CN109820479A - 一种荧光分子断层成像可行域优化方法 - Google Patents
一种荧光分子断层成像可行域优化方法 Download PDFInfo
- Publication number
- CN109820479A CN109820479A CN201910014241.4A CN201910014241A CN109820479A CN 109820479 A CN109820479 A CN 109820479A CN 201910014241 A CN201910014241 A CN 201910014241A CN 109820479 A CN109820479 A CN 109820479A
- Authority
- CN
- China
- Prior art keywords
- fluorescent
- conjugate gradient
- feasible zone
- feasible
- optimization method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000003325 tomography Methods 0.000 title claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 238000002939 conjugate gradient method Methods 0.000 claims abstract description 14
- 238000004441 surface measurement Methods 0.000 claims abstract description 8
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000003760 hair shine Effects 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims 1
- 238000001506 fluorescence spectroscopy Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 239000003550 marker Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000029918 bioluminescence Effects 0.000 description 1
- 238000005415 bioluminescence Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于光学分子成像技术领域,公开了一种荧光分子断层成像可行域优化方法;使用有限元计算软件对仿体进行四面体网格划分,建立表面测量值与内部荧光目标分布的线性关系;利用不完全变量截断共轭梯度法、共轭梯度最小二乘法求解系统方程,得到两组重建结果;根据三支决策理论划分出两组重建结果的正域,合并构成目标可行区,作为下一级重建的区域;再次使用不完全变量截断共轭梯度法、共轭梯度最小二乘法进行重建,得到改进后的最终结果。本发明采用两种不同的重建算法进行重建;提取出两组结果中的正域;在此区域内完成最终重建。本发明能够获取到准确的目标范围区域,有效缓解了问题的病态性,上述两种重建方法的图像质量均得到明显提升。
Description
技术领域
本发明属于光学分子成像技术领域,尤其涉及一种荧光分子断层成像可行域优化方法。
背景技术
目前,业内常用的现有技术是这样的:作为光学分子成像技术的重要分支,荧光分子断层重建(FMT)借助特定波长的激发光照射被荧光标记物的生物体,然后基于全角度非接触式成像系统,应用高性能CCD采集生物体表面的光强分布,结合合适的数学模型反演出荧光标记物在生物体内的三维分布和荧光浓度,该技术能够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。荧光分子断层重建的成像灵敏度高,成本低以及荧光探针标记技术发展较为成熟,从而使其在肿瘤早期检测、药物研制和治疗评估等方面具有很大优势。荧光分子断层重建主要涉及两大问题:正向问题和逆向问题。由于光在生物组织中传播时具有高散射、低吸收的特点,因此正向问题的主要任务为建立数学模型来描述光在生物组织中的传输过程,通常使用辐射传输方程(RTE)来描述这一过程。但是在实际使用中,辐射传输方程的求解十分复杂,在大多数情况下无法求解出解析解,因此一般使用漫射方程来近似逼近辐射传输方程,然后使用有限元这一数值方法求解漫射方程,获得每个节点的能量分布值。逆向问题则是指基于正向问题建立的光传输模型,选择一定的重建算法,求解出荧光标记物在生物体内的位置和浓度分布信息。由于在逆问题求解过程中,未知数量远远大于方程数量,因此逆问题具有严重的不适定性。目前主要围绕降低逆问题病态性,更加精确有效的定位荧光目标的位置及分布。但是基于传统方法,无法一次性精确定位到荧光目标的准确位置,为了提高图像质量,减少计算过程中的数据量,通常可以借助可行域,基于经典重建算法,可以达到改进重建方法的目的。采用传统重建算法得到的结果中,虽然能够逼近荧光目标,但通常无法给出荧光标记物的精确分布,这使得重建结果在后续研究中的参考意义大打折扣,降低了荧光分子断层重建技术的应用价值。通常在使用目标可行区提高重建质量时需要参考初次重建结果,因此初次重建结果的精确度决定着可行域的选取范围,如果未能准确提供荧光目标存在的范围,将造成下一级重建结果失准,继而无法得到更加准确的目标定位。
