CN109615673B - 基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 - Google Patents
基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 Download PDFInfo
- Publication number
- CN109615673B CN109615673B CN201811404727.0A CN201811404727A CN109615673B CN 109615673 B CN109615673 B CN 109615673B CN 201811404727 A CN201811404727 A CN 201811404727A CN 109615673 B CN109615673 B CN 109615673B
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- inverse problem
- regularization
- excitation
- adaptive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003325 tomography Methods 0.000 claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 32
- 239000000523 sample Substances 0.000 claims abstract description 23
- 238000009792 diffusion process Methods 0.000 claims abstract description 21
- 239000007850 fluorescent dye Substances 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 21
- 208000032612 Glial tumor Diseases 0.000 claims abstract description 16
- 206010018338 Glioma Diseases 0.000 claims abstract description 16
- 238000001506 fluorescence spectroscopy Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000002347 injection Methods 0.000 claims abstract description 11
- 239000007924 injection Substances 0.000 claims abstract description 11
- 230000008685 targeting Effects 0.000 claims abstract description 9
- 238000002939 conjugate gradient method Methods 0.000 claims abstract description 8
- 238000011065 in-situ storage Methods 0.000 claims abstract description 8
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 8
- 230000005284 excitation Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000003384 imaging method Methods 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000003756 stirring Methods 0.000 claims description 6
- 201000007983 brain glioma Diseases 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- FPQQSJJWHUJYPU-UHFFFAOYSA-N 3-(dimethylamino)propyliminomethylidene-ethylazanium;chloride Chemical compound Cl.CCN=C=NCCCN(C)C FPQQSJJWHUJYPU-UHFFFAOYSA-N 0.000 claims description 3
- NQTADLQHYWFPDB-UHFFFAOYSA-N N-Hydroxysuccinimide Chemical compound ON1C(=O)CCC1=O NQTADLQHYWFPDB-UHFFFAOYSA-N 0.000 claims description 3
- 102000004338 Transferrin Human genes 0.000 claims description 3
- 108090000901 Transferrin Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 125000003178 carboxy group Chemical group [H]OC(*)=O 0.000 claims description 3
- 239000000975 dye Substances 0.000 claims description 3
- 239000011259 mixed solution Substances 0.000 claims description 3
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical compound CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 claims description 3
- 239000008055 phosphate buffer solution Substances 0.000 claims description 3
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 claims description 3
- 239000012581 transferrin Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 206010028980 Neoplasm Diseases 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 230000003444 anaesthetic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000012632 fluorescent imaging Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000011503 in vivo imaging Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000010603 microCT Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
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
-
- 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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Algebra (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本公开提供了一种基于自适应高斯拉普拉斯规则化的FMT重建方法及装置,其中FMT重建方法包括:步骤S100:基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题;步骤S200:在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件;步骤S300:利用共轭梯度方法迭代求解逆问题;步骤S400:合成靶向性的荧光探针;步骤S500:构建小鼠脑胶质瘤原位模型,捕获注射探针一时间段内的荧光数据,获得荧光探针在脑胶质瘤区域的形态学分布。本公开实现了准确的FMT形态学重建,解决了FMT重建的过光滑问题,提高了FMT重建的信背比和鲁棒性,提高了FMT形态学重建的准确度。
Description
技术领域
本公开涉及生物医学分子影像领域,尤其涉及一种基于自适应高斯拉普拉斯规则化的FMT重建方法及装置。
背景技术
激发荧光成像(Fluorescence Molecular Imaging,FMI)技术作为一种新兴的分子影像技术,可以无创地检测靶向荧光探针在生物体内的分布。相比于其他光学分子影像技术,FMI技术具有探针种类多、信号强度高、可实时在体成像的特性。
激发荧光断层成像(Fluorescence Molecular Tomography,FMT)是基于FMI技术的三维荧光成像技术。该成像技术可以定量分析荧光探针在生物组织内的分布,进一步拓展了荧光成像在肿瘤诊疗一体化、药代动力学等预临床和临床方面的应用。
目前FMT成像技术已广泛用于肿瘤定位和药代动力学研究。其中,用于肿瘤定位的FMT成像技术旨在准确定位肿瘤在生物体内的位置,用于药代动力学研究的FMT成像技术旨在提高FMT重建速度。为了准确的分析荧光探针在生物体内的分布,特别是具有靶向性的荧光探针分布,需要研究FMT形态学重建技术,进一步拓展FMT成像技术在肿瘤异质性研究的应用。
发明内容
(一)要解决的技术问题
本公开提供了一种基于自适应高斯拉普拉斯规则化的FMT重建方法及装置,以至少部分解决以上所提出的技术问题。
(二)技术方案
根据本公开的一个方面,提供了一种基于自适应高斯拉普拉斯规则化的FMT重建方法,包括如下步骤:步骤S100:基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题;步骤S200:在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件;步骤S300:利用共轭梯度方法迭代求解逆问题;步骤S400:合成靶向性的荧光探针;步骤S500:构建小鼠脑胶质瘤原位模型,捕获注射探针的荧光数据,获得荧光探针在脑胶质瘤区域的形态学分布。
在本公开的一些实施例中,步骤S100中包括:步骤S110:建立扩散方程,包括:
其中,代表梯度算子,r为位置向量,Ω代表成像物体所占据的三维空间,rl为激发光源的位置,Θ为激发光源的光强值,下标x和m分别表示激发光和发射光,Φx,m(r)代表位置r处的光子密度,μax,am为光学吸收系数,μsx,sm为光学散射系数,Dx,m=1/3(μax,am+(1-g)μsx,sm)为扩散系数,g为各向异性系数,ημaf(r)为待重建的荧光区域,其中η代表量子效率,q代表光学折射系数;
