CN111508076A - 基于自适应参数搜索的弹性网络激发荧光断层重建系统 - Google Patents

Abstract

本发明属于光学分子影像技术领域，具体涉及一种基于自适应参数搜索的弹性网络激发荧光断层重建系统、方法、装置，旨在解决单个正则化约束求解肿瘤分布易导致区域过稀疏、过平滑、空间不连续等问题。本系统包括：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；数据分割及离散化模块，配置为对组织结构数据进行器官分割、有限元离散化；数据融合模块，配置为获得生物体表激发荧光光强分布信息；模型建立模块，配置为构建线性数学模型；目标函数生成模块，配置为生成目标函数；搜索迭代及输出模块，配置为计算目标函数的有效解，获得探针的汇聚分布情况并输出。本发明解决了单个正则化约束求解肿瘤分布导致的问题。

Description

基于自适应参数搜索的弹性网络激发荧光断层重建系统

技术领域

本发明属于光学分子影像技术领域，具体涉及一种基于自适应参数搜索的弹性网络激发荧光断层重建系统、方法、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，优化了传统激发荧光成像方法由于缺乏深度信息而导致的深度分辨率不足的问题，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，由于在FMT问题中荧光在体内传播具有高散射特性，FMT重建也是一个病态问题。因此，噪声影响会被放大，从而影响成像质量。考虑到探针在体内分布具有稀疏特性，研究人员开发了大量的优化方法，如Lp范数正则化(p＝(0,2])，用来求解FMT逆向问题。

但是，如果选择不同的p值，则解决结果会有不同的问题。当p值较大时(如p＝2)，重建结果可包含体内大部分探针信息，但结果会过于平滑，并且会生成大量的重建伪影。当p值较小(p<＝1)时，重建结果更准确，重建伪影较少，但会过于收敛，无法获得更准确的区域分布信息。因此，现有的求解算法在迭代求解的结果中存在区域过稀疏、过平滑、空间不连续、鲁棒性差、参数选择困难等显著问题，严重限制了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，即为了解决现有基于单个正则化约束求解肿瘤分布存在区域过稀疏、过平滑、空间不连续、过程欠鲁棒、参数选择困难的问题，本发明第一方面，提出了一种基于自适应参数搜索的弹性网络激发荧光断层重建系统，该系统包括：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、目标函数生成模块、搜索迭代及输出模块：

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，配置为基于所述生物体表激发光光强分布信息，结合所述有限元离散化后的网格文件，构建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；

所述目标函数生成模块，配置为基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数；

所述搜索迭代及输出模块，配置为采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

在一些优选的实施方式中，所述模型建立模块中“构建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：

Y＝ΑX

其中，Α为系统权重矩阵，X为生物组织中内部光源的分布信息，Y为生物体表激发荧光光强分布信息。

在一些优选的实施方式中，所述目标函数生成模块中“基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数”，其方法为：

其中，E(X)为目标函数，α、β为正则化参数。

在一些优选的实施方式中，所述搜索迭代及输出模块中“采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解”，其方法为：

步骤A100，初始化搜寻起点参数、迭代重建结果、搜索参数、搜索步长、第二结果、第三范数；所述第二结果为正则化参数对应的非零向量的重建结果；所述第三范数为第二结果的L0范数；

步骤A200，基于所述搜寻起点参数、所述迭代重建结果，结合Α，通过基于坐标下降的弹性网方法计算第一结果的L0范数，作为第一范数；所述第一结果为搜寻起点参数对应的非零向量的重建结果；

步骤A300，基于所述第一范数、预设的搜索步长比，计算本轮迭代的搜寻终点的L0范数，作为第二范数，并将第一迭代参数m置为0；

步骤A400，分别用所述第二范数、所述搜索参数、所述迭代重建结果更新第三范数、搜索步长、第二结果；

步骤A500，令m＝m+1，基于所述第二范数计算搜索步长，并根据该搜索步长计算正则化参数；根据所述正则化参数，通过基于坐标下降的弹性网方法计算第二结果的L0范数，即第三范数；

步骤A600，基于所述第二结果，结合预设的ROI参数，计算ROI区域的残差向量，若第二范数、第三范数不相等且该残差向量的L2范数大于设定的精度阈值且m小于设定的第一迭代阈值，则保存L2范数较小的残差向量和对应的第二结果并跳转步骤A500，否则将最小残差向量对应的第二结果作为本轮迭代最优解并执行步骤A700；

步骤A700，分别用第二结果、第三范数、搜索步长更新迭代重建结果、第一范数、搜索参数；若本轮迭代最优解对应残差向量的L2范数小于上一轮最优解对应残差向量的L2范数或本轮迭代最优解对应残差向量的L2范数大于设定的精度阈值，则跳转步骤A300，否则将该残差向量对应的迭代重建结果作为目标函数的有效解。

在一些优选的实施方式中，所述基于坐标下降的弹性网正则化方法包括：

当第二迭代参数k小于预设的第二迭代阈值，则计算所述生物组织中内部光源的分布信息的每一个元素的中间变量，并基于所述中间变量，通过软阈值方法进行迭代重建结果的更新；

所述中间变量其计算方法为：

其中，w_f和w_s为中间变量，a_il表示系统权重矩阵Α中第l个特征向量的第i个项，r_i表示第i个残差，

表示X的第k次迭代中第l个元素对应的重建结果，N表示体表激发荧光光强分布信息Y中元素的个数。

在一些优选的实施方式中，步骤A500中“基于所述第二范数计算搜索步长，并根据该搜索步长计算正则化参数”，其方法为：

α^m＝α^*/β^m

β^m＝1-s^m

s^m＝(N_s/N^m-1)s^m-1

其中，α^m、β^m为第m次获取的正则化参数，α^*为初始化的搜寻起点参数，s^m、s^m-1为第m、m-1次得到的搜索步长，N_s为第二范数，N^m-1为第m-1次获取的第三范数。

在一些优选的实施方式中，步骤A600中“基于所述第二结果，结合预设的ROI参数，计算ROI区域的残差向量”，其方法为：

r＝Y-A_ROIROI(EN(A,Y,α^m,β^m))

ROI(EN(A,Y,α^m,β^m))＝{x_i|x_i＞d*max(EN(A,Y,α^m,β^m)),i＝1,...,j}

其中，r为残差向量，A_ROI为以ROI中的元素为索引的列向量构成的新矩阵，d为预设的ROI参数，(EN(A,Y,α^m,β^m))为正则化参数对应的非零向量的重建结果，j为X中符合条件的x_i的最大数量，x_i为非零向量的重建结果中大于预设感兴趣区域阈值的元素。

本发明的第二方面，提出了一种基于自适应参数搜索的弹性网络激发荧光断层重建方法，该方法包括：

步骤S100，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S200，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S300，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S400，基于所述生物体表激发光光强分布信息，结合所述有限元离散化后的网格文件，构建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S500，基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数；

步骤S600，采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

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，所述程序应用由处理器加载并执行以实现上述的基于自适应参数搜索的弹性网络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；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于自适应参数搜索的弹性网络激发荧光断层重建方法。

本发明的有益效果：

本发明解决了基于单个正则化约束求解肿瘤分布易导致的区域过稀疏、过平滑、空间不连续、过程欠鲁棒、参数选择困难的问题。本发明通过融合基于坐标下降的弹性网正则化方法和自适应参数搜索迭代方法，构建一种全新的自适应参数搜索的弹性网络算法，解决了基于单个正则化约束求解肿瘤分布易导致的区域过稀疏、过平滑、空间不连续、过程欠鲁棒、参数选择困难等问题。在生物医学研究中，能更准确的定位肿瘤位置、更逼近真实肿瘤的形态学分布，进一步促成FMT技术在实际预临床和临床场景的应用。

附图说明

通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。

图1是本发明一种实施例的基于自适应参数搜索的弹性网络激发荧光断层重建系统的框架示意图；

图2是本发明一种实施例的激发荧光断层重建后的效果示意图；

图3是本发明一种实施例的基于自适应参数搜索的弹性网络激发荧光断层重建方法的流程示意图；

图4是本发明一种实施例的基于自适应参数搜索的弹性网络激发荧光断层重建系统的硬件框架示意图。

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，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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。

本发明的基于自适应参数搜索的弹性网络激发荧光断层重建系统，如图1所示，该系统包括：数据获取模块100、数据分割及离散化模块200、数据融合模块300、模型建立模块400、目标函数生成模块500、搜索迭代及输出模块600；

所述数据获取模块100，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200，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300，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400，配置为基于所述生物体表激发光光强分布信息，结合所述有限元离散化后的网格文件，构建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；

所述目标函数生成模块500，配置为基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数；

所述搜索迭代及输出模块600，配置为采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

为了更清晰地对本发明基于自适应参数搜索的弹性网络激发荧光断层重建系统进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。

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。

在本实施例中，利用生物肿瘤细胞系构建原位肿瘤模型，并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，FluorescenceMolecular Imaging)。

其中，体表激发荧光图像数据包括N个角度的N副激发荧光图像数据，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。在本发明中，优选采用0°、90°、180°、270°多角度激发。

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。

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。

在本实施例中，将生物CT三维组织结构数据进行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，如图2所示，其中，Heart、Lung、Liver、S(S1、S2)、Kidney、Muscle分别代表心脏、肺、肝脏、肿瘤、肾脏、肌肉。

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。

在本实施例中，在所获得匹配CT(即生物三维结构信息)与生物体表激发荧光图像中寻找特异特征点进行图片配准，对图片大小，远近，上下位置进行校正，最终获得生物体表激发荧光光强分布信息。

所述模型建立模块，配置为基于所述生物体表激发光光强分布信息，结合所述有限元离散化后的网格文件，构建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。

在本实施例中，基于生物体表激发光光强分布信息，构建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，如公式(1)所示：

Y＝ΑX (1)

其中，

为系统权重矩阵，并且

为特征向量，

为生物组织中内部光源的分布信息，

为生物体表激发荧光光强分布信息，p为生物组织中内部光源的分布信息元素的个数。

所述目标函数生成模块，配置为基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数。

在本实施例中，目标函数如公式(2)所示：

其中，E(X)为目标函数，α、β为正则化参数，β的取值范围为[0,1]。

所述搜索迭代及输出模块，配置为采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

在本实施例中，采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

其中，基于坐标下降的弹性网正则化方法为：

初始化荧光强度分布

迭代参数k＝0，优化容忍度tol＝0.00001，最大迭代停止次数I＝30000；

令k＝k+1，对所求荧光强度分布X中每一个元素，计算中间变量，根据软阈值方法进行迭代重建结果更新；

其中，计算中间变量，如公式(3)(4)所示：

其中，w_f和w_s为中间变量，a_il表示系统权重矩阵Α中第l个特征向量的第i个项，r_i表示第i个残差，

为迭代重建结果，表示X的第k次迭代中第l个元素对应的重建结果，N表示体表激发荧光光强分布信息Y中元素的个数。

根据软阈值方法进行迭代重建结果更新，如公式(5)所示：

其中，

f_l、f_t为系统权重矩阵中第l、t列的向量，t为k次迭代中绝对值大于零的元素对应位置，

为k次迭代中绝对值大于零的元素。

预设的自适应参数搜索迭代方法为：

初始化搜寻起点参数α^*＝n和β^*＝1，迭代重建结果

迭代次数m＝0，初始搜索步长比R＝3和搜索参数s^*＝0.0001，ROI参数d＝0.03，残余误差向量r^*＝Y和迭代终止次数I^*＝10。其中，n为设定值。

通过基于坐标下降的弹性网方法计算搜寻起点参数所对应有效重建结果(有效重建结果即非零向量的重建结果)的L0范数，作为第一范数；计算过程如公式(6)所示：

N^*＝||EN(A,Y,α^*,β^*)||₀ (6)

其中，EN(·)表示基于坐标下降的弹性网正则化方法，α^*、β^*相当于公式(3)(4)(5)中的α、β。

根据第一范数，计算本轮迭代的搜寻终点的L0范数，作为第二范数，同时将m置零且更新参数：m＝0,N^m＝N^*,s^m＝s^*,X^m＝X^*,r^m＝r^*，其中，N^m为第三范数，s^m为搜索步长，X^m为第二结果，r^m为残差向量。第二范数的计算过程如公式(7)所示：

N_s＝RN^* (7)

令m＝m+1，根据第二范数计算搜索步长，并基于该步长计算正则化参数；根据正则化参数，通过基于坐标下降的弹性网方法计算正则化参数所对应的有效重建结果的L0范数，作为第三范数；

根据第二范数计算搜索步长，并基于该步长计算正则化参数，如公式(8)(9)(10)所示：

s^m＝(N_s/N^m-1)s^m-1 (8)

β^m＝1-s^m (9)

α^m＝α^*/β^m (10)

其中，m为本轮搜索当前迭代次数，N_s/N^m-1搜索所需的L0范数的目标值与在m-1次迭代中获得的有效重建结果的L0范数的比率，N^m-1为第m-1次获取的第三范数，s^m表示本轮搜索当前迭代中β的搜索步长，α^m和β^m为当前所求出正则化参数。其中，本轮搜索以Ns为搜寻终点的搜索路径上寻找最优值，每当Ns改变一次，相当于搜索进行一轮。

根据正则化参数，通过基于坐标下降的弹性网方法计算正则化参数所对应的有效重建结果的L0范数，如公式(11)所示：

N^m＝||EN(A,Y,α^m,β^m)||₀ (11)

其中，N^m表示第三范数，α^m和β^m相当于公式(3)(4)(5)中的α、β。

基于预设的ROI参数、正则化参数所对应的有效重建结果，计算ROI区域的残差向量，如公式(12)、(13)所示：

ROI(EN(A,Y,α^m,β^m))＝{x_i|x_i＞d*max(EN(A,Y,α^m,β^m)),i＝1,...,j}(12)

r＝Y-A_ROIROI(EN(A,Y,α^m,β^m)) (13)

其中，j为X中符合条件的x_i的最大数量，r为残差向量，矩阵A_ROI为以ROI中的元素为索引的列向量构成的新矩阵。

在I^*次迭代以内，若第二、三范数不相等，即N_s≠N^m且该残差向量的L2范数大于设定的精度阈值ε，||r^m||₂＞ε，则保存L2范数较小的残差向量和对应的第二结果并继续本轮迭代，即如果||r₂＜||r^m-1||₂，则r^m＝r,X^m＝EN(A,Y,α^m,β^m)；否则，r^m＝r^m-1，X^m＝X^m-1；反之，则终止本轮迭代，输出最小残差向量对应的第二结果作为本轮迭代最优解r^m。

更新参数结果X^*＝X^m，N^*＝N^m，s^*＝s^m，如果本轮迭代最优解对应残差向量的L2范数小于上一轮最优解对应残差向量的L2范数，||r^m||₂＜||r^*||₂，或者本轮迭代最优解对应残差向量的L2范数大于预设的精度

阈值ε，||r^m||₂＞ε，则继续下一轮迭代并更新残差向量r^*＝r^m；反之，则终止迭代，输出结果X＝X^*。

另外，为了证明本发明的有效性，将本发明的方法与不同的方法进行单光源重建量化结果的对比，对比结果如表1所示：

表1

在表1中，LE描述的是重建定位中心误差，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，所对应的算法形态恢复能力越强。重建方法中，APSEN代表本发明的自适应参数搜索的弹性网络算法，IS-L1代表基于L1范数的迭代收缩算法，Tikhonov-L2代表基于L2范数的Tikhonov算法，FLM代表融合LASSO算法。从表中结果可以明显看出，本发明方法在重建精度、形态学恢复能力方面均优于对比方法，从而证明了本公开提出方法的有效性。

本发明第二实施例的一种基于自适应参数搜索的弹性网络激发荧光断层重建方法，如图3所示，包括：

步骤S100，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S200，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S300，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S400，基于所述生物体表激发光光强分布信息，结合所述有限元离散化后的网格文件，构建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S500，基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数；

步骤S600，采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的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，上述实施例提供的基于自适应参数搜索的弹性网络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，所述程序适用于由处理器加载并实现上述的基于自适应参数搜索的弹性网络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基于自适应参数搜索的弹性网络激发荧光断层重建方法。

所述技术领域的技术人员可以清楚的了解到，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例中的对应过程，在此不再赘述。

下面参考图4，其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)401，其可以根据存储在只读存储器(ROM，Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

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“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 (10)

1.一种基于自适应参数搜索的弹性网络激发荧光断层重建系统，其特征在于，该系统包括：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、目标函数生成模块、搜索迭代及输出模块；

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，配置为基于所述生物体表激发光光强分布信息，结合所述有限元离散化后的网格文件，构建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；

所述目标函数生成模块，配置为基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数；

所述搜索迭代及输出模块，配置为采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

2.根据权利要求1所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法，其特征在于，所述模型建立模块中“构建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：

Y＝ΑX

其中，Α为系统权重矩阵，X为生物组织中内部光源的分布信息，Y为生物体表激发荧光光强分布信息。

3.根据权利要求2所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法，其特征在于，所述目标函数生成模块中“基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数”，其方法为：

其中，E(X)为目标函数，α、β为正则化参数。

4.根据权利要求3所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法，其特征在于，所述搜索迭代及输出模块中“采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解”，其方法为：

步骤A100，初始化搜寻起点参数、迭代重建结果、搜索参数、搜索步长、第二结果、第三范数；所述第二结果为正则化参数对应的非零向量的重建结果；所述第三范数为第二结果的L0范数；

步骤A200，基于所述搜寻起点参数、所述迭代重建结果，结合Α，通过基于坐标下降的弹性网方法计算第一结果的L0范数，作为第一范数；所述第一结果为搜寻起点参数对应的非零向量的重建结果；

步骤A300，基于所述第一范数、预设的搜索步长比，计算本轮迭代的搜寻终点的L0范数，作为第二范数，并将第一迭代参数m置为0；

步骤A400，分别用所述第二范数、所述搜索参数、所述迭代重建结果更新第三范数、搜索步长、第二结果；

步骤A500，令m＝m+1，基于所述第二范数计算搜索步长，并根据该搜索步长计算正则化参数；根据所述正则化参数，通过基于坐标下降的弹性网方法计算第二结果的L0范数，即第三范数；

步骤A600，基于所述第二结果，结合预设的ROI参数，计算ROI区域的残差向量，若第二范数、第三范数不相等且该残差向量的L2范数大于设定的精度阈值且m小于设定的第一迭代阈值，则保存L2范数较小的残差向量和对应的第二结果并跳转步骤A500，否则将最小残差向量对应的第二结果作为本轮迭代最优解并执行步骤A700；

步骤A700，分别用第二结果、第三范数、搜索步长更新迭代重建结果、第一范数、搜索参数；若本轮迭代最优解对应残差向量的L2范数小于上一轮最优解对应残差向量的L2范数或本轮迭代最优解对应残差向量的L2范数大于设定的精度阈值，则跳转步骤A300，否则将该残差向量对应的重建结果作为目标函数的有效解。

5.根据权利要求4所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法，其特征在于，所述基于坐标下降的弹性网正则化方法包括：

当第二迭代参数k小于预设的第二迭代阈值，则计算所述生物组织中内部光源的分布信息的每一个元素的中间变量，并基于所述中间变量，通过软阈值方法进行迭代重建结果的更新；

所述中间变量其计算方法为：

其中，w_f和w_s为中间变量，a_il表示系统权重矩阵Α中第l个特征向量的第i个项，r_i表示第i个残差，

表示X的第k次迭代中第l个元素对应的重建结果，N表示体表激发荧光光强分布信息Y中元素的个数。

6.根据权利要求5所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法，其特征在于，步骤A500中“基于所述第二范数计算搜索步长，并根据该搜索步长计算正则化参数”，其方法为：

α^m＝α^*/β^m

β^m＝1-s^m

s^m＝(N_s/N^m-1)s^m-1

其中，α^m、β^m为第m次获取的正则化参数，α^*为初始化的搜寻起点参数，s^m、s^m-1为第m、m-1次得到的搜索步长，N_s为第二范数，N^m-1为第m-1次获取的第三范数。

7.根据权利要求6所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法，其特征在于，步骤A600中“基于所述第二结果，结合预设的ROI参数，计算ROI区域的残差向量”，其方法为：

r＝Y-A_ROIROI(EN(A,Y,α^m,β^m))

ROI(EN(A,Y,α^m,β^m))＝{x_i|x_i＞d*max(EN(A,Y,α^m,β^m)),i＝1,...,j}

其中，r为残差向量，A_ROI为以ROI中的元素为索引的列向量构成的新矩阵，d为预设的ROI参数，(EN(A,Y,α^m,β^m))为正则化参数对应的非零向量的重建结果，j为X中符合条件的xi的最大数量，x_i为非零向量的重建结果中大于预设感兴趣区域阈值的元素。

8.一种基于自适应参数搜索的弹性网络激发荧光断层重建方法，其特征在于，该方法包括：

步骤S100，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S200，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S300，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S400，基于所述生物体表激发光光强分布信息，结合所述有限元离散化后的网格文件，构建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S500，基于所构建的线性数学模型，通过最小二乘法逆向求解目标矩阵，并结合构造的弹性网正则化约束条件，生成目标函数；

步骤S600，采用基于坐标下降的弹性网正则化方法和预设的自适应参数搜索迭代方法计算所述目标函数的有效解，获得探针在生物肿瘤区域的汇聚分布情况并进行输出。

9.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求1-7任一项所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法。

10.一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-7任一项所述的基于自适应参数搜索的弹性网络激发荧光断层重建方法。

Images