CN108564636A - 一种基于三支决策的荧光目标重建结果后处理方法 - Google Patents
一种基于三支决策的荧光目标重建结果后处理方法 Download PDFInfo
- Publication number
- CN108564636A CN108564636A CN201810425754.XA CN201810425754A CN108564636A CN 108564636 A CN108564636 A CN 108564636A CN 201810425754 A CN201810425754 A CN 201810425754A CN 108564636 A CN108564636 A CN 108564636A
- Authority
- CN
- China
- Prior art keywords
- target
- fluorescent
- reconstructed results
- region
- node
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明属于用于诊断目的的测量技术领域,公开了一种基于三支决策的荧光目标重建结果后处理方法,根据全域重建结果,利用三支决策理论将其划分为三部分:目标区域、边界区域及背景区域;将目标区域与边界区域合并构成目标可行区,在区域上重新进行重建;对可行域上的重建结果进行后处理,划分出目标区域、边界区域和背景区域,目标区域为最终结果。本发明根据三支决策理论获得了一种目标可行区提取方法,有效降低了重建问题病态性,提高了解得稳定性和重建结果。最终重建结果显示,位置误差为1.03mm,显著提升了重建的准确性。根据三支决策理论对重建结果进行后处理,明确获得了目标区域、边界区域和背景区域,提供了巨大的方便。
Description
技术领域
本发明属于用于诊断目的的测量技术领域,尤其涉及一种基于三支决策的荧光目标重建结果后处理方法。
背景技术
目前,业内常用的现有技术是这样的:荧光分子断层成像可以由边界探测到的漫射光分布,考虑生物组织对光的散射和吸收,选择合适重建方法重建出荧光探针在生物体内的三维分布和荧光浓度,在分子水平上实现对生物体生理过程和病理变化的在体动态监测,对疾病早期检测、药物研制和治疗评估有很大意义。由于其在成像灵敏度、特异性、实验操作性、性价比以及探针和标记技术较为成熟等诸多方面的优点,已经成为分子影像学的一个重要分支。荧光分子断层成像主要分为两大部分,即前向问题和后向问题,前向问题是指建立光在生物组织中的传播模型,作为反演荧光光源分布的基础和依据。根据输运理论,光在生物组织中的传播可以通过辐射传输方程来描述,但由于其复杂难求解,通常采用漫射方程来逼近辐射传输方程,利用有限元方法数值求解漫射方程,获得光子在每个节点上的光能量分布。后向问题则是根据前向问题建立的光传输模型,结合合适的反演算法,从成像目标外部测得的荧光能量来求解标记了特定分子或基因的荧光探针的分布。后向问题是一个典型的不适定问题,具有严重的病态性,其解容易受噪声干扰,很不稳定。围绕如何获得准确而稳定的解做了大量的工作。但是,对重建后的结果做一些适当的后处理却很少有人涉及。
综上所述,现有技术存在的问题是:使用传统算法得到的重建结果中往往包含噪声,若不进行后处理,直接用于下一步实验中,可能会对实验准确度造成影响,需要对重建图像做进一步优化,重建后的结果做一些适当的后处理却很少有人涉及。
解决上述技术问题的难度和意义:利用三支决策理论对重建结果进行后处理,需要将全域划分为三部分:荧光目标区域、边界区域和背景区域,确定阈值,然后根据各节点的荧光产额值判断其所属区域,由于边界区域内的节点可能属于荧光目标区域,也可能属于背景区域,所以将荧光目标区域和边界区域作为目标可行区,用于指导下一级重建。根据二次重建结果,再次运用三支决策理论进行区域划分,将荧光目标区域作为最终结果。后处理过程中,需要合理确定两个阈值,阈值过大或过小都可能会引起结点划分的失误,使得选取的重建范围偏离荧光目标所在区域。运用三支决策理论选取荧光探针可能存在的范围,不断缩小重建区域,可以有效去除重建过程中的冗余数据,保证二次重建的图像质量,为后期实验提供准确依据。
发明内容
针对现有技术存在的问题,本发明提供了一种基于三支决策的荧光目标重建结果后处理方法。
本发明是这样实现的,一种基于三支决策的荧光目标重建结果后处理方法,所述基于三支决策的荧光目标重建结果后处理方法根据全域重建结果,利用三支决策理论将其划分为三部分:目标区域、边界区域及背景区域;将目标区域与边界区域合并构成目标可行区,在区域上重新进行重建;对可行域上的重建结果进行后处理,划分出目标区域、边界区域和背景区域,目标区域为最终结果。
进一步,所述步骤一具体包括:
(1)初始激发点个数n0,基于非接触全角度成像系统,获取荧光测量值,对实验模型进行剖分获得网格数据;
(2)建立光在生物组织中传播的模型,建立采集到的荧光数据与荧光目标的线性关系;
(3)利用共轭梯度最小二乘法求解极小化问题,基于有限元方法数值重建的网格节点总数为n,第i个节点记作Ni(i=1,2,...,n),重建的第i个节点上荧光产额值记为Yi。
进一步,所述步骤二具体包括:
(1)初始阈值α,β,将重建的每个节点的荧光产额值按降序排列,记为Yi′(i=1,2,...,n),找出Yi′中所有非零项,若有m个,记为Yj,0′(j=1,2,...,m),对r1=m*20%取下整得到rα,对r2=m*80%取下整得到rβ,
根据α和β两个阈值,将重建后的节点按下述规则划分到三个区域中,其中荧光目标区域为:
边界区域为:
背景区域为:
(2)边界区域与荧光目标区域合并作为可行域Per_R:
进一步,所述步骤三具体包括:
(1)确定两个新的阈值,两个阈值分别为αp和βp,且αp>βp,可行区内网格节点总数为第i个节点记作Nip(i=1,2,...,np),重建的第i个节点上荧光产额值记为Yip;将重建的每个节点的荧光产额值按降序排列,记为Yip′(i=1,2,...,np),找出Yip′中所有非零项,若有mp个,记为Yk,0′(k=1,2,...,mp),对r1p=mp*20%取下整得到rαp,对r2p=mp*80%取下整得到rβp,
(2)根据αp和βp两个阈值,将可行区内重建后的节点按规则划分到三个区域中,其中荧光目标区域为:
边界区域为:
背景区域为:荧光目标区域FT_Rp为荧光目标。
本发明的另一目的在于提供一种应用所述基于三支决策的荧光目标重建结果后处理方法的荧光分子断层成像系统。
本发明的另一目的在于提供一种应用所述基于三支决策的荧光目标重建结果后处理方法的生物发光断层成像系统。
本发明的另一目的在于提供一种应用所述基于三支决策的荧光目标重建结果后处理方法的X-射线激发断层成像系统。
综上所述,本发明的优点及积极效果为:本发明主要面向荧光分子断层成像、生物发光断层成像、X-射线激发断层成像等领域。本发明提出的基于三支决策的荧光目标重建结果后处理方法,根据三支决策理论获得了一种目标可行区提取方法,有效降低了重建问题病态性,提高了解得稳定性和重建结果。仿真实验的最终重建结果显示,位置误差为1.03mm,显著提升了重建的准确性。本发明提出的基于三支决策的荧光目标重建结果后处理方法,根据三支决策理论对重建结果进行后处理,明确获得了目标区域、边界区域和背景区域,为使用者提供了巨大的方便。
附图说明
图1是本发明实施例提供的基于三支决策的荧光目标重建结果后处理方法流程图。
图2是本发明实施例提供的圆柱仿真实验在z=15mm处的截面示意图。
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。
本发明提出的基于三支决策的后处理方法,不仅能提高重建质量,还能明确给出荧光目标区域,给使用者带来方便。
如图1所示,本发明实施例提供的基于三支决策的荧光目标重建结果后处理方法包括以下步骤:
S101:根据全域重建结果,利用三支决策理论将其划分为三部分:目标区域、边界区域及背景区域;
S102:将目标区域与边界区域合并构成目标可行区,在该区域上重新进行重建;
S103:对可行域上的重建结果进行后处理,划分出三个区域:目标区域、边界区域和背景区域,目标区域即为最终结果。
下面结合具体实施例对本发明的应用原理做进一步的描述。
本发明实施例提供的基于三支决策的荧光目标重建结果后处理方法可以应用于荧光分子断层重建、生物自发光断层重建、X-射线发光断层成像等领域;具体包括:
步骤一,根据全域重建结果,利用三支决策理论将其划分为三部分:目标区域、边界区域及背景区域;
(1a)设置激发点:设置初始激发点个数n0,基于非接触全角度成像系统,获取荧光测量值。然后使用剖分软件对实验模型进行剖分获得网格数据;
(1b)建立光在生物组织中传播的模型,建立采集到的荧光数据与荧光目标的线性关系;
(1c)利用共轭梯度最小二乘法(CGLS)求解极小化问题。基于有限元方法数值重建的网格节点总数为n,第i个节点记作Ni(i=1,2,...,n),重建的第i个节点上荧光产额值记为Yi。
步骤一为全域重建。
步骤二,将目标区域与边界区域合并构成目标可行区,在该区域上重新进行重建,实现包括以下流程:
(2a)设置初始阈值α,β,将重建的每个节点的荧光产额值按降序排列,记为Yi′(i=1,2,...,n),找出Yi′中所有非零项,若有m个,记为Yj,0′(j=1,2,...,m),对r1=m*20%取下整得到rα,对r2=m*80%取下整得到rβ,
根据α和β两个阈值,将重建后的节点按下述规则划分到三个区域中,其中荧光目标区域为:
边界区域为:
背景区域为:
(2b)边界区域里的四面体有可能属于背景区域,也有可能属于荧光目标区域,因此将边界区域与荧光目标区域合并作为可行域Per_R:
在可行区内重新进行荧光目标重建,因此重建的范围是在可行区内,不是平常意义上的全域,其未知量个数就是可行区内节点的个数。
步骤三对可行域上的重建结果进行后处理,划分出三个区域:目标区域、边界区域和背景区域,目标区域即为最终结果,实现包括以下流程:
(3a)确定两个新的阈值,两个阈值分别为αp和βp,且αp>βp,可行区内网格节点总数为第i个节点记作Nip(i=1,2,...,np),重建的第i个节点上荧光产额值记为Yip;将重建的每个节点的荧光产额值按降序排列,记为Yip′(i=1,2,...,np),找出Yip′中所有非零项,若有mp个,记为Yk,0′(k=1,2,...,mp),对r1p=mp*20%取下整得到rαp,对r2p=mp*80%取下整得到rβp,
(3b)根据αp和βp两个阈值,将可行区内重建后的节点按下述规则划分到三个区域中,其中荧光目标区域为:
边界区域为:
背景区域为:荧光目标区域FT_Rp即为荧光目标。
本发明的评价指标主要包括位置误差(LE)、归一化均方差误差(NRMSE)。其中位置误差表示重建结果中的光源中心坐标与真实光源的中心坐标之间的欧氏距离,计算方式为:(x,y,z)为重建光源的中心位置,(x0,y0,z0)为真实光源的中心位置。位置误差的值越小说明重建结果越准确;归一化均方差误差表示重建的荧光产额与真实荧光产额的差值,计算方式为:值越接近零越好,xrec表示重建结果的荧光产额,xorg为真实的荧光产额。
下面根据仿真实验结果对本发明的应用效果做详细的描述。
图2是本发明应用于荧光分子断层重建后在z=15mm处的截面示意图,采用9个激发点。其中荧光目标的真实位置坐标为(0mm,6mm,15mm),将初始重建结果与基于三支决策后处理的重建结果进行比较,重建的荧光目标中心坐标从(1.41mm,8.18mm,14.69mm)变为(-0.31mm,6.66mm,15.73mm),使用本方法重建后NRMSE由2.42变为1.52,中心点到荧光团的距离由2.61mm降至1.03mm。由此可证本发明可以正确定位荧光目标所在区域,从而显著提高了对荧光目标三维重建的准确度。
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 (7)
1.一种基于三支决策的荧光目标重建结果后处理方法,其特征在于,所述基于三支决策的荧光目标重建结果后处理方法根据全域重建结果,利用三支决策理论将其划分为三部分:目标区域、边界区域及背景区域;将目标区域与边界区域合并构成目标可行区,在区域上重新进行重建;对可行域上的重建结果进行后处理,划分出目标区域、边界区域和背景区域,目标区域为最终结果。
2.如权利要求1所述的基于三支决策的荧光目标重建结果后处理方法,其特征在于,所述步骤一具体包括:
(1)初始激发点个数n0,基于非接触全角度成像系统,获取荧光测量值,对实验模型进行剖分获得网格数据;
(2)建立光在生物组织中传播的模型,建立采集到的荧光数据与荧光目标的线性关系;
(3)利用共轭梯度最小二乘法求解极小化问题,基于有限元方法数值重建的网格节点总数为n,第i个节点记作Ni(i=1,2,...,n),重建的第i个节点上荧光产额值记为Yi。
3.如权利要求1所述的基于三支决策的荧光目标重建结果后处理方法,其特征在于,所述步骤二具体包括:
(1)初始阈值α,β,将重建的每个节点的荧光产额值按降序排列,记为Yi′(i=1,2,...,n),找出Yi′中所有非零项,若有m个,记为Yj,0′(j=1,2,...,m),对r1=m*20%取下整得到rα,对r2=m*80%取下整得到rβ,
根据α和β两个阈值,将重建后的节点按下述规则划分到三个区域中,其中荧光目标区域为:
边界区域为:
背景区域为:
(2)边界区域与荧光目标区域合并作为可行域Per_R:
4.如权利要求1所述的基于三支决策的荧光目标重建结果后处理方法,其特征在于,所述步骤三具体包括:
(1)确定两个新的阈值,两个阈值分别为αp和βp,且αp>βp,可行区内网格节点总数为第i个节点记作Nip(i=1,2,...,np),重建的第i个节点上荧光产额值记为Yip;将重建的每个节点的荧光产额值按降序排列,记为Yip′(i=1,2,...,np),找出Yip′中所有非零项,若有mp个,记为Yk,0′(k=1,2,...,mp),对r1p=mp*20%取下整得到rαp,对r2p=mp*80%取下整得到rβp,
(2)根据αp和βp两个阈值,将可行区内重建后的节点按规则划分到三个区域中,其中荧光目标区域为:
边界区域为:
背景区域为:荧光目标区域FT_Rp为荧光目标。
5.一种应用权利要求1~4任意一项所述基于三支决策的荧光目标重建结果后处理方法的荧光分子断层成像系统。
6.一种应用权利要求1~4任意一项所述基于三支决策的荧光目标重建结果后处理方法的生物发光断层成像系统。
7.一种应用权利要求1~4任意一项所述基于三支决策的荧光目标重建结果后处理方法的X-射线激发断层成像系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810425754.XA CN108564636B (zh) | 2018-05-07 | 2018-05-07 | 一种基于三支决策的荧光目标重建结果后处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810425754.XA CN108564636B (zh) | 2018-05-07 | 2018-05-07 | 一种基于三支决策的荧光目标重建结果后处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564636A true CN108564636A (zh) | 2018-09-21 |
CN108564636B CN108564636B (zh) | 2021-12-03 |
Family
ID=63538132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810425754.XA Active CN108564636B (zh) | 2018-05-07 | 2018-05-07 | 一种基于三支决策的荧光目标重建结果后处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564636B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820479A (zh) * | 2019-01-08 | 2019-05-31 | 西北大学 | 一种荧光分子断层成像可行域优化方法 |
CN110674134A (zh) * | 2019-09-16 | 2020-01-10 | 腾讯大地通途(北京)科技有限公司 | 一种地理信息数据存储方法、查询方法及装置 |
CN113842212A (zh) * | 2021-10-09 | 2021-12-28 | 南京诺源医疗器械有限公司 | 荧光散射光学断层成像处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5956428A (en) * | 1997-05-19 | 1999-09-21 | Ausbeck, Jr.; Paul James | Stroke code for image partitions |
CN101396262A (zh) * | 2008-10-31 | 2009-04-01 | 清华大学 | 一种基于线性关系的荧光分子断层成像重建方法 |
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 |
CN106530298A (zh) * | 2016-11-14 | 2017-03-22 | 同济大学 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
CN106599924A (zh) * | 2016-12-16 | 2017-04-26 | 北京灵众博通科技有限公司 | 一种基于三支决策的分类器构建方法 |
-
2018
- 2018-05-07 CN CN201810425754.XA patent/CN108564636B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5956428A (en) * | 1997-05-19 | 1999-09-21 | Ausbeck, Jr.; Paul James | Stroke code for image partitions |
CN101396262A (zh) * | 2008-10-31 | 2009-04-01 | 清华大学 | 一种基于线性关系的荧光分子断层成像重建方法 |
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 |
CN106530298A (zh) * | 2016-11-14 | 2017-03-22 | 同济大学 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
CN106599924A (zh) * | 2016-12-16 | 2017-04-26 | 北京灵众博通科技有限公司 | 一种基于三支决策的分类器构建方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820479A (zh) * | 2019-01-08 | 2019-05-31 | 西北大学 | 一种荧光分子断层成像可行域优化方法 |
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 |
CN110674134A (zh) * | 2019-09-16 | 2020-01-10 | 腾讯大地通途(北京)科技有限公司 | 一种地理信息数据存储方法、查询方法及装置 |
CN110674134B (zh) * | 2019-09-16 | 2024-02-13 | 腾讯大地通途(北京)科技有限公司 | 一种地理信息数据存储方法、查询方法及装置 |
CN113842212A (zh) * | 2021-10-09 | 2021-12-28 | 南京诺源医疗器械有限公司 | 荧光散射光学断层成像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108564636B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101396262B (zh) | 一种基于线性关系的荧光分子断层成像重建方法 | |
CN101342075B (zh) | 基于单视图的多光谱自发荧光断层成像重建方法 | |
CN108564636A (zh) | 一种基于三支决策的荧光目标重建结果后处理方法 | |
CN102034266B (zh) | 激发荧光断层成像的快速稀疏重建方法和设备 | |
CN102334979B (zh) | 一种基于迭代收缩的双模态融合断层成像方法 | |
CN103300829B (zh) | 一种基于迭代重加权的生物自发荧光断层成像方法 | |
CN102988026B (zh) | 基于乘子法的自发荧光断层成像重建方法 | |
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 | |
CN105326475A (zh) | 一种基于多光源分辨的生物发光断层成像重建方法 | |
CN111915733B (zh) | 基于LeNet网络的三维锥束X射线发光断层成像方法 | |
CN103356170A (zh) | 用于带异质体组织光学参数重建的快速蒙特卡罗成像方法 | |
CN107220961A (zh) | 一种基于半阈值追踪算法的荧光分子断层成像重建方法 | |
Cong et al. | A Born‐type approximation method for bioluminescence tomography | |
CN102940482A (zh) | 自适应的荧光断层成像重建方法 | |
CN103393410B (zh) | 一种基于交替迭代运算的荧光分子断层成像重建方法 | |
Wang et al. | A novel adaptive parameter search elastic net method for fluorescent molecular tomography | |
CN105581779A (zh) | 一种直接融合结构成像的生物发光断层成像重建的方法 | |
CN109820479B (zh) | 一种荧光分子断层成像可行域优化方法 | |
Yin et al. | Adaptive grouping block sparse Bayesian learning method for accurate and robust reconstruction in bioluminescence tomography | |
CN110151133A (zh) | 基于图像分割与时频信息融合的乳腺光学成像装置及方法 | |
CN104706320B (zh) | 一种基于dfMC模型的荧光扩散光学断层图像重建方法 | |
CN103218813B (zh) | 一种基于边界元的dot/xct双模式成像的图像重建算法 | |
CN109087372A (zh) | 基于迭代测量的光学断层重建方法 | |
CN103110405B (zh) | 生物自发光断层成像中最佳光源可行性区快速选取方法 | |
CN107374588B (zh) | 一种基于同步聚类的多光源荧光分子断层成像重建方法 |
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 |