步骤S120:基于扩散方程(1),进行有限元模型转换为如下的方程:
Φ=AX
其中,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息;
步骤S130:建立激发荧光断层成像逆问题:
其中,min E(x)为逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息。
在本公开的一些实施例中,步骤S200中,在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件后的逆问题如下:
其中,min E(x)′为加入自适应的高斯拉普拉斯规则化约束条件后的逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息,λ为规则化参数,LAG为自适应的高斯加权的拉普拉斯规则化矩阵;
所述自适应的高斯加权的拉普拉斯规则化矩阵LAG如下:
LAG=(li,j)N×N
其中,矩阵LAG的维数为N×N,li,j为矩阵LAG第i行,第j列的元素;St代表子图像t,di,j为像素i和像素j之间的欧式距离,ρsk为光滑算子,RL和RS分别为较大的和较小的高斯核参数;Ωh为高能区,Ωm为中能区,Ωl为低能区,j∈St,i≠j,i∈(Ωh∪Ωl)为子图像中属于高能区和低能区的任意两个元素,j∈St,f≠j,i∈Ωm为子图像中属于中能区的任意两个元素。
在本公开的一些实施例中,所述高能区Ωh、中能区Ωm和低能区Ωl的定义分别如下:
在本公开的一些实施例中,步骤S300中对迭代结果中小于零的元素进行修正。
在本公开的一些实施例中,步骤S400包括:步骤S410:氨基PEG羧基和IRDye800-NHS染料溶解于磷酸缓冲盐溶液,搅拌反应1小时;步骤S420:转铁蛋白,1-(3-二甲氨基丙基)-3-乙基碳二亚胺盐酸盐和N-羟基丁二酰亚胺加入步骤S410的混合溶液中,搅拌反应24小时;步骤S430:透析纯化步骤S420中的溶液,合成靶向性的荧光探针。
在本公开的一些实施例中,步骤S500包括:步骤S510:利用U87脑胶质瘤细胞构建小鼠原位脑胶质瘤模型;步骤S520:采集探针注射6小时后的CT数据和光学数据;步骤S530:得到探针在脑胶质瘤区域的形态学分布结果。
根据本公开的一个方面,提供了一种基于自适应高斯拉普拉斯规则化的FMT重建装置,包括:激发荧光断层成像逆问题建立模块,用于基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题;自适应的高斯拉普拉斯规则化约束条件加入模块,用于在所述激发荧光断层成像逆问题建立模块建立的激发荧光断层成像逆问题中加入自适应的高斯拉普拉斯规则化约束条件;迭代计算模块,用于利用共轭梯度方法迭代求解逆问题;荧光探针合成模块,用于合成靶向性的荧光探针;成像数据采集及处理模块,用于捕获注射探针一时间段内的荧光数据,处理获得荧光探针在脑胶质瘤区域的形态学分布。
(三)有益效果
从上述技术方案可以看出,本公开基于自适应高斯拉普拉斯规则化的FMT重建方法及装置至少具有以下有益效果其中之一或其中一部分:
(1)本公开实现了准确的FMT形态学重建,解决了FMT重建的过光滑问题,提高了FMT重建的信背比和鲁棒性,提高了FMT形态学重建的准确度。
(2)本公开中通过加入自适应高斯加权拉普拉斯规则化约束条件,无需依赖电子计算机断层扫描(Computed Tomography,CT)或者磁共振成像(Magnetic ResonanceImaging,MRI)提供的肿瘤区域的解剖信息,可以规避肿瘤解剖信息对重建结果造成的干扰。
(3)本公开中重建的光源区域,不局限于肿瘤区域,利于研究荧光探针在肿瘤区域的分布,对肿瘤异质性的研究具有极大的意义。
附图说明
图1为本公开实施例基于自适应高斯拉普拉斯规则化的FMT重建方法的流程图。
图2为本公开实施例中自适应高斯拉普拉斯规则化的原理图。
具体实施方式
本公开提供了一种基于自适应高斯拉普拉斯规则化的FMT重建方法及装置,其中FMT重建方法包括:步骤S100:基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题;步骤S200:在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件;步骤S300:利用共轭梯度方法迭代求解逆问题;步骤S400:合成靶向性的荧光探针;步骤S500:构建小鼠脑胶质瘤原位模型,捕获注射探针一时间段内的荧光数据,获得荧光探针在脑胶质瘤区域的形态学分布。本公开实现了准确的FMT形态学重建,解决了FMT重建的过光滑问题,提高了FMT重建的信背比和鲁棒性,提高了FMT形态学重建的准确度。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
本公开某些实施例于后方将参照所附附图做更全面性地描述,其中一些但并非全部的实施例将被示出。实际上,本公开的各种实施例可以许多不同形式实现,而不应被解释为限于此数所阐述的实施例;相对地,提供这些实施例使得本公开满足适用的法律要求。
在本公开的第一个示例性实施例中,提供了一种基于自适应高斯拉普拉斯规则化的FMT重建方法。图1为本公开实施例基于自适应高斯拉普拉斯规则化的FMT重建方法的流程图。如图1所示,本公开基于自适应高斯拉普拉斯规则化的FMT重建方法包括:
步骤S100:基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题。