综上所述,现有技术存在的问题是:采用传统重建算法得到的结果无法给出荧光标记物的精确分布,使得重建结果在后续研究中的参考意义大打折扣,降低了荧光分子断层重建技术的应用价值;在小动物全身成像、人体乳腺器官成像的临床及预临床研究中无法提供有效的重建结果。
解决上述技术问题的难度和意义:借助三支决策理论的思想可以将重建区域划分为三部分:正域、负域及边界域,设置初始阈值,根据各节点的能量值,筛选出处于正域中的节点构成可行域,作为下一次重建的区域。在这个过程中,去掉荧光能量值较小的节点,保留能量值较大的节点进行二次重建,有效地去除了噪声数据,能够进一步提升可行域的准确度。最后使用上述两种方法进行二次重建时,本发明能够有效提升两种方法的重建精度。在本发明中,如何合理地设置阈值参数使决策风险损失最小一直是三支决策理论的挑战性难题,选择正域能够尽可能地保证重建范围不会存在较大偏差,接近目标所在区域。在使用其指导下一级重建时,能够提供准确的目标范围依据,有利于提高重建质量。
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可行域优化方法。
本发明是这样实现的,一种荧光分子断层成像可行域优化方法,所述荧光分子断层成像可行域优化方法包括:
第一步,使用有限元计算软件对仿体进行四面体网格划分,建立表面测量值与内部荧光目标分布的线性关系;
第二步,利用不完全变量截断共轭梯度法、共轭梯度最小二乘法求解系统方程,得到两组重建结果;
第三步,根据三支决策理论划分出两组重建结果的正域,合并构成目标可行区,作为下一级重建的区域;
第四步,再次使用不完全变量截断共轭梯度法、共轭梯度最小二乘法进行重建,得到改进后的最终结果。
进一步,所述第一步具体包括:
(1)基于全角度非接触型成像系统,应用高性能CCD相机采集所有角度的荧光数据;
(2)建立圆柱仿体模型,使用有限元网格剖分软件COMSOL Multiphysics对仿体进行离散化,将成像区域Ω划分为m个互不重叠的四面体单元(Ω1,Ω2,...,Ωm)和n个网格节点(p1,p2,...,pn);第i个结点表示为pi,1≤i≤n,第i个节点的荧光产额值表示为Yi;
(3)建立表面测量值与荧光目标分布的线性关系,构建荧光分子断层重建问题的系统方程;
表示边界测量值,A为系统矩阵,X表示所要求解的荧光目标的分布。
进一步,所述第二步具体包括:基于同一网格,分别使用不完全变量截断共轭梯度法、共轭梯度最小二乘法进行重建,得到两组全域重建结果,各节点的荧光产额值,分别记做:
进一步,所述第三步具体包括:
(1)设置初始阈值α(0<α<1),根据三支决策理论,筛选出两组重建结果output1,output2中属于正域的节点集合,分别记为:
PS_R1={pi|Y1i≥max(Y1i)*α,1≤i≤n};
PS_R2={pi|Y2i≥max(Y2i)*α,1≤i≤n};
(2)合并两组重建结果的正域,对PS_R1,PS_R2取并集,得到荧光目标的可行域PR=PS_R1∪PS_R2,根据可行区PR定义一个列矩阵D=[P1,P2,...,Pn]T:
矩阵D表示若第i个结点若属于可行域,则标记为i,否则置为0,去除D中的零值,得到矩阵D'。
进一步,所述第四步具体包括:
(1)基于形成的目标可行区D',产生新的系统矩阵A',利用正则化方法,将重建问题转化为拉普拉斯正则化的l1范数极小化问题:
其中τ是正则化参数,Φ'为表面的荧光测量值,X表示要求解的荧光目标三维分布与浓度;
(2)再次使用不完全变量截断共轭梯度法、共轭梯度最小二乘法进行重建,得到改进后的最终结果。
进一步,所述荧光分子断层成像可行域优化方法的定量分析指标包括定位误差、归一化方差误差;定位误差表示重建出的荧光目标位置与真实荧光目标位置之间的误差,归一化方差误差代表重建的荧光产额值与真实荧光产额值之间的误差;其中(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;xrec表示重建结果的荧光产额,xorg为真实的荧光产额;若定位误差和归一化均方差误差越接近于零值,则表示重建结果更加精确。
本发明的另一目的在于提供一种应用所述荧光分子断层成像可行域优化方法的光学分子成像平台。
本发明的另一目的在于提供一种应用所述荧光分子断层成像可行域优化方法的荧光分子断层重建平台。
本发明的另一目的在于提供一种应用所述荧光分子断层成像可行域优化方法的切伦科夫发光断层成像平台。
