | 2012-06-13 | 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 |
-
2018
- 2018-03-20 CN CN201810230052.6A patent/CN108420405A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110068280A1 (en) * | 2009-09-24 | 2011-03-24 | Commiss. A L'energie Atom. Et Aux Ener. Altern. | Device and method for spatial reconstructing of fluorescence mapping |
CN102488493A (zh) * | 2011-11-15 | 2012-06-13 | 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 |
Non-Patent Citations (2)
Title |
---|
WEI ZOU 等: "Fluorescence molecular tomographic image reconstruction based on reduced measurement data", 《OPTICAL ENGINEERING》 * |
方二喜 等: "基于体积补偿的荧光分子断层图像重建算法", 《中国激光》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113367638A (zh) * | 2021-05-14 | 2021-09-10 | 广东欧谱曼迪科技有限公司 | 获取高精度三维荧光图像的方法、装置、存储介质和终端 |
CN113367638B (zh) * | 2021-05-14 | 2023-01-03 | 广东欧谱曼迪科技有限公司 | 获取高精度三维荧光图像的方法、装置、存储介质和终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Monte Carlo based method for fluorescence tomographic imaging with lifetime multiplexing using time gates | |
CN103827658B (zh) | 识别和测量网状细胞 | |
US9927362B2 (en) | System and method for tomographic lifetime multiplexing | |
CN108062744B (zh) | 一种基于深度学习的质谱图像超分辨率重建方法 | |
Xiao et al. | One-dimensional deep learning architecture for fast fluorescence lifetime imaging | |
Venugopal et al. | Adaptive wide-field optical tomography | |
CN105326475B (zh) | 一种基于多光源分辨的生物发光断层成像重建方法 | |
Mannam et al. | Machine learning for faster and smarter fluorescence lifetime imaging microscopy | |
JP2013019696A (ja) | 生体計測装置および画像作成方法 | |
CN102034266B (zh) | 激发荧光断层成像的快速稀疏重建方法和设备 | |
US20120049088A1 (en) | Systems, methods and computer-accessible media for hyperspectral excitation-resolved fluorescence tomography | |
CN102988026A (zh) | 基于乘子法的自发荧光断层成像重建方法 | |
CN103300829A (zh) | 一种基于迭代重加权的生物自发荧光断层成像方法 | |
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 | |
CN106097441A (zh) | 基于l1范数与tv范数的复合正则化生物发光断层成像重建方法 | |
Wang et al. | Fluorescence molecular tomography reconstruction of small targets using stacked auto-encoder neural networks | |
Sahel et al. | Deep unrolled recovery in sparse biological imaging: Achieving fast, accurate results | |
Zuo et al. | Spectral crosstalk in photoacoustic computed tomography | |
CN115272590A (zh) | 光学传输参数空间分布的重建方法、装置、系统及介质 | |
CN108420405A (zh) | 基于深度-体积联合补偿策略的荧光分子断层成像重建方法 | |
CN111795955B (zh) | 基于多层感知神经网络的荧光药代动力学层析成像的方法 | |
US6975401B2 (en) | Method of calculating optical path distribution inside scattering absorber | |
Kang et al. | Modeling the binding and diffusion of receptor-targeted nanoparticles topically applied on fresh tissue specimens | |
Yu et al. | Estimation of fluorescence lifetimes via rotational invariance techniques | |
WO2022061106A1 (en) | System and method for fluorescence lifetime imaging |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |