CN110327018A - 稀疏度自适应组正交匹配追踪的激发荧光断层重建方法 - Google Patents
稀疏度自适应组正交匹配追踪的激发荧光断层重建方法 Download PDFInfo
- Publication number
- CN110327018A CN110327018A CN201910548816.0A CN201910548816A CN110327018A CN 110327018 A CN110327018 A CN 110327018A CN 201910548816 A CN201910548816 A CN 201910548816A CN 110327018 A CN110327018 A CN 110327018A
- Authority
- CN
- China
- Prior art keywords
- degree
- rarefication
- cross sectional
- module
- matching pursuit
- 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 75
- 230000005284 excitation Effects 0.000 title claims abstract description 54
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 34
- 239000000523 sample Substances 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 10
- 210000000056 organ Anatomy 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 12
- 230000003287 optical effect Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 26
- 210000001519 tissue Anatomy 0.000 description 25
- 230000006870 function Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 7
- 238000003325 tomography Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 210000004185 liver Anatomy 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- NCEXYHBECQHGNR-UHFFFAOYSA-N chembl421 Chemical compound C1=C(O)C(C(=O)O)=CC(N=NC=2C=CC(=CC=2)S(=O)(=O)NC=2N=CC=CC=2)=C1 NCEXYHBECQHGNR-UHFFFAOYSA-N 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000799 fluorescence microscopy Methods 0.000 description 3
- 238000007152 ring opening metathesis polymerisation reaction Methods 0.000 description 3
- 210000004881 tumor cell Anatomy 0.000 description 3
- 102100033717 Retroviral-like aspartic protease 1 Human genes 0.000 description 2
- 101710188689 Small, acid-soluble spore protein 1 Proteins 0.000 description 2
- 101710188693 Small, acid-soluble spore protein 2 Proteins 0.000 description 2
- 101710166422 Small, acid-soluble spore protein A Proteins 0.000 description 2
- 101710166404 Small, acid-soluble spore protein C Proteins 0.000 description 2
- 101710174019 Small, acid-soluble spore protein C1 Proteins 0.000 description 2
- 101710174017 Small, acid-soluble spore protein C2 Proteins 0.000 description 2
- 101710174574 Small, acid-soluble spore protein gamma-type Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000002073 fluorescence micrograph Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于光学分子影像领域，具体涉及了一种稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，旨在解决现有技术使用稀疏约束优化求解肿瘤分布中存在的区域过稀疏、空间不连续、过程欠鲁棒的问题。本发明方法包括：对生物CT三维数据进行分割及有限元离散化后与生物体表激发荧光图像数据融合；根据融合后的体表激发荧光光强分布信息建立模型；划分模型并构造局部空间连续性约束条件；融入L1范数稀疏性并迭代求解，获得探针在生物肿瘤区域的汇聚分布情况。本发明通过融合空间结构约束和稀疏约束，构建一种全新的空间结构稀疏正则化项，重点解决了单纯基于稀疏约束求解肿瘤分布导致的区域过稀疏、空间不连续、过程欠鲁棒等问题。
Description
技术领域
本发明属于光学分子影像技术领域，具体涉及了一种稀疏度自适应组正交匹配追踪的激发荧光断层重建方法、系统、装置。
背景技术
激发荧光断层成像技术(FMT，Fluorescence Molecular Tomography)作为一种新型的光学分子影像技术，利用特异性探针靶向标记肿瘤细胞，并在特定波长的外加激发光源照射下，荧光探针吸收能量发生电子能级跃迁，产生激发光并穿透体内生物组织到达体表被体外高灵敏光学探测器捕获。通过计算机断层成像提供的组织结构信息建立光子在生物组织中传输的扩散方程模型，并通过低阶近似简化和有限元离散得到线性的求解模型。激发荧光断层成像技术通过对模型的求解，从而实现体内荧光光源的三维重建，获取分子探针在成像物体内的三维时空分布和能量分布，在预临床和临床肿瘤检测、药效评估、手术导航等方面具有极高的应用价值。
激发荧光断层成像由于光子采集的局限性，只能利用较少的体表二维荧光数据去反演肿瘤在体内的三维分布情况。由于体表的已知数据量远小于体内的未知数据量，从而导致问题的求解具有极强的不适定性。此外，由于FMT问题中系统矩阵具有较大的条件数，FMT重建还是一个病态问题，即噪声对于系统的影响会放大，从而影响成像质量。考虑到肿瘤分布具有稀疏特性，许多方法基于压缩感知理论中的正交匹配追踪算法求解FMT逆向问题。
然而，由于稀疏约束的基本作用单元是离散化后的单个原子，忽略了原子与原子间的空间结构和关系，导致现有的基于稀疏约束的求解算法在迭代求解的结果中存在区域过稀疏、空间不连续、过程欠鲁棒等显著问题，严重限制FMT技术在实际预临床和临床场景中的应用。
发明内容
为了解决现有技术中的上述问题，即现有技术使用稀疏约束优化求解肿瘤分布中存在的区域过稀疏、空间不连续、过程欠鲁棒的问题，本发明提供了一种稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，该激发荧光断层重建方法包括：
步骤S10，获取生物CT三维组织结构数据及其体表激发荧光图像数据；
步骤S20，对所述生物CT三维组织结构数据进行器官分割并进行有限元离散化，获得生物三维结构信息、有限元离散化后的网格文件；
步骤S30，采用特征点配准的方法融合所述生物三维结构信息与体表激发荧光图像数据，获得生物体表激发荧光光强分布信息；
步骤S40，依据所述生物体表激发光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性数学模型；
步骤S50，根据所述有限元离散化后的网格文件，采用四面体空间结构作为算法的分组策略，将线性数学模型中待求解问题构成的空间划分为组子空间，构造局部空间连续性约束条件；
步骤S60，采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化L1范数稀疏性约束条件；
步骤S70，基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况。
在一些优选的实施例中，所述体表激发荧光图像数据包括N个角度的N幅激发荧光图像数据，N为正整数。
在一些优选的实施例中，步骤S40中“依据所述生物体表激发荧光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性数学模型”，其方法为：
AX＝Φ
其中，A为系统矩阵，X为生物组织中内部光源的分部信息，Φ为生物体表激发荧光光强分布信息。
在一些优选的实施例中，所述局部空间连续性约束条件的目标函数为：
其中，AG表示按照四面体空间组成方式对A矩阵列向量进行分组并排序后的矩阵；β表示对应于AG矩阵的FMT问题的非零解；H表示列向量的索引集合；supp(β)＝{k:βk≠0}，该目标函数是原始目标函数的最小二成表示。
在一些优选的实施例中，步骤S60中“采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化稀疏性约束条件”，其目标函数为：
其中，λ为正则化项参数。
在一些优选的实施例中，步骤S70中“基于所述局部空间结构化L1范数稀疏性约束条件，采用迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况”，其方法为：
步骤S71，初始化残差为r0＝Φ,支撑集I0、稀疏度更新S步长为4，稀疏度K＝S，迭代次数k＝0；
步骤S72，令k＝k+1，计算组误差相关度，并选择L1范数最大的组作为当前迭代次数的最优解；
步骤S73，将所述当前迭代次数的最优解中的元素添加到支撑集Ik中；
步骤S74，基于当前支撑集Ik，计算临时解βtemp，并通过Top函数选择临时解中最大的前K个元素的索引作为当前迭代的最优支撑集合J；
步骤S75，计算所述最优支撑集合J的残差r，并根据当前残差r和前一词迭代中的残差rk-1自适应地更新稀疏度、残差和支撑集，获得探针在生物肿瘤区域的汇聚分布情况。
在一些优选的实施例中，步骤S72中“当前迭代次数的最优解”为：
其中，k为当前迭代次数，T代表矩阵转置操作。
在一些优选的实施例中，步骤S75中“计算所述最优支撑集合J的残差r”，其方法为：
其中，AJ、分别为矩阵A中以J的元素为索引的列向量构成的新矩阵以及新矩阵的伪逆矩阵。
本发明的另一方面，提出了一种稀疏度自适应组正交匹配追踪的激发荧光断层重建系统，该激发荧光断层重建系统包括数据获取模块、数据分割及离散化模块、数据融合模块、模型建立模块、局部空间连续性约束模块、稀疏性约束模块、迭代计算模块、输出模块；
所述数据获取模块，配置为获取生物CT三维组织结构数据及其体表激发荧光图像数据；
所述数据分割及离散化模块，配置为对所述生物CT三维组织结构数据进行器官分割并进行有限元离散化，获得生物三维结构信息、有限元离散化后的网格文件；
所述数据融合模块，配置为采用特征点配准的方法融合所述生物三维结构信息与体表激发荧光图像数据，获得生物体表激发荧光光强分布信息；
所述模型建立模块，配置为依据所述生物体表激发光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性模型；
所述局部空间连续性约束模块，配置为根据所述有限元离散化后的网格文件，采用四面体空间结构作为算法的分组策略，将整个求解空间划分为组子空间，构造局部空间连续性约束条件；
所述稀疏性约束模块，配置为采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化L1范数稀疏性约束条件；
所述迭代计算模块，配置为基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况；
所述输出模块，配置为将获取的探针在生物肿瘤区域的汇聚分布情况输出。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法。
本发明的有益效果：
本发明稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，通过融合局部空间结构约束和稀疏约束，构建一种全新的局部空间结构稀疏正则化项，重点解决了单纯基于稀疏约束求解肿瘤分布导致的区域过稀疏、空间不连续、过程欠鲁棒等问题。在生物医学研究中，能更准地定位肿瘤位置、更好地重建肿瘤量子荧光产额、更逼近真实肿瘤的形态学分布、更有效地重建稀疏解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明稀疏度自适应组正交匹配追踪的激发荧光断层重建方法的流程示意图；
图2是本发明稀疏度自适应组正交匹配追踪的激发荧光断层重建方法一种实施例的多角度激发和采集数据示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，该激发荧光断层重建方法包括：
步骤S10，获取生物CT三维组织结构数据及其体表激发荧光图像数据；
步骤S20，对所述生物CT三维组织结构数据进行器官分割并进行有限元离散化，获得生物三维结构信息、有限元离散化后的网格文件；
步骤S30，采用特征点配准的方法融合所述生物三维结构信息与体表激发荧光图像数据，获得生物体表激发荧光光强分布信息；
步骤S40，依据所述生物体表激发光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性数学模型；
步骤S50，根据所述有限元离散化后的网格文件，采用四面体空间结构作为算法的分组策略，将线性数学模型中待求解问题构成的空间划分为组子空间，构造局部空间连续性约束条件；
步骤S60，采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化L1范数稀疏性约束条件；
步骤S70，基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况。
为了更清晰地对本发明稀疏度自适应组正交匹配追踪的激发荧光断层重建方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，包括步骤S10-步骤S70，各步骤详细描述如下：
步骤S10，获取生物CT三维组织结构数据及其体表激发荧光图像数据(FMI，Fluorescence Molecular Imaging)。
首先，利用生物肿瘤细胞系构建原位肿瘤模型。
然后，采集荧光探针分子注射后的生物CT三维组织结构数据和生物体表激发荧光图像数据(FMI，Fluorescence Molecular Imaging)。
体表激发荧光图像数据包括N个角度的N幅激发荧光图像数据，N为正整数。获取N个角度的数据可大大降低重建问题的不适定性。
如图2所示，为本发明稀疏度自适应组正交匹配追踪的激发荧光断层重建方法一种实施例的多角度激发和采集数据示意图，左图中将成像数据分割离散化后得到不同器官组织的网格数据，并依据不同组织的吸收和散射特性赋予相对应的光学参数，Liver、Muscle、Bone、Source、Heart、Lung、Kidney分别代表肝脏、肌肉、骨骼、肿瘤、心脏、肺、肾脏；右图中所示的是肿瘤所在肝脏区域的横截面图，包含了Liver(肝脏)、Muscle(肌肉)、Bone(骨骼)、Source(肿瘤)等组织。此外，右图还说明了探测装置160°FOV的特性以及0°、90°、180°、270度多角度激发，多角度探测的采集过程。
步骤S20，对所述生物CT三维组织结构数据进行器官分割并进行有限元离散化，获得生物三维结构信息、有限元离散化后的网格文件。
有限元离散化是将连续的求解域离散为一组单元的组合体，用在每个单元内假设的近似函数来分片的表示求解域上待求的未知场函数，近似函数通常由未知场函数及其导数在单元各节点的数值插值函数来表达，从而使一个连续的无限自由度问题变成离散的有限自由度问题。