综上所述,本发明的优点及积极效果为:本发明的主要应用领域包括:荧光分子断层重建、生物发光断层重建及契伦科夫断层成像等。受三支决策理论启发,本发明采用两种不同的重建算法进行重建,获得初始重建结果,然后提取出两组结果中的正域,合并构成目标可能存在的范围,最后在此区域内完成最终重建,能够获取到更加准确的目标范围区域,有效缓解了问题的病态性,提升了下一级重建图像的质量。最后的圆柱仿真结果也表明通过本发明提取的可行域有助于上述两种方法的重建,有效改进了两组实验的重建精度。圆柱仿真实验结果中:IVTCG方法的位置误差降为0.67mm,CGLS方法的的位置误差降为0.76mm。本发明能够提供荧光目标的准确定位,达到了对重建结果进行优化的目的。实验前后的评价标准变化如下表格所示:
附图说明
图1是本发明实施例提供的荧光分子断层成像可行域优化方法流程图。
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。
针对现有技术采用传统重建算法得到的结果无法给出荧光标记物的精确分布,使得重建结果在后续研究中的参考意义大打折扣,降低了荧光分子断层重建技术的应用价值。本发明提出的荧光分子断层成像可行域优化方法,不仅能够提高重建的准确度,能够明确给出荧光目标的位置信息,给使用者带来方便。
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可行域优化方法包括以下步骤:
S101:使用有限元计算软件对仿体进行四面体网格划分,建立表面测量值与内部荧光目标分布的线性关系;
S102:利用不完全变量截断共轭梯度法、共轭梯度最小二乘法求解系统方程,得到两组重建结果;
S103:根据三支决策理论划分出两组重建结果的正域,合并构成目标可行区,作为下一级重建的区域;
S104:再次使用上述两种算法进行重建,得到改进后的最终结果。
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荧光分子断层成像可行域优化方法可以应用于荧光分子断层重建、切伦科夫发光断层成像等领域;具体包括:
步骤一,使用有限元计算软件对仿体进行四面体网格划分,建立表面测量值与内部荧光目标分布的线性关系,主要分为以下步骤:
(1a)基于全角度非接触型成像系统,应用高性能CCD相机采集所有角度的荧光数据;
(1b)建立圆柱仿体模型,使用有限元网格剖分软件COMSOL Multiphysics对仿体进行离散化,即将成像区域Ω划分为m个互不重叠的四面体单元(Ω1,Ω2,...,Ωm)和n个网格节点(p1,p2,...,pn)。第i个结点表示为pi(1≤i≤n),第i个节点的荧光产额值表示为Yi;
(1c)建立表面测量值与荧光目标分布的线性关系,构建荧光分子断层重建问题的系统方程;
表示边界测量值,A为系统矩阵,X表示所要求解的荧光目标的分布。
步骤二,利用不完全变量截断共轭梯度法、共轭梯度最小二乘法求解系统方程,得到两组重建结果,主要分为以下步骤:
(2a)基于同一网格,分别使用不完全变量截断共轭梯度法(IVTCG)、共轭梯度最小二乘法(CGLS)进行重建,得到两组全域重建结果,即各节点的荧光产额值,分别记做:
步骤三,根据三支决策理论划分出两组重建结果的正域,合并构成目标可行区,作为下一级重建的区域。具体包括以下步骤:
(3a)设置初始阈值α(0<α<1),根据三支决策理论,筛选出两组重建结果output1,output2中属于正域的节点集合,分别记为:
PS_R1={pi|Y1i≥max(Y1i)*α,1≤i≤n};
PS_R2={pi|Y2i≥max(Y2i)*α,1≤i≤n};
(3b)合并两组重建结果的正域,即对PS_R1,PS_R2取并集,得到荧光目标的可行域PR=PS_R1∪PS_R2,根据可行区PR可以定义一个列矩阵D=[P1,P2,...,Pn]T:
矩阵D表示若第i个结点若属于可行域,则标记为i,否则置为0,去除D中的零值,得到矩阵D'。
步骤四,再次使用上述的两种算法进行重建,得到改进后的最终结果。具体包括以下步骤:
(4a)基于步骤二形成的目标可行区D',产生新的系统矩阵A',利用正则化方法,将重建问题转化为拉普拉斯正则化的l1范数极小化问题:
其中τ是正则化参数,Φ'为表面的荧光测量值,X表示要求解的荧光目标三维分布与浓度;
(4b)再次使用上述两种算法进行重建,得到改进后的最终结果。
本发明的定量分析指标主要包括定位误差(LE)、归一化方差误差(NRMSE)。定位误差表示重建出的荧光目标位置与真实荧光目标位置之间的误差,归一化方差误差代表重建的荧光产额值与真实荧光产额值之间的误差。其中(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。xrec表示重建结果的荧光产额,xorg为真实的荧光产额。若定位误差和归一化均方差误差越接近于零值,则表示重建结果更加精确。
