CN114557680B - 基于标准成像空间的高分辨率荧光分子断层成像方法 - Google Patents
基于标准成像空间的高分辨率荧光分子断层成像方法 Download PDFInfo
- Publication number
- CN114557680B CN114557680B CN202210445460.XA CN202210445460A CN114557680B CN 114557680 B CN114557680 B CN 114557680B CN 202210445460 A CN202210445460 A CN 202210445460A CN 114557680 B CN114557680 B CN 114557680B
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- variable
- roi
- sis
- data
- 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 104
- 238000003384 imaging method Methods 0.000 title claims abstract description 55
- 238000003325 tomography Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000001506 fluorescence spectroscopy Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 79
- 230000008569 process Effects 0.000 claims description 46
- 230000003287 optical effect Effects 0.000 claims description 24
- 210000000056 organ Anatomy 0.000 claims description 24
- 230000005284 excitation Effects 0.000 claims description 19
- 230000003190 augmentative effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 