步骤S30，采用特征点配准的方法融合所述生物三维结构信息与体表激发荧光图像数据，获得生物体表激发荧光光强分布信息。
步骤S40，依据所述生物体表激发光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性数学模型，如式(1)所示：
AX＝Φ 式(1)
其中，A为系统矩阵，X为生物组织中内部光源的分部信息，Φ为生物体表激发荧光光强分布信息。
步骤S50，根据所述有限元离散化后的网格文件，采用四面体空间结构作为算法的分组策略，将线性数学模型中待求解问题构成的空间划分为组子空间，构造局部空间连续性约束条件，如式(2)所示：
其中，AG表示按照四面体空间组成方式对A矩阵列向量进行分组并排序后的矩阵；β表示对应于AG矩阵的FMT问题的非零解；H表示列向量的索引集合；supp(β)＝{k:βk≠0}，该目标函数是原始目标函数的最小二成表示。
步骤S60，采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化L1范数稀疏性约束条件，如式(3)所示：
其中，λ为正则化项参数。
步骤S70，基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况。
本发明的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，断层重建表示的是该重建方法借助于获取的生物CT三维组织结构的断层图像，融合描述肿瘤特异性光学信号的激发荧光图像(FMI，Fluorescence Molecular Imaging)，通过分割、组装、有限元离散化、双模态数据融合从而得到描述生物体中光子传播的线性模型，通过稀疏度自适应正交匹配追踪迭代方法求解模型得到探针的三维分布情况，即探针在生物肿瘤区域的汇聚分布情况。
探针具有特异性靶向结合的功能，能够标记肿瘤细胞，并在激发光作用下产生发射光，断层重建的结果就是发射光在生物体内的汇聚分布情况，对应着三维网格节点，三维网格节点上的值就是该点处的荧光产额，荧光产额值非0，说明该点处是肿瘤区域，值越大说明该点越有可能是肿瘤中心，反之则是肿瘤边缘。
步骤S71，初始化残差为r0＝Φ,支撑集I0、稀疏度更新S步长为4，稀疏度K＝S，迭代次数k＝0。
步骤S72，令k＝k+1，计算组误差相关度，并选择L1范数最大的组作为当前迭代次数的最优解，如式(4)所示：
其中，k为当前迭代次数，T代表矩阵转置操作。
步骤S73，将所述当前迭代次数的最优解中的元素添加到支撑集Ik中，如式(5)所示：
步骤S74，基于当前支撑集Ik，计算临时解βtemp，并通过Top函数选择临时解中最大的前K个元素的索引作为当前迭代的最优支撑集合J，如式(6)所示：
J＝Top(βtemp,K) 式(6)
步骤S75，计算所述最优支撑集合J的残差r，并根据当前残差r和前一词迭代中的残差rk-1自适应地更新稀疏度、残差和支撑集，获得探针在生物肿瘤区域的汇聚分布情况。如果r＞rk-1，则K＝K+S；如果rk＝rk-1，则Jk＝Jk-1；否则，K＝K,rk＝r,Jk＝J。
残差r的计算方法如式(7)所示：
其中，AJ、分别为矩阵A中以J的元素为索引的列向量构成的新矩阵以及新矩阵的伪逆矩阵。
本发明稀疏度自适应组正交匹配追踪的激发荧光断层重建方法一种实施例的单光源重建量化结果，如表1所示：
表1
| Method | PE(mm) | Dice | RFY | PNZ |
| ROMP | 0.7434073 | 0.125 | 0.25 | 0.0833333 |
| SASP | 0.5247885 | 0.1666667 | 0.25 | 0.125 |
| AGOMP | 0.322338 | 0.75 | 0.502988 | 1 |
其中，Method列为使用的方法，ROMP代表正则化正交匹配追踪算法的激发荧光断层重建方法，SASP代表稀疏度自适应子空间匹配追踪算法的激发荧光断层重建方法，AGOMP代表本发明稀疏度自适应组正交匹配追踪算法的激发荧光断层重建方法；PE列描述的是定位中心误差，定位误差越小表明重建中心偏离真实值越小；Dice列是衡量形态学相似性的指标，Dice越大表明重建区域形态学相似度越高；RFY列描述的是重建的有效荧光产额，有效荧光产额越大表明重建结果越精准；PNZ列是相对稀疏度指标，PNZ越大表明算法重建的性能越好。从表1可以明显看出，本发明方法在重建精度、形态学分布、相对稀疏度等方面均优于对比方法。
本发明第二实施例的稀疏度自适应组正交匹配追踪的激发荧光断层重建系统，该激发荧光断层重建系统包括数据获取模块、数据分割及离散化模块、数据融合模块、模型建立模块、局部空间连续性约束模块、稀疏性约束模块、迭代计算模块、输出模块；
所述数据获取模块，配置为获取生物CT三维组织结构数据及其体表激发荧光图像数据；
所述数据分割及离散化模块，配置为对所述生物CT三维组织结构数据进行器官分割并进行有限元离散化，获得生物三维结构信息、有限元离散化后的网格文件；
所述数据融合模块，配置为采用特征点配准的方法融合所述生物三维结构信息与体表激发荧光图像数据，获得生物体表激发荧光光强分布信息；
所述模型建立模块，配置为依据所述生物体表激发光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性模型；
所述局部空间连续性约束模块，配置为根据所述有限元离散化后的网格文件，采用四面体空间结构作为算法的分组策略，将整个求解空间划分为组子空间，构造局部空间连续性约束条件；
所述稀疏性约束模块，配置为采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化L1范数稀疏性约束条件；
所述迭代计算模块，配置为基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况；
所述输出模块，配置为将获取的探针在生物肿瘤区域的汇聚分布情况输出。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的稀疏度自适应组正交匹配追踪的激发荧光断层重建系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本发明的保护范围。
本发明附图中各部件的形状和尺寸不反映真实大小和比例，仅示意本发明实施例的内容。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，该激发荧光断层重建方法包括：
步骤S10，获取生物CT三维组织结构数据及其体表激发荧光图像数据；
步骤S20，对所述生物CT三维组织结构数据进行器官分割并进行有限元离散化，获得生物三维结构信息、有限元离散化后的网格文件；
步骤S30，采用特征点配准的方法融合所述生物三维结构信息与体表激发荧光图像数据，获得生物体表激发荧光光强分布信息；
步骤S40，依据所述生物体表激发光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性数学模型；
步骤S50，根据所述有限元离散化后的网格文件，采用四面体空间结构作为算法的分组策略，将线性数学模型中待求解问题构成的空间划分为组子空间，构造局部空间连续性约束条件；
步骤S60，采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化L1范数稀疏性约束条件；
步骤S70，基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况。
2.根据权利要求1所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，所述体表激发荧光图像数据包括N个角度的N幅激发荧光图像数据，N为正整数。
3.根据权利要求1所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，步骤S40中“依据所述生物体表激发荧光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性数学模型”，其方法为：
AX＝Φ
其中，A为系统矩阵，X为生物组织中内部光源的分部信息，Φ为生物体表激发荧光光强分布信息。
4.根据权利要求1所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，所述局部空间连续性约束条件的目标函数为：
其中，AG表示按照四面体空间组成方式对A矩阵列向量进行分组并排序后的矩阵；β表示对应于AG矩阵的FMT问题的非零解；H表示列向量的索引集合；supp(β)＝{k:βk≠0}，该目标函数是原始目标函数的最小二成表示。
5.根据权利要求4所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，步骤S60中“采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化稀疏性约束条件”，其目标函数为：
其中，λ为正则化项参数。
6.根据权利要求5所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，步骤S70中“基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况”，其方法为：
步骤S71，初始化残差为r0＝Φ,支撑集I0、稀疏度更新S步长为4，稀疏度K＝S，迭代次数k＝0；
步骤S72，令k＝k+1，计算组误差相关度，并选择L1范数最大的组作为当前迭代次数的最优解；
步骤S73，将所述当前迭代次数的最优解中的元素添加到支撑集Ik中；
步骤S74，基于当前支撑集Ik，计算临时解βtemp，并通过Top函数选择临时解中最大的前K个元素的索引作为当前迭代的最优支撑集合J；
步骤S75，计算所述最优支撑集合J的残差r，并根据当前残差r和前一词迭代中的残差rk-1自适应地更新稀疏度、残差和支撑集，获得探针在生物肿瘤区域的汇聚分布情况。
7.根据权利要求6所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，步骤S72中“当前迭代次数的最优解”为：
其中，k为当前迭代次数，T代表矩阵转置操作。
8.根据权利要求6所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法，其特征在于，步骤S75中“计算所述最优支撑集合J的残差r”，其方法为：
其中，AJ、分别为矩阵A中以J的元素为索引的列向量构成的新矩阵以及新矩阵的伪逆矩阵。
9.一种稀疏度自适应组正交匹配追踪的激发荧光断层重建系统，其特征在于，该激发荧光断层重建系统包括数据获取模块、数据分割及离散化模块、数据融合模块、模型建立模块、局部空间连续性约束模块、稀疏性约束模块、迭代计算模块、输出模块；
所述数据获取模块，配置为获取生物CT三维组织结构数据及其体表激发荧光图像数据；
所述数据分割及离散化模块，配置为对所述生物CT三维组织结构数据进行器官分割并进行有限元离散化，获得生物三维结构信息、有限元离散化后的网格文件；