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(a)、图2(b)分别为应用不完全变量共轭梯度法、共轭梯度最小二乘法进行荧光分子断层重建后在z=15mm处的截面示意图,该图像中的重建区域虽然靠近荧光目标,但仍然无法准确提供荧光目标位置及产额分布情况。图2(c)、(d)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。在实验过程中,采用18个激发点,其中荧光目标的真实位置坐标为(0mm,6mm,15mm),通过对比初始图像和经过优化的图像可以发现:在使用不完全变量共轭梯度法(IVTCG)进行二次重建时,本发明能够有效的定位和定量荧光目标,由原来的1.32mm降至0.67mm,而NRMSE由原始的0.41降至0.09。在使用共轭梯度最小二乘法(CGLS)进行二次重建时,本发明的重建位置误差由1.19mm缩小至0.76mm,而NRMSE由原始的1.98降至0.15。在对可行域进行优化后,上述两种算法的重建质量均得到明显提升。以上结果充分地验证了本发明能够对荧光分子断层重建的图像进行优化处理。
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 (9)
1.一种荧光分子断层成像可行域优化方法,其特征在于,所述荧光分子断层成像可行域优化方法包括:
第一步,使用有限元计算软件对仿体进行四面体网格划分,建立表面测量值与内部荧光目标分布的线性关系;
第二步,利用不完全变量截断共轭梯度法、共轭梯度最小二乘法求解系统方程,得到两组重建结果;
第三步,根据三支决策理论划分出两组重建结果的正域,合并构成目标可行区,作为下一级重建的区域;
第四步,再次使用不完全变量截断共轭梯度法、共轭梯度最小二乘法进行重建,得到改进后的最终结果。
2.如权利要求1所述的荧光分子断层成像可行域优化方法,其特征在于,所述第一步具体包括:
(1)基于全角度非接触型成像系统,应用高性能CCD相机采集所有角度的荧光数据;
(2)建立圆柱仿体模型,使用有限元网格剖分软件COMSOL Multiphysics对仿体进行离散化,将成像区域Ω划分为m个互不重叠的四面体单元(Ω1,Ω2,...,Ωm)和n个网格节点(p1,p2,...,pn);第i个结点表示为pi,1≤i≤n,第i个节点的荧光产额值表示为Yi;
(3)建立表面测量值与荧光目标分布的线性关系,构建荧光分子断层重建问题的系统方程;
表示边界测量值,A为系统矩阵,X表示所要求解的荧光目标的分布。
3.如权利要求1所述的荧光分子断层成像可行域优化方法,其特征在于,所述第二步具体包括:基于同一网格,分别使用不完全变量截断共轭梯度法、共轭梯度最小二乘法进行重建,得到两组全域重建结果,各节点的荧光产额值,分别记做:
4.如权利要求1所述的荧光分子断层成像可行域优化方法,其特征在于,所述第三步具体包括:
(1)设置初始阈值α(0<α<1),根据三支决策理论,筛选出两组重建结果output1,output2中属于正域的节点集合,分别记为:
(2)合并两组重建结果的正域,对PS_R1,PS_R2取并集,得到荧光目标的可行域PR=PS_R1∪PS_R2,根据可行区PR定义一个列矩阵D=[P1,P2,...,Pn]T:
矩阵D表示若第i个结点若属于可行域,则标记为i,否则置为0,去除D中的零值,得到矩阵D'。
5.如权利要求1所述的荧光分子断层成像可行域优化方法,其特征在于,所述第四步具体包括:
(1)基于形成的目标可行区D',产生新的系统矩阵A',利用正则化方法,将重建问题转化为拉普拉斯正则化的l1范数极小化问题:
其中τ是正则化参数,Φ'为表面的荧光测量值,X表示要求解的荧光目标三维分布与浓度;
(2)再次使用不完全变量截断共轭梯度法、共轭梯度最小二乘法进行重建,得到改进后的最终结果。
6.如权利要求1所述的荧光分子断层成像可行域优化方法,其特征在于,所述荧光分子断层成像可行域优化方法的定量分析指标包括定位误差、归一化方差误差;定位误差表示重建出的荧光目标位置与真实荧光目标位置之间的误差,归一化方差误差代表重建的荧光产额值与真实荧光产额值之间的误差;其中(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;xrec表示重建结果的荧光产额,xorg为真实的荧光产额;若定位误差和归一化均方差误差越接近于零值,则表示重建结果更加精确。
7.一种应用权利要求1~6任意一项所述荧光分子断层成像可行域优化方法的光学分子成像平台。
8.一种应用权利要求1~6任意一项所述荧光分子断层成像可行域优化方法的荧光分子断层重建平台。
9.一种应用权利要求1~6任意一项所述荧光分子断层成像可行域优化方法的切伦科夫发光断层成像平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910014241.4A CN109820479B (zh) | 2019-01-08 | 2019-01-08 | 一种荧光分子断层成像可行域优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910014241.4A CN109820479B (zh) | 2019-01-08 | 2019-01-08 | 一种荧光分子断层成像可行域优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109820479A true CN109820479A (zh) | 2019-05-31 |
