CN111795955A - 基于多层感知神经网络的荧光药代动力学层析成像的方法 - Google Patents
基于多层感知神经网络的荧光药代动力学层析成像的方法 Download PDFInfo
- Publication number
- CN111795955A CN111795955A CN202010572800.6A CN202010572800A CN111795955A CN 111795955 A CN111795955 A CN 111795955A CN 202010572800 A CN202010572800 A CN 202010572800A CN 111795955 A CN111795955 A CN 111795955A
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- fluorescent agent
- pharmacokinetic
- network model
- biological tissue
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/42—Evaluating a particular growth phase or type of persons or animals for laboratory research
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于多层感知神经网络的荧光药代动力学层析成像的方法,采用多层感知神经网络模型,通过生成的训练样本对网络模型训练,获得荧光剂在生物组织体内吸收代谢过程中表面光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间的映射关系,通过荧光剂在生物组织体内的吸收代谢过程中表面光学测量数据直接获得基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数图像。本发明避免了重建荧光浓度对荧光药代动力学参数获取的影响,降低对面向荧光药代动力学层析成像的动态测量系统的时间分辨率的高要求。避免了初始参数的设置与滤波发散现象的发生,从而提高了重建荧光药代动力学参数图像的精度。
Description
技术领域
本发明属于生物医学光子成像领域,涉及一种基于多层感知神经网络的荧光药代动力学层析成像的方法。
背景技术
荧光扩散层析成像(Diffuse Fluorescence Tomography,DFT)属于一种光学成像技术,可以对特定生物组织甚至是小动物全身实现细胞分子水平的三维、定位量化的成像[1]。在此基础上发展起来的荧光药代动力学可通过分析荧光剂在生物组织体内随时间变化而发生的吸收,分布,代谢等药代动力学过程,并结合动力学原理和数学模型[2],获得荧光剂浓度随时间变化的分布图像和与生物组织生理状态相关荧光药代动力学参数(渗透率,代谢率等),在小动物肿瘤模型的早期检测与治疗评估、药物临床前筛选等方向具有广阔的应用前景。
目前,荧光药代动力学层析成像的研究主要有间接成像方法[3-7]和直接成像方法[8-12]。荧光药代动力学层析间接成像的研究思路是将获取药代动力学参数图像的过程分为两步:第一步是采用DFT图像重建方法,根据生物组织表面光学测量数据重建出某些离散时刻荧光产率在组织的分布图像。第二步,通过荧光产率和荧光剂浓度的关系获得荧光剂浓度在生物组织体中随时间变化的曲线,结合指数动力学模型或分室动力学模型,采用基本拟合的方式或非线性滤波的方法获得荧光剂在生物组织中的吸收代谢曲线,从而获取荧光药代动力学参数图像。
在荧光剂动力学模型中,指数动力学模型[4]可以定量地分析对荧光剂在生物组织体内的吸收代谢的动态过程,获得荧光剂浓度在体内的动态变化规律。根据分光光度法测量可知,组织体内荧光剂浓度在注射后是呈指数形式吸收和代谢。指数动力学模型有单指数模型和双指数模型两种动力学模型。
近红外的荧光剂分室模型[5,6]可以提供肿瘤检测、诊断、分期和药物代谢等相关生理信息。分室模型是将组织体中的每个小体元划分为间室,并采用一系列的耦合偏微分方程组(Ordinary Differential Equation,ODE)来描述有交互行为的间室之间荧光剂相互渗透的情况。其中每一个方程组对应描述每一间室的荧光剂浓度的随时间变化的规律,其系数代表各室之间的荧光剂交换律,被称为药代动力学渗透率。但是在近红外光学测量手段只能重建出荧光剂的总浓度,并不能获得各间室浓度,且渗透率参数与可测量的总浓度之间是非线性关系,因此求解ODE系数需要非线性滤波的方法进行求解,例如扩展卡尔曼滤波(Extended Kalman Filter)技术。
目前工程条件下的荧光药代动力学层析间接成像方法存在着两大问题,首先静态的DFT荧光重建图像过程中逆问题的求解存在严重的病态性,导致重建图像的荧光产率值不准确,这势必将会影响后续荧光药代动力学参数的求解。其次,荧光剂在生物组织体中的吸收代谢曲线一般是结合动力学模型并采用基本拟合的方式,而每一帧荧光剂浓度图像都需要一次完整的扫描测量,并设定数据测量过程中荧光剂浓度值不发生变化。因此间接成像的方法需要面向荧光药代动力学层析成像的动态测量系统具有较高的时间分辨率,以保证曲线拟合的结果更加接近真实的代谢曲线。上述问题使得间接成像方法在荧光药代动力学层析成像的实际应用中受到很大的限制。
直接成像方法即通过生物组织表面光学测量数据直接获得荧光药代动力学参数图像,而不经过中间荧光剂产率值图像的重建过程,从而避免了中间过程对荧光药代动力学参数重建的影响。因此,直接成像方法在荧光药代动力学层析成像的研究中越来越受到重视。
但是直接成像方法中多采用分室模型的荧光剂动力学模型结合扩展卡尔曼滤波技术求解荧光剂的药代动力学参数。在实际的物理模型与系统数学模型之间有差异,且非线性问题线性化的过程带来的误差和系统初始状态的先验信息不准确时,卡尔曼滤波将会发生滤波发散的现象[13],最终影响荧光药代动力学参数的求解,导致药代动力学参数的不准确。
[参考文献]
[1]Hawrysz D J,Sevick-Muraca E M.Developments Toward DiagnosticBreast Cancer Imaging Using Near-Infrared Optical Measurements andFluorescent Contrast Agents1[J].Neoplasia,2000,2(5):388-417.
[2]Alander,Kaartinen J.T.,Laakso I.,et al,A Review of IndocyanineGreen Fluorescent Imaging in Surgery,International Journal of BiomedicalImaging,2012,2012(1):940585-940585.
[3]Bauer L.A.,Applied Clinical Pharmacokinetics,McGraw-Hill,New York(2008).
[4]Intes X,Ripoll J,Chen Y,et al.In vivo continuous-wave opticalbreast imaging enhanced with Indocyanine Green,Medical Physics,2003,30(6):1039-1047.
[5]Liu X,Guo X,Liu F,et al.Imaging of Indocyanine Green Perfusion inMouse Liver With Fluorescence Diffuse Optical Tomography,IEEE Transactions onBiomedical Engineering,2011,58(8):2139-2143.
[6]Alacam B.,Yazici B.,Intes X.,et al,Extended Kalman Filtering forthe Modeling and Analysis of ICG Pharmacokinetics in Cancerous Tumors UsingNIR Optical Methods,IEEE Transactions on Biomedical Engineering,2006,53(10):1861-71.
[7]Alacam B.,Yazici B.,Intes X.,et al,Pharmacokinetic-rate images ofindocyanine green for breast tumors using near-infrared optical methods,Physics in Medicine&Biology,2008,53(4):837-59.
[8]Cuccia D J,Bevilacqua F,Durkin A J,et al.In vivo Quantification ofOptical Contrast Agent Dynamics in Rat Tumors by Use of Diffuse OpticalSpectroscopy with Magnetic Resonance Imaging Coregistration[J].AppliedOptics,2003,42(16):2940-2950.
[9]Milstein A.B.,Webb K.J.,Bouman C.A.,Estimation of kinetic modelparameters in fluorescence optical diffusion tomography,Journal of theOptical Society of America A,2005,22(7):1357-68.
[10]Zhang G.,Liu F.,Pu H.,et al,A direct method with structuralpriors for imaging pharmacokinetic parameters in dynamic fluorescencemolecular tomography,IEEE Trans Biomed Eng,2015,106(8):986-990.
[11]Zhang G.,Pu H.,He W.,et al,Full-direct method for imagingpharmacokinetic parameters in dynamic fluorescence molecular tomography,Appl.Phys.Lett.,106,2015,081110.
[12]Zhang G.,Pu H.,He W.,et al,Bayesian Framework Based DirectReconstruction of Fluorescence Parametric Images,IEEE Transactions on MedicalImaging,2015,34(6):1378-1391.
[13]李娇,高峰,易茜,等.基于二维圆域解析模型的时域扩散荧光层析原理与实验研究[J].中国激光,2010(11):57-62.
发明内容
针对上述现有技术,本发明提出一种基于多层感知神经网络的荧光药代动力学层析成像方法,拟解决当前技术工程下荧光药代动力学层析成像所面临的问题。荧光药代动力学层析间接成像方法中静态DFT成像受制于逆问题的病态性,导致重建的荧光剂浓度图像的精度较差,这将严重的影响后续荧光药代动力学参数的求解。且每一帧荧光剂浓度图像都需要完整的扫描过程,这要求面向荧光药代动力学层析的动态测量系统有着较高的时间分辨率,否则将会丢失荧光剂在生物组织体吸收代谢信息。而在直接成像方法中,荧光剂药代动力学参数的准确性易受系统先验信息影响,导致初始参数设置较为繁琐。且卡尔曼滤波方法会因为模型、误差和先验信息的影响发生滤波发散现象。
为了解决上述技术问题,本发明提出的一种基于多层感知神经网络的荧光药代动力学层析成像的方法,本方法通过有监督学习的方式,采用多层感知神经网络模型,经过生成的大量的训练样本对网络模型训练,获得了荧光剂在生物组织体内吸收代谢过程中表面光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间的映射关系,可直接快速并准确的通过荧光剂在生物组织体内的吸收代谢过程中表面光学测量数据获得基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数图像。
具体步骤如下:
步骤一、生成训练样本:构建内嵌异质体的圆形二维仿体模型,基于二维仿体模型通过仿真获得多组不同目标体情况下,荧光剂生物组织体内吸收代谢过程中表面光学测量数据和基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数;
步骤二、网络模型的搭建:根据训练样本建立荧光药代动力学层析成像的网络模型;网络模型包括输入层,四层隐藏层、输出层;四层隐藏层分别记为第一隐藏层、第二隐藏层、第三隐藏层和第四隐藏层;所述输入层的神经元个数m对应于荧光剂在生物组织体内吸收代谢过程中表面光学测量数据量;所述输出层的神经元个数n对应的是将组织离散化后有限元节点的个数,每层隐藏层的神经元个数为所述输入层与第一隐藏层之间、相邻的隐藏层之间及第四隐藏层与输出层之间均分别采用全连接层;所述全连接层的各神经元之间算法结构为y=wx+b,其中:y为输出,x为输入,w为权重,b为偏置;每个全连接层后均使用ReLU函数作为激活函数,在激活函数后加入Dropout层,所述网络模型中,Dropout的概率设为0.2;对输出层的数据,采用ReLU函数进行修正;
步骤三、训练网络模型:以步骤一生成的基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数作为样本标签;在搭建好的网络模型后加入损失层,以便训练网络模型,选用Euclidean Loss函数作为损失层,计算上述网络模型的实际输出与样本标签的差的平方和的公式如下:
其中,yi 1是样本标签;yi 2表示网络模型的实际输出;N表示网络模型的实际输出的神经元个数,N=n;设置网络训练过程中的参数,包括最大迭代次数、学习率变化过程、学习率初始值、梯度下降方式;根据步骤一获得的数据通过Loss曲线对步骤二搭建的网络模型进行训练;
步骤四、重建荧光药代动力学参数图像:利用面向荧光药代动力学层析成像的动态测量系统,动态的获得荧光剂在被测生物组织体内的吸收代谢过程中表面的光学测量数据,对数据进行归一化处理后,输入训练好的网络模型重建得到荧光剂在被测生物组织体内的吸收代谢的荧光药代动力学参数图像。
与现有技术相比,本发明的有益效果是:
采用多层感知神经网络模型,通过建立荧光剂在生物组织体内吸收代谢过程中表面光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间的映射关系,直接获得荧光剂在生物组织内吸收代谢过程中荧光药代动力学参数图像。相比于间接成像方法,本发明采用直接成像方式,不经过荧光浓度图像的重建过程,避免了中间过程给荧光药代动力学参数求解带来的误差。其次采用多层感知神经网络的方式可以降低对面向荧光药代动力学层析成像的动态测量系统的时间分辨率的高要求。相比于直接成像方法,本发明不会受到扩展卡尔曼滤波求解过程初始化参数设置和滤波发散现象对荧光药代动力学参数求解的影响,从而提高了求解精度。同时本发明并不局限于某一种动力学模型,对于指数动力学模型和分室模型都可很好地应用。
附图说明
图1是本发明中训练样本仿体模型示意图;
图2是本发明中多层感知神经网络的训练网络模型;
图3本发明面向荧光药代层析成像的并行速检的动态测量系统。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明,但下述实施例绝非对本发明有任何限制。
本发明提出的基于多层感知神经网络的荧光药代动力学层析成像方法,具体方法流程如下:
1、生成训练样本:
构建内嵌异质体的圆形二维仿体模型,基于二维仿体模型通过仿真获得多组不同目标体情况下,荧光剂生物组织体内吸收代谢过程中表面光学测量数据和基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数。
2、网络模型的搭建:
根据训练样本建立荧光药代动力学层析成像的网络模型;网络模型包括输入层,四层隐藏层、输出层;四层隐藏层分别记为第一隐藏层、第二隐藏层、第三隐藏层和第四隐藏层;
所述输入层与第一隐藏层之间、相邻的隐藏层之间及第四隐藏层与输出层之间均分别采用全连接层;
所述全连接层的各神经元之间算法结构为y=wx+b,其中:y为输出,x为输入,w为权重,b为偏置;
每个全连接层后均使用ReLU函数作为激活函数,在激活函数后加入Dropout层,所述网络模型中,Dropout的概率设为0.2;对输出层的数据,采用ReLU函数进行修正。
3、训练网络模型:
以步骤一生成的基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数作为样本标签;
在搭建好的网络模型后加入损失层,以便训练网络模型,选用Euclidean Loss函数作为损失层,计算上述网络模型的实际输出与样本标签的差的平方和的公式如下:
其中,yi 1是样本标签;yi 2表示网络模型的实际输出;N表示网络模型的实际输出的神经元个数,N=n。
设置网络训练过程中的参数,包括最大迭代次数、学习率变化过程、学习率初始值、梯度下降方式;根据步骤一获得的数据通过Loss曲线对步骤二搭建的网络模型进行训练;
4、重建荧光药代动力学参数图像:
利用面向荧光药代动力学层析成像的动态测量系统,动态的获得荧光剂在被测生物组织体内的吸收代谢过程中表面的光学测量数据,对数据进行归一化处理后,输入训练好的网络模型重建得到荧光剂在被测生物组织体内的吸收代谢的荧光药代动力学参数图像。
实施例:
本发明的荧光药代动力学层析成像是用于荧光剂药代动力学的动态成像方法,通过研究荧光剂在组织体体中随时间变化的吸收代谢等动态变化过程,结合动力学模型和数学方法分析生物组织体对于荧光剂的分布、浓度与时间的关系,并给予荧光剂在生物组织体中浓度随时间变化的曲线获得荧光剂药代动力学参数(渗透率、代谢率等)信息,在小动物模型的肿瘤诊断、分期等应用方面提供极大价值的信息。该荧光药代动力学层析成像的方法主要包括以下步骤
1生成训练样本
基于动力学模型获得荧光剂生物组织体内吸收代谢过程中表面光学测量数据和基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数。本实例以指数动力学模型为例。
如图1所示,使用半径为15mm的圆形二维仿体产生模拟数据,并将仿体离散为2030个有限元的节点和3901个三角形单元,采用16×16源探均匀的分布于仿体一周,完成一周的测量可获得16×12=192个数据,共完成120圈的测量。目标体的半径设有2mm、3mm和4mm。目标体与仿体的圆心距设为0-13mm。在一种目标体大小的情况下产生150个随机位置。
在同一个目标体大小的某个确定位置下,假设荧光剂只在目标体区域有吸收与代谢,且目标体各处吸收代谢相同。由指数动力学模型C(t)=-Ae-αt+Be-βt,其中A、B为曲线上每一指数段C(t)的截距,α为荧光剂的吸收率,β为荧光剂的代谢率,设α的值有0.8min-1、1.0min-1、1.2min-1、1.4min-1、1.6min-1;β的值有0.05min-1、0.06min-1、0.07min-1;A=1,B=1。采用双指数模型计算可得荧光剂随时间变化的曲线C(t),之后基于荧光剂浓度与荧光吸收系数的线性关系μaf(t)=ln10ξC(t)可通过荧光剂浓度计算获得荧光吸收系数随时间变化的曲线μaf(t),其中ξ是荧光剂的消光系数。最后采用基于有限元方法的荧光扩散层析成像的正向模型获得在表面激发光和荧光的光子数。
2网络模型的搭建:
根据训练样本建立荧光药代动力学层析成像的网络模型,网络模型包括输入层,四层隐藏层、输出层;四层隐藏层分别记为第一隐藏层、第二隐藏层、第三隐藏层和第四隐藏层;输入层神经元个数m由荧光剂生物组织吸收代谢过程中表面的光学测量数据确定。由步骤一可知,m为192×120=23040。输出层的神经元个数n对应的是将组织离散化后有限元节点的个数,由步骤一可知,n=2030。根据经验公式其中s为隐藏层神经元个数,m为输入层神经元个数,n为输出层神经元个数,则可得出每层隐藏层神经元个数,即s≈6843。
所述输入层与第一隐藏层之间、相邻的隐藏层之间及第四隐藏层与输出层之间均分别采用全连接层;所述全连接层的各神经元之间算法结构为y=wx+b,其中y为输出,x为输入,w为权重,b为偏置。并在每层设置权重与偏置的初始化方式,权重初始化方式为xavier初始化,偏置的初始化方式为常量初始化。
在每个全连接层后加入ReLU函数作为激活函数。ReLU函数是一个非线性函数,如果输入小于0则输出为0,如果输入大于0则输出该值。使用了ReLU函数的神经元将会输出y=max(0,wx+b)。
在激活函数后加入Dropout层,Dropout层是在网络的训练过程中,按照一定的概率将一部分中间层的单元暂时从网络中丢弃,通过把该单元输出设置为0使其不工作,来避免过拟合,在本网络模型中,Dropout的概率设为0.2。
输出层的输出结果理论上不可能为负值,在输出层后采用ReLU函数对输出结果进行修正。
3训练网络模型
以步骤一生成的基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数作为样本标签;
如图2所示,在搭建好的网络模型后加入损失层,以便训练网络模型。选用Euclidean Loss函数作为损失层,计算上述网络模型的实际输出与样本标签的差的平方和的公式如下:
其中,yi 1是样本标签;yi 2表示网络模型的实际输出;N表示网络模型的实际输出的神经元个数,N=n;
设置网络训练过程中的最大迭代次数,学习率变化过程,学习率初始值和梯度下降方式。本次训练中梯度下降方式采用Adam最优化进行迭代训练,输入层中的含有荧光剂在生物组织体内吸收代谢过程中测得表面的光学测量数据的神经元会传递到第一隐藏层的每一神经元,上一隐藏层中每一神经元又将数据传递到下一隐藏层的每一神经元,共经历4层隐藏层后,第四隐藏层会将每一神经元的数据传递到输出层的每一神经元中。由输出层实际输出和样本标签做Loss计算,并将误差反向传播,以便调整各隐藏层的权重与偏置。在迭代过程中,Loss持续下降并最终趋于稳定,表明荧光剂在生物组织吸收代谢过程中表面光子测量数据与荧光药代动力学参数之间的映射关系网络模型训练完成。
4重建荧光药代动力学参数图像
采用面向荧光药代动力学层析成像的系统获得荧光剂在生物组织体中的吸收代谢过程中表面光学测量数据,对数据进行归一化处理后,输入训练好的网络模型重建得到荧光剂在被测生物组织体内的吸收代谢的荧光药代动力学参数图像。本发明将采用面向荧光药代层析成像的并行速检的动态测量系统获取荧光剂ICG在小鼠肝部吸收代谢的过程中的表面光学测量数据。
4-1面向荧光药代层析成像的并行速检的动态测量系统
如图3所示,面向荧光药代层析成像的并行速检的动态测量系统主要由LD光源系统,成像腔系统,光路传输系统和基于FPGA平台开发的方波发生器和数字锁相光子计数模块构成。成像腔系统主要有光纤架、成像腔、升降台。光路传输系统由光纤、光开关、滤光轮,准直器组成。16根源探同轴Y形双芯光纤经光纤架固定后均匀环绕于成像周围且紧贴外壁,光源光纤端接于LD光源系统输出端,探测光纤端接于光开关输入端。此系统采用4源同时激励、源探分时复用的探测方案,具体工作过程如下:4组被编码的光源由LD组成的光源系统出射,经源光纤引导投射在被测物体的表面,在被测物体内经过吸收散射等作用后出射;12组探测光纤将成像平面内不同探测角度的散射光信号接受后传送至光开关,经光开关的3次切换后的光信号依次传送到4个PMT中,PMT将光信号转化为与光强信号有关的时变密度型电脉冲信号,最后传送到基于FPGA开发的具有频率鉴别作用的多通道并行检测功能的数字锁相光子计数模块,经过4组源探切换并重复完成上述过程便可快速的获得小动物组织体表面的光学测量数据。另外,通过切换滤光轮可以实现实验中分别对激发光信号和荧光信号的采集,且在滤光轮前加准直器可使探测光准直入射到滤光片,以达到更好的滤光效果。
4-2小鼠肝代谢实验设置与流程
小鼠选用三到四周龄的健康昆明小鼠,实验具体流程如下:
(1)麻醉:在测量过程中,为保证成像的准确性,小鼠应处于静息状态下且固定于成像腔内。所以采用4%的水合氯醛对小鼠进行腹腔注射以达到麻醉的效果。所用剂量应严格按照与小鼠体重成比例进行注射(0.01ml/g)。
(2)脱毛:因为小鼠的体毛将严重影响光信号的探测,因此需对小鼠躯干使用脱毛膏进行脱毛处理。
(3)确定肝平面:根据小鼠解剖结构,将剑突下方1mm处做为肝脏成像扫描平面,并将小鼠装筒固定。
(4)荧光剂物质注射:荧光剂材料选用吲哚菁绿(Indocyanine Green,ICG),将其溶于生理盐水中配置成浓度为50μg/ml的ICG溶液。将溶液通过尾静脉注射到小鼠体内,注射剂量为0.5-0.7ml。
(5)测量:注射成功后,快速将小鼠固定在成像腔中,加入1%的脂肪乳匹配液以填满成像筒与小鼠之间的空气间隙后,开始连续测20min,获得120圈的测量数据。
4-3重建荧光药代动力学参数图像
将获得的小鼠表面光学测量数据进行归一化处理,将处理好后的数据输入训练好的网络模型中,重建可获得荧光剂在小鼠体内的药代动力学参数α及β图像。从图像中很好地反映了荧光剂在小鼠成像切面下各处的药代动力学参数值,直观地反映了荧光剂在小鼠体内的吸收与代谢情况。
综上,本发明的荧光药代动力学层析成像的方法是一种经过大量的荧光药代动力学的训练样本得到荧光剂在生物组织体内吸收代谢过程中表面光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间的映射关系的方法。可通过荧光剂在生物组织体内的吸收代谢过程中表面光学测量数据直接快速并准确地获得基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数图像。有别于间接的荧光药代动力学成像方法,本方法无需重建荧光剂在生物组织体中的荧光剂浓度图像,因此也避免了重建荧光浓度对荧光药代动力学参数获取的影响。采用多层感知神经网络的方式降低对面向荧光药代动力学层析成像的动态测量系统的时间分辨率的高要求。同样区别于荧光药代动力学直接成像方法,避免了初始参数的设置与滤波发散现象的发生,从而提高了重建荧光药代动力学参数图像的精度。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (2)
1.一种基于多层感知神经网络的荧光药代动力学层析成像的方法,其特征在于,采用多层感知神经网络模型,通过生成的训练样本对网络模型训练,获得荧光剂在生物组织体内吸收代谢过程中表面光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间的映射关系,通过荧光剂在生物组织体内的吸收代谢过程中表面光学测量数据直接获得基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数图像。
2.根据权利要求1所述的基于多层感知神经网络的荧光药代动力学层析成像的方法,其特征在于,具体步骤如下:
步骤一、生成训练样本:
构建内嵌异质体的圆形二维仿体模型,基于二维仿体模型通过仿真获得多组不同目标体情况下,荧光剂生物组织体内吸收代谢过程中表面光学测量数据和基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数;
步骤二、网络模型的搭建:
根据训练样本建立荧光药代动力学层析成像的网络模型;网络模型包括输入层,四层隐藏层、输出层;四层隐藏层分别记为第一隐藏层、第二隐藏层、第三隐藏层和第四隐藏层;
所述输入层与第一隐藏层之间、相邻的隐藏层之间及第四隐藏层与输出层之间均分别采用全连接层;
所述全连接层的各神经元之间算法结构为y=wx+b,其中:y为输出,x为输入,w为权重,b为偏置;
每个全连接层后均使用ReLU函数作为激活函数,在激活函数后加入Dropout层,所述网络模型中,Dropout的概率设为0.2;对输出层的数据,采用ReLU函数进行修正;
步骤三、训练网络模型:
以步骤一生成的基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数作为样本标签;
在搭建好的网络模型后加入损失层,以便训练网络模型,选用Euclidean Loss函数作为损失层,计算上述网络模型的实际输出与样本标签的差的平方和的公式如下:
其中,yi 1是样本标签;yi 2表示网络模型的实际输出;N表示网络模型的实际输出的神经元个数,N=n;
设置网络训练过程中的参数,包括最大迭代次数、学习率变化过程、学习率初始值、梯度下降方式;根据步骤一获得的数据通过Loss曲线对步骤二搭建的网络模型进行训练;
步骤四、重建荧光药代动力学参数图像:
利用面向荧光药代动力学层析成像的动态测量系统,动态的获得荧光剂在被测生物组织体内的吸收代谢过程中表面的光学测量数据,对数据进行归一化处理后,输入训练好的网络模型重建得到荧光剂在被测生物组织体内的吸收代谢的荧光药代动力学参数图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572800.6A CN111795955B (zh) | 2020-06-22 | 2020-06-22 | 基于多层感知神经网络的荧光药代动力学层析成像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572800.6A CN111795955B (zh) | 2020-06-22 | 2020-06-22 | 基于多层感知神经网络的荧光药代动力学层析成像的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111795955A true CN111795955A (zh) | 2020-10-20 |
CN111795955B CN111795955B (zh) | 2023-08-04 |
Family
ID=72803663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572800.6A Active CN111795955B (zh) | 2020-06-22 | 2020-06-22 | 基于多层感知神经网络的荧光药代动力学层析成像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111795955B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113633261A (zh) * | 2021-08-11 | 2021-11-12 | 南京航空航天大学 | 一种基于荧光监测的多通道在体药代分析系统 |
CN113951831A (zh) * | 2021-11-19 | 2022-01-21 | 复旦大学 | 基于随机重构策略的超高分辨荧光分子断层成像方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150201895A1 (en) * | 2012-08-31 | 2015-07-23 | The University Of Chicago | Supervised machine learning technique for reduction of radiation dose in computed tomography imaging |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN105717087A (zh) * | 2016-03-10 | 2016-06-29 | 天津大学 | 螺旋离散扫描式荧光剂药代动力学参数直接成像方法 |
CN105760697A (zh) * | 2016-03-15 | 2016-07-13 | 天津大学 | 面向荧光剂药代动力学成像的动态仿体设计方法 |