具体的,步骤S100中利用的扩散方程包括:
步骤S110:建立扩散方程,包括:
其中,代表梯度算子,r为位置向量,Ω代表成像物体所占据的三维空间,rl为激发光源的位置,Θ为激发光源的光强值。下标x和m分别表示激发光和发射光,Φx,m(r)代表位置r处的光子密度,μax,am为光学吸收系数,μsx,sm为光学散射系数,Dx,m=1/3(μax,am+(1-g)μsx,sm)为扩散系数,g为各向异性系数。ημaf(r)为待重建的荧光区域,其中η代表量子效率,q代表光学折射系数。
步骤S120:基于扩散方程(1),进行有限元模型转换为如下的方程:
Φ=AX
其中,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息;
步骤S130:建立激发荧光断层成像逆问题:
其中,min E(x)为逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息。
步骤S200:在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件。
具体的,步骤S200中,在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件后的逆问题如下:
其中,min E(x)′为加入自适应的高斯拉普拉斯规则化约束条件后的逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息,λ为规则化参数,LAG为自适应的高斯加权的拉普拉斯规则化矩阵;
所述自适应的高斯加权的拉普拉斯规则化矩阵LAG如下:
LAG=(li,j)N×N
其中,矩阵LAG的维数为N×N,li,j为矩阵LAG第i行,第j列的元素;St代表子图像t,di,j为像素i和像素j之间的欧式距离,ρsk为光滑算子,RL和RS分别为较大的和较小的高斯核参数;Ωh为高能区,Ωm为中能区,Ωl为低能区;j∈St,i≠j,i∈(Ωh∪Ωl)为子图像中属于高能区和低能区的任意两个元素,j∈St,i≠j,i∈Ωm为子图像中属于中能区的任意两个元素。
进一步分别对高能区Ωh、中能区Ωm和低能区Ωl进行如下定义:
步骤S300:利用共轭梯度方法迭代求解逆问题。其中,还包括:对迭代结果中小于零的元素进行修正。
步骤S400:合成靶向性的荧光探针。在一具体实施例中,靶向性的荧光探针合成步骤包括:
步骤S410:氨基PEG羧基和IRDye800-NHS染料溶解于磷酸缓冲盐溶液,搅拌反应1小时;
步骤S420:转铁蛋白,1-(3-二甲氨基丙基)-3-乙基碳二亚胺盐酸盐和N-羟基丁二酰亚胺加入步骤S410的混合溶液中,搅拌反应24小时;
步骤S430:透析纯化步骤S420中的溶液,合成靶向性的荧光探针。
步骤S500:构建小鼠脑胶质瘤原位模型,捕获注射探针一时间段内的荧光数据,获得荧光探针在脑胶质瘤区域的形态学分布。在一具体实施例中,包括:
步骤S510:利用U87脑胶质瘤细胞构建小鼠原位脑胶质瘤模型;
步骤S520:探针注射6小时后,将小鼠放置在多模态成像设备的成像舱里,利用小动物麻醉剂对小鼠实施气麻。首先利用多模态成像设备中的高灵敏度相机采集小鼠头部表面的荧光数据,然后利用小动物micro-CT设备采集小鼠的CT数据。
步骤S530:将步骤S520采集到的荧光数据和CT数据代入步骤S100~S300进行数据处理,最终得到探针在脑胶质瘤区域的形态学分布结果。
在本公开的第一个示例性实施例中,还提供了一种基于自适应高斯拉普拉斯规则化的荧光断层成像装置,包括:
激发荧光断层成像逆问题建立模块,用于基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题;
自适应的高斯拉普拉斯规则化约束条件加入模块,用于在所述激发荧光断层成像逆问题建立模块建立的激发荧光断层成像逆问题中加入自适应的高斯拉普拉斯规则化约束条件;
迭代计算模块,用于利用共轭梯度方法迭代求解逆问题;
荧光探针合成模块,用于合成靶向性的荧光探针;
成像数据采集及处理模块,用于捕获注射探针一时间段内的荧光数据,处理获得荧光探针在脑胶颀瘤区域的形态学分布。
图2为本公开实施例中自适应高斯拉普拉斯规则化方法的原理图。如图2所示,针对过光滑的重建效果,对高能区实施较大的高斯拉普拉斯规则化约束,即强规则化时,会得到高能区域范围扩大的效果,如高能区域重建效果图和中轴线能量分布曲线图所示;对低能区实施较大的高斯拉普拉斯规则化约束,即强规则化时,会得到低能区域范围扩大的效果,如低能区域重建效果图和中轴线能量分布曲线所示。结合两种策略,即对高能区和低能区同时实施强规则化,最终得到右边所示的重建结果图。如能量分布曲线图所示,本公开实例中的自适应高斯拉普拉斯规则化方法解决了FMT重建的过光滑问题,同时提高了信背比,极大的保留了光源分布的形态学信息。
本公开有别于传统的激发荧光断层成像,其重建的多个光源区域,不再局限于肿瘤区域,因此激发荧光断层成像的形态学分布结果不会局限于肿瘤区域,这有利于研究荧光探针在肿瘤区域的分布,对肿瘤异质性的研究具有极大的意义。
此外,自适应高斯拉普拉斯规则化约束条件分别基于FMT重建的空间先验和能量先验。基于空间先验,该方法假设两个体素之间的荧光强度的差别与两体素之间的距离呈非线性负相关,采用高斯拉普拉斯规则化。基于能量先验,该方法假设待重建光源的内部光强值高,边缘光强值低,采用自适应的高斯核参数调整不同体素的高斯距离,克服了FMT重建中过光滑和低信背比的问题,提高了FMT形态学分布结构的准确度。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述,本领域技术人员应当对本公开基于自适应高斯拉普拉斯规则化的FMT重建方法和装置有了清楚的认识。