CN109820479B CN109820479B (zh) | 2021-08-27 |
Family
ID=66860804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910014241.4A Expired - Fee Related CN109820479B (zh) | 2019-01-08 | 2019-01-08 | 一种荧光分子断层成像可行域优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109820479B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699581A (zh) * | 2020-12-26 | 2021-04-23 | 西北大学 | 一种新的目标可行区提取方法、系统、介质、设备及应用 |
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 |
CN116681840A (zh) * | 2023-08-03 | 2023-09-01 | 中国科学院长春光学精密机械与物理研究所 | 用于断层重建的osmo优化改进方法及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07152543A (ja) * | 1993-11-30 | 1995-06-16 | Kobe Nippon Denki Software Kk | デシジョンテーブル入力装置 |
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 |
CN106599935A (zh) * | 2016-12-29 | 2017-04-26 | 重庆邮电大学 | 基于Spark大数据平台的三支决策不平衡数据过采样方法 |
CN107273912A (zh) * | 2017-05-10 | 2017-10-20 | 重庆邮电大学 | 一种基于三支决策理论的主动学习方法 |
CN108095686A (zh) * | 2017-11-06 | 2018-06-01 | 西北大学 | 一种荧光分子断层成像目标可行域选取方法 |
CN108564636A (zh) * | 2018-05-07 | 2018-09-21 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
CN109101108A (zh) * | 2018-07-25 | 2018-12-28 | 重庆邮电大学 | 基于三支决策优化智能座舱人机交互界面的方法及系统 |
-
2019
- 2019-01-08 CN CN201910014241.4A patent/CN109820479B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07152543A (ja) * | 1993-11-30 | 1995-06-16 | Kobe Nippon Denki Software Kk | デシジョンテーブル入力装置 |
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 |
CN106599935A (zh) * | 2016-12-29 | 2017-04-26 | 重庆邮电大学 | 基于Spark大数据平台的三支决策不平衡数据过采样方法 |
CN107273912A (zh) * | 2017-05-10 | 2017-10-20 | 重庆邮电大学 | 一种基于三支决策理论的主动学习方法 |
CN108095686A (zh) * | 2017-11-06 | 2018-06-01 | 西北大学 | 一种荧光分子断层成像目标可行域选取方法 |
CN108564636A (zh) * | 2018-05-07 | 2018-09-21 | 西北大学 | 一种基于三支决策的荧光目标重建结果后处理方法 |
CN109101108A (zh) * | 2018-07-25 | 2018-12-28 | 重庆邮电大学 | 基于三支决策优化智能座舱人机交互界面的方法及系统 |
Non-Patent Citations (1)
Title |
---|
HUANGJIAN YI, PU JIAO, ET AL: "Three-way decision based reconstruction frame for fluorescence molecular tomography", 《JOURNAL OF THE OPTICAL SOCIETY OF AMERICA A》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699581A (zh) * | 2020-12-26 | 2021-04-23 | 西北大学 | 一种新的目标可行区提取方法、系统、介质、设备及应用 |