CN108451508A (zh) * | 2018-04-28 | 2018-08-28 | 中国科学院自动化研究所 | 基于多层感知机的生物自发荧光三维成像方法 |
WO2018158043A1 (de) * | 2017-03-01 | 2018-09-07 | Robert Bosch Gmbh | Neuronalnetzsystem |
CN109166103A (zh) * | 2018-07-27 | 2019-01-08 | 中国科学院自动化研究所 | 基于多层感知网络的激发荧光断层成像方法 |
CN109191564A (zh) * | 2018-07-27 | 2019-01-11 | 中国科学院自动化研究所 | 基于深度学习的激发荧光断层成像三维重建方法 |
-
2020
- 2020-06-22 CN CN202010572800.6A patent/CN111795955B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150201895A1 (en) * | 2012-08-31 | 2015-07-23 | The University Of Chicago | Supervised machine learning technique for reduction of radiation dose in computed tomography imaging |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN105717087A (zh) * | 2016-03-10 | 2016-06-29 | 天津大学 | 螺旋离散扫描式荧光剂药代动力学参数直接成像方法 |
CN105760697A (zh) * | 2016-03-15 | 2016-07-13 | 天津大学 | 面向荧光剂药代动力学成像的动态仿体设计方法 |
WO2018158043A1 (de) * | 2017-03-01 | 2018-09-07 | Robert Bosch Gmbh | Neuronalnetzsystem |
CN108451508A (zh) * | 2018-04-28 | 2018-08-28 | 中国科学院自动化研究所 | 基于多层感知机的生物自发荧光三维成像方法 |
CN109166103A (zh) * | 2018-07-27 | 2019-01-08 | 中国科学院自动化研究所 | 基于多层感知网络的激发荧光断层成像方法 |
CN109191564A (zh) * | 2018-07-27 | 2019-01-11 | 中国科学院自动化研究所 | 基于深度学习的激发荧光断层成像三维重建方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113633261A (zh) * | 2021-08-11 | 2021-11-12 | 南京航空航天大学 | 一种基于荧光监测的多通道在体药代分析系统 |
CN113951831A (zh) * | 2021-11-19 | 2022-01-21 | 复旦大学 | 基于随机重构策略的超高分辨荧光分子断层成像方法 |
CN113951831B (zh) * | 2021-11-19 | 2023-08-29 | 复旦大学 | 基于随机重构策略的超高分辨荧光分子断层成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111795955B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yamada et al. | Time-domain near-infrared spectroscopy and imaging: a review | |
Bench et al. | Toward accurate quantitative photoacoustic imaging: learning vascular blood oxygen saturation in three dimensions | |
Davis et al. | Image-guided diffuse optical fluorescence tomography implemented with Laplacian-type regularization | |
Yao et al. | Direct approach to compute Jacobians for diffuse optical tomography using perturbation Monte Carlo-based photon “replay” | |
Samaei et al. | Time-domain diffuse correlation spectroscopy (TD-DCS) for noninvasive, depth-dependent blood flow quantification in human tissue in vivo | |
CN111103275B (zh) | Pat先验信息辅助的基于cnn和自适应ekf的动态fmt重建方法 | |