所述数据融合模块，配置为采用特征点配准的方法融合所述生物三维结构信息与体表激发荧光图像数据，获得生物体表激发荧光光强分布信息；
所述模型建立模块，配置为依据所述生物体表激发光光强分布信息，建立低阶近似后的描述光子在生物组织体内传输的线性模型；
所述局部空间连续性约束模块，配置为根据所述有限元离散化后的网格文件，采用四面体空间结构作为算法的分组策略，将整个求解空间划分为组子空间，构造局部空间连续性约束条件；
所述稀疏性约束模块，配置为采用所述组子空间替换所述四面体空间的原子，基于所述局部空间连续性约束条件，构造局部空间结构化L1范数稀疏性约束条件；
所述迭代计算模块，配置为基于所述局部空间结构化L1范数稀疏性约束条件，采用稀疏度自适应正交匹配追踪迭代方法计算稀疏解，获得探针在生物肿瘤区域的汇聚分布情况；
所述输出模块，配置为将获取的探针在生物肿瘤区域的汇聚分布情况输出。
10.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-8任一项所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法。
11.一种处理装置，包括
处理器，适于执行各条程序；以及
存储装置，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-8任一项所述的稀疏度自适应组正交匹配追踪的激发荧光断层重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910548816.0A CN110327018B (zh) | 2019-06-24 | 2019-06-24 | 稀疏度自适应组正交匹配追踪的激发荧光断层重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910548816.0A CN110327018B (zh) | 2019-06-24 | 2019-06-24 | 稀疏度自适应组正交匹配追踪的激发荧光断层重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110327018A true CN110327018A (zh) | 2019-10-15 |
| CN110327018B CN110327018B (zh) | 2021-01-29 |
Family
ID=68142706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910548816.0A Active CN110327018B (zh) | 2019-06-24 | 2019-06-24 | 稀疏度自适应组正交匹配追踪的激发荧光断层重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110327018B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508076A (zh) * | 2020-04-16 | 2020-08-07 | 中国科学院自动化研究所 | 基于自适应参数搜索的弹性网络激发荧光断层重建系统 |
| CN113191981A (zh) * | 2021-05-13 | 2021-07-30 | 清华大学 | 基于非负矩阵分解的深层双光子钙成像方法和装置 |
| CN113409466A (zh) * | 2021-07-06 | 2021-09-17 | 中国科学院自动化研究所 | 基于gcn残差连接网络的激发荧光断层成像方法 |
| CN114521866A (zh) * | 2021-12-31 | 2022-05-24 | 西北大学 | 基于自适应牛顿硬阈值追踪法生物发光断层成像重建方法 |
| CN114581553A (zh) * | 2022-04-28 | 2022-06-03 | 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 (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2011025950A2 (en) * | 2009-08-28 | 2011-03-03 | Visen Medical, Inc. | Systems and methods for tomographic imaging in diffuse media using a hybrid inversion technique |
| WO2012071682A1 (zh) * | 2010-11-30 | 2012-06-07 | 中国科学院自动化研究所 | 基于特异性的多模态三维光学断层成像系统和方法 |
| CN103239255A (zh) * | 2013-05-20 | 2013-08-14 | 西安电子科技大学 | 一种锥束x射线发光断层成像方法 |
| CN103271723A (zh) * | 2013-06-26 | 2013-09-04 | 西安电子科技大学 | 一种生物发光断层成像重建方法 |
| US20140176540A1 (en) * | 2012-12-20 | 2014-06-26 | Ricoh Co., Ltd. | Occlusion-Aware Reconstruction of Three-Dimensional Scenes from Light Field Images |