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 |
CN116681840A (zh) * | 2023-08-03 | 2023-09-01 | 中国科学院长春光学精密机械与物理研究所 | 用于断层重建的osmo优化改进方法及存储介质 |
CN116681840B (zh) * | 2023-08-03 | 2023-10-31 | 中国科学院长春光学精密机械与物理研究所 | 用于断层重建的osmo优化改进方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109820479B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109820479A (zh) | 一种荧光分子断层成像可行域优化方法 | |
CN105455780A (zh) | 基于双网格的有限投影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 | |
CN102488493A (zh) | 小动物活体多模态分子成像系统和成像方法 | |
CN102334979A (zh) | 一种基于迭代收缩的双模态融合断层成像方法 | |
CN104665770B (zh) | 一种用于近红外光脑功能研究的自引导扩散光层析成像方法 | |
CN111898324B (zh) | 基于分割任务辅助的鼻咽癌三维剂量分布预测方法 | |
CN103300829B (zh) | 一种基于迭代重加权的生物自发荧光断层成像方法 | |
CN111915733B (zh) | 基于LeNet网络的三维锥束X射线发光断层成像方法 | |
CN105326475A (zh) | 一种基于多光源分辨的生物发光断层成像重建方法 | |
Wang et al. | Optimization of reconstruction accuracy of anomaly position based on stacked auto-encoder neural networks | |
Wang et al. | Fluorescence molecular tomography reconstruction of small targets using stacked auto-encoder neural networks | |
Wang et al. | A novel adaptive parameter search elastic net method for fluorescent molecular tomography | |
Yin et al. | Adaptive grouping block sparse Bayesian learning method for accurate and robust reconstruction in bioluminescence tomography | |
CN108564636A (zh) | 一种基于三支决策的荧光目标重建结果后处理方法 | |
CN109589126B (zh) | 基于宽光束小步长扫描方式的x射线发光断层成像方法 | |
CN115868923A (zh) | 基于展开式循环神经网络的荧光分子断层成像方法及系统 | |
CN103218813B (zh) | 一种基于边界元的dot/xct双模式成像的图像重建算法 | |
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 | |
Jiao et al. | A permissible region strategy for fluorescence molecular tomography | |
CN105268116A (zh) | 基于纳米金靶向非匀质生物组织的光热治疗建模方法 | |
CN103750824B (zh) | 一种针对小动物荧光层析成像系统的信息提取方法 | |
Sun et al. | Tumor photoacoustic image reconstruction method based on deep learning | |
Wang et al. | A hybrid reconstruction algorithm for fluorescence tomography using Kirchhoff approximation and finite element method | |
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 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210827 |
|
CF01 | Termination of patent right due to non-payment of annual fee |