Leblond et al. | Early-photon fluorescence tomography: spatial resolution improvements and noise stability considerations | |
Tian | Molecular imaging: Fundamentals and applications | |
US20120049088A1 (en) | Systems, methods and computer-accessible media for hyperspectral excitation-resolved fluorescence tomography | |
CN111795955B (zh) | 基于多层感知神经网络的荧光药代动力学层析成像的方法 | |
Wang et al. | Fluorescence molecular tomography reconstruction of small targets using stacked auto-encoder neural networks | |
Mimura et al. | Imaging the human thyroid using three-dimensional diffuse optical tomography: A preliminary study | |
Kao et al. | Quantifying tissue optical properties of human heads in vivo using continuous-wave near-infrared spectroscopy and subject-specific three-dimensional Monte Carlo models | |
Murad et al. | Reconstruction and localization of tumors in breast optical imaging via convolution neural network based on batch normalization layers | |
Wojtkiewicz et al. | Parallel, multi-purpose Monte Carlo code for simulation of light propagation in segmented tissues | |
Jiang et al. | 2.5 Hz sample rate time-domain near-infrared optical tomography based on SPAD-camera image tissue hemodynamics | |
Liu et al. | Simultaneously extracting multiple parameters via multi-distance and multi-exposure diffuse speckle contrast analysis | |
Yu et al. | Bioluminescence tomography based on one-dimensional convolutional neural networks | |
Else et al. | Effects of skin tone on photoacoustic imaging and oximetry | |
Zuo et al. | Impact of reconstruction algorithms on diffuse correlation tomography blood flow imaging | |
Kazancı et al. | Mathematical method for diffuse optical tomography imaging: a research study | |
Hussain et al. | Least Square QR Decomposition Method for Solving the Inverse Problem in Functional Near Infra-Red Spectroscopy | |
Forti et al. | Optimizing a two-layer method for hybrid diffuse correlation spectroscopy and frequency-domain diffuse optical spectroscopy cerebral measurements in adults | |
Aspri et al. | Mathematical and numerical challenges in diffuse optical tomography inverse problems | |
García et al. | Simultaneous retrieval of optical and geometrical parameters of multilayered turbid media via state-estimation algorithms |
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 |