| CA2719839C (en) * | 2008-03-25 | 2017-08-22 | Visen Medical, Inc. | Animal holder for in vivo tomographic imaging with multiple modalities |
| CN108309340A (zh) * | 2018-03-27 | 2018-07-24 | 中国科学院自动化研究所 | 基于相关熵匹配追踪的激发荧光断层重建方法 |
-
2019
- 2019-06-24 CN CN201910548816.0A patent/CN110327018B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2719839C (en) * | 2008-03-25 | 2017-08-22 | Visen Medical, Inc. | Animal holder for in vivo tomographic imaging with multiple modalities |
| 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 |
| WO2011025950A2 (en) * | 2009-08-28 | 2011-03-03 | Visen Medical, Inc. | Systems and methods for tomographic imaging in diffuse media using a hybrid inversion technique |
| WO2012071682A1 (zh) * | 2010-11-30 | 2012-06-07 | 中国科学院自动化研究所 | 基于特异性的多模态三维光学断层成像系统和方法 |
| US20140176540A1 (en) * | 2012-12-20 | 2014-06-26 | Ricoh Co., Ltd. | Occlusion-Aware Reconstruction of Three-Dimensional Scenes from Light Field Images |
| CN103239255A (zh) * | 2013-05-20 | 2013-08-14 | 西安电子科技大学 | 一种锥束x射线发光断层成像方法 |
| CN103271723A (zh) * | 2013-06-26 | 2013-09-04 | 西安电子科技大学 | 一种生物发光断层成像重建方法 |
| CN108309340A (zh) * | 2018-03-27 | 2018-07-24 | 中国科学院自动化研究所 | 基于相关熵匹配追踪的激发荧光断层重建方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIANG, SHIXIN 等: "Fluorescence molecular tomography based on L2,1-norm method for morphological reconstruction", 《SPIEPHOTONICSWEST》 * |
| JINZUO YE等: "Fast and robust reconstruction for fluorescence molecular tomography via a sparsity adaptive subspace pursuit method", 《BIOMEDICAL OPTICS EXPRESS》 * |
| 蔡杰松: "基于组稀疏压缩感知的穿墙雷达成像研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508076A (zh) * | 2020-04-16 | 2020-08-07 | 中国科学院自动化研究所 | 基于自适应参数搜索的弹性网络激发荧光断层重建系统 |
| CN111508076B (zh) * | 2020-04-16 | 2022-04-19 | 中国科学院自动化研究所 | 基于自适应参数搜索的弹性网络激发荧光断层重建系统 |
| CN113191981A (zh) * | 2021-05-13 | 2021-07-30 | 清华大学 | 基于非负矩阵分解的深层双光子钙成像方法和装置 |
| CN113191981B (zh) * | 2021-05-13 | 2022-09-09 | 清华大学 | 基于非负矩阵分解的深层双光子钙成像方法和装置 |
| CN113409466A (zh) * | 2021-07-06 | 2021-09-17 | 中国科学院自动化研究所 | 基于gcn残差连接网络的激发荧光断层成像方法 |
| CN113409466B (zh) * | 2021-07-06 | 2023-08-25 | 中国科学院自动化研究所 | 基于gcn残差连接网络的激发荧光断层成像方法 |
| CN114521866A (zh) * | 2021-12-31 | 2022-05-24 | 西北大学 | 基于自适应牛顿硬阈值追踪法生物发光断层成像重建方法 |
| CN114581553A (zh) * | 2022-04-28 | 2022-06-03 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110327018B (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110327018A (zh) | 稀疏度自适应组正交匹配追踪的激发荧光断层重建方法 | |