综上所述,本公开提供一种在FMT重建中具有高信背比、鲁棒性和准确度的基于自适应高斯拉普拉斯规则化的FMT重建方法和装置。
非有所知名为相反之意,本说明书及所附权利要求中的数值参数是近似值,能够根据通过本公开的内容所得的所需特性改变。具体而言,所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字,应理解为在所有情况中是受到「约」的用语所修饰。一般情况下,其表达的含义是指包含由特定数量在一些实施例中±10%的变化、在一些实施例中±5%的变化、在一些实施例中±1%的变化、在一些实施例中±0.5%的变化。
再者,单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的启示一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的内容,并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。
类似地,应当理解,为了精简本公开并帮助理解各个公开方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,公开方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (6)
1.一种基于自适应高斯拉普拉斯规则化的激发荧光断层成像重建方法,其中,包括如下步骤:
步骤S100:基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题;其中,步骤S100中包括:
步骤S110:建立扩散方程,包括:
其中,代表梯度算子,r为位置向量,Ω代表成像物体所占据的三维空间,rl为激发光源的位置,Θ为激发光源的光强值,下标x和m分别表示激发光和发射光,Φx,m(r)代表位置r处的光子密度,μax,am为光学吸收系数,μsx,sm为光学散射系数,Dx,m=1/3(μax,am+(1-g)μsx,sm)为扩散系数,g为各向异性系数,ημaf(r)为待重建的荧光区域,其中η代表量子效率,q代表光学折射系数;
步骤S120:基于扩散方程(1),进行有限元模型转换为如下的方程:
Φ=AX
其中,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息;
步骤S130:建立激发荧光断层成像逆问题:
其中,min E(x)为逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息;
步骤S200:在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件;步骤S200中,在步骤S100建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件后的逆问题如下:
其中,min E(x)′为加入自适应的高斯拉普拉斯规则化约束条件后的逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息,λ为规则化参数,LAG为自适应的高斯加权的拉普拉斯规则化矩阵;
所述自适应的高斯加权的拉普拉斯规则化矩阵LAG如下:
LAG=(li,j)N×N
其中,矩阵LAG的维数为N×N,li,j为矩阵LAG第i行,第j列的元素;St代表子图像t,di,j为像素i和像素j之间的欧式距离,ρsk为光滑算子,RL和RS分别为较大的和较小的高斯核参数;Ωh为高能区,Ωm为中能区,Ωl为低能区,为子图像中属于高能区和低能区的任意两个元素,为子图像中属于中能区的任意两个元素;
步骤S300:利用共轭梯度方法迭代求解逆问题;
步骤S400:合成靶向性的荧光探针;
步骤S500:构建小鼠脑胶质瘤原位模型,捕获注射探针的荧光数据,获得荧光探针在脑胶质瘤区域的形态学分布。
3.如权利要求1所述的激发荧光断层成像重建方法,其中,步骤S300中对迭代结果中小于零的元素进行修正。
4.如权利要求1所述的激发荧光断层成像重建方法,其中,步骤S400包括:
步骤S410:氨基PEG羧基和IRDye800-NHS染料溶解于磷酸缓冲盐溶液,搅拌反应1小时;
步骤S420:转铁蛋白,1-(3-二甲氨基丙基)-3-乙基碳二亚胺盐酸盐和N-羟基丁二酰亚胺加入步骤S410的混合溶液中,搅拌反应24小时;
步骤S430:透析纯化步骤S420中的溶液,合成靶向性的荧光探针。
5.如权利要求1所述的激发荧光断层成像重建方法,其中,步骤S500包括:
步骤S510:利用U87脑胶质瘤细胞构建小鼠原位脑胶质瘤模型;
步骤S520:采集探针注射6小时后的CT数据和光学数据;
步骤S530:得到探针在脑胶质瘤区域的形态学分布结果。
6.一种基于自适应高斯拉普拉斯规则化的激发荧光断层成像重建装置,包括:
激发荧光断层成像逆问题建立模块,用于基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题,其中所述基于扩散方程和有限元模型转换,建立激发荧光断层成像逆问题包括:
用于建立扩散方程,包括:
其中,代表梯度算子,r为位置向量,Ω代表成像物体所占据的三维空间,rl为激发光源的位置,Θ为激发光源的光强值,下标x和m分别表示激发光和发射光,Φx,m(r)代表位置r处的光子密度,μax,am为光学吸收系数,μsx,sm为光学散射系数,Dx,m=1/3(μax,am+(1-g)μsx,sm)为扩散系数,g为各向异性系数,ημaf(r)为待重建的荧光区域,其中η代表量子效率,q代表光学折射系数;