| Morales-Navarrete et al. | A versatile pipeline for the multi-scale digital reconstruction and quantitative analysis of 3D tissue architecture | |
| Dunn et al. | The developmental biology of Charnia and the eumetazoan affinity of the Ediacaran rangeomorphs | |
| CN108451508B (zh) | 基于多层感知机的生物自发荧光三维成像方法 | |
| CN109191564A (zh) | 基于深度学习的激发荧光断层成像三维重建方法 | |
| Xia et al. | Persistent topology for cryo‐EM data analysis | |
| Zhang et al. | A review of advances in imaging methodology in fluorescence molecular tomography | |
| Neishabouri et al. | Long short‐term memory networks for proton dose calculation in highly heterogeneous tissues | |
| Huang et al. | Fast and robust reconstruction method for fluorescence molecular tomography based on deep neural network | |
| CN110974166B (zh) | 基于k近邻局部连接网络的光学断层成像方法、系统 | |
| CN113409466B (zh) | 基于gcn残差连接网络的激发荧光断层成像方法 | |
| CN111915733A (zh) | 基于LeNet网络的三维锥束X射线发光断层成像方法 | |
| Han et al. | Autom-dualx: a toolkit for fully automatic fiducial marker-based alignment of dual-axis tilt series with simultaneous reconstruction | |
| CN111508076B (zh) | 基于自适应参数搜索的弹性网络激发荧光断层重建系统 | |
| Seitz et al. | Simulation of cryo-EM ensembles from atomic models of molecules exhibiting continuous conformations | |
| Wang et al. | A review of methods for solving the optical molecular tomography | |
| Gorpas et al. | Evaluation of a radiative transfer equation and diffusion approximation hybrid forward solver for fluorescence molecular imaging | |
| CN108095686A (zh) | 一种荧光分子断层成像目标可行域选取方法 | |
| Wu et al. | Detection of mouse liver cancer via a parallel iterative shrinkage method in hybrid optical/microcomputed tomography imaging | |
| Brown et al. | Structure of the afferent terminals in terminal ganglion of a cricket and persistent homology | |
| Yuan et al. | Robust transformed l1 metric for fluorescence molecular tomography | |
| He et al. | Truncated total least squares method with a practical truncation parameter choice scheme for bioluminescence tomography inverse problem | |
| Zhu et al. | A skeleton context-aware 3D fully convolutional network for abdominal artery segmentation | |
| Murad et al. | Periodic-net: an end-to-end data driven framework for diffuse optical imaging of breast cancer from noisy boundary data | |
| An et al. | Reconstruction based on adaptive group least angle regression for fluorescence molecular tomography |
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 |