用于基于扩散方程(1),进行有限元模型转换为如下的方程:
Φ=AX
其中,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息;
用于建立激发荧光断层成像逆问题:
其中,min E(x)为逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息;
自适应的高斯拉普拉斯规则化约束条件加入模块,用于在所述激发荧光断层成像逆问题建立模块建立的激发荧光断层成像逆问题中加入自适应的高斯拉普拉斯规则化约束条件;其中在所述激发荧光断层成像逆问题建立模块建立的激发荧光断层成像逆问题中加入自适应的高斯拉普拉斯规则化约束条件包括:
用于在建立的逆问题中,加入自适应的高斯拉普拉斯规则化约束条件后的逆问题如下:
其中,min E(x)′为加入自适应的高斯拉普拉斯规则化约束条件后的逆问题方程,Φ为采集到的成像物体表面的发射荧光信息,A代表系统矩阵,X代表生物组织内部的光源的分布信息,λ为规则化参数,LAG为自适应的高斯加权的拉普拉斯规则化矩阵;
所述自适应的高斯加权的拉普拉斯规则化矩阵LAG如下:
LAG=(li,j)N×N
其中,矩阵LAG的维数为N×N,li,j为矩阵LAG第i行,第j列的元素;St代表子图像t,di,j为像素i和像素j之间的欧式距离,ρsk为光滑算子,RL和RS分别为较大的和较小的高斯核参数;Ωh为高能区,Ωm为中能区,Ωl为低能区,为子图像中属于高能区和低能区的任意两个元素,为子图像中属于中能区的任意两个元素;
迭代计算模块,用于利用共轭梯度方法迭代求解逆问题;
荧光探针合成模块,用于合成靶向性的荧光探针;
成像数据采集及处理模块,用于捕获注射探针一时间段内的荧光数据,处理获得荧光探针在脑胶质瘤区域的形态学分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811404727.0A CN109615673B (zh) | 2018-11-22 | 2018-11-22 | 基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811404727.0A CN109615673B (zh) | 2018-11-22 | 2018-11-22 | 基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615673A CN109615673A (zh) | 2019-04-12 |
CN109615673B true CN109615673B (zh) | 2021-01-05 |
Family
ID=66004882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811404727.0A Active CN109615673B (zh) | 2018-11-22 | 2018-11-22 | 基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615673B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581553B (zh) * | 2022-04-28 | 2022-07-22 | 北京航空航天大学 | 基于磁粒子成像先验引导的荧光分子断层成像重建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004023072A1 (en) * | 2002-09-05 | 2004-03-18 | Solvision, Inc. | Shadow-free 3d and 2d measurement system and method |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007111669A2 (en) * | 2005-12-22 | 2007-10-04 | Visen Medical, Inc. | Combined x-ray and optical tomographic imaging system |
CN106725347A (zh) * | 2017-02-16 | 2017-05-31 | 西北大学 | 基于随机变量交替方向乘子法荧光分子断层成像重建方法 |
CN108095686B (zh) * | 2017-11-06 | 2020-09-11 | 西北大学 | 一种荧光分子断层成像目标可行域选取方法 |
CN108335338B (zh) * | 2018-03-28 | 2021-01-05 | 中国科学院自动化研究所 | 实验动物体多模融合成像系统及使用方法 |
-
2018
- 2018-11-22 CN CN201811404727.0A patent/CN109615673B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004023072A1 (en) * | 2002-09-05 | 2004-03-18 | Solvision, Inc. | Shadow-free 3d and 2d measurement system and method |
Non-Patent Citations (1)
Title |
---|
《用于定位激发平面的混合高斯方法》;王晓东 等;《激光与光电子学进展》;20181031(第10期);正文第267-275页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109615673A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Faragallah et al. | A comprehensive survey analysis for present solutions of medical image fusion and future directions | |
Vu et al. | A generative adversarial network for artifact removal in photoacoustic computed tomography with a linear-array transducer | |
Guo et al. | Gross tumor volume segmentation for head and neck cancer radiotherapy using deep dense multi-modality network | |
JP2022544229A (ja) | オブジェクト検出を用いて位置特定された医用画像の三次元オブジェクトセグメンテーション | |
Yu et al. | Medical image synthesis via deep learning | |
US11020077B2 (en) | Simultaneous CT-MRI image reconstruction | |
Iglesias et al. | Is synthesizing MRI contrast useful for inter-modality analysis? | |
US8126247B2 (en) | Image preprocessing system for 3D image database construction | |
CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
Matsubara et al. | A review on AI in PET imaging | |
Ren et al. | Automated registration of magnetic resonance imaging and optoacoustic tomography data for experimental studies | |
Hyde et al. | Data specific spatially varying regularization for multimodal fluorescence molecular tomography | |
CN102334979B (zh) | 一种基于迭代收缩的双模态融合断层成像方法 | |
EP2780890B1 (en) | System for creating a tomographic object image based on multiple imaging modalities | |
CN101947103B (zh) | 全光学生物发光断层成像方法 | |
Lan et al. | Y-Net: a hybrid deep learning reconstruction framework for photoacoustic imaging in vivo | |
WO2023039353A2 (en) | Real-time super-resolution ultrasound microvessel imaging and velocimetry | |
CN109615673B (zh) | 基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 | |
CN116549018B (zh) | 一种基于纳米液滴的三维超声超分辨方法 | |
Eresen et al. | New similarity metric for registration of MRI to histology: Golden retriever muscular dystrophy imaging | |
Hakimnejad et al. | Unsupervised photoacoustic tomography image reconstruction from limited-view unpaired data using an improved CycleGAN | |
Zhong et al. | Unsupervised Fusion of Misaligned PAT and MRI Images via Mutually Reinforcing Cross-Modality Image Generation and Registration | |
Chen et al. | The Algorithms' Application In Medical Images Gans' applications | |
CN111738999B (zh) | 基于弥散张量成像的大脑张量模板构建方法 | |
Roth et al. | Multi-scale image fusion between pre-operative clinical CT and X-ray microtomography of lung pathology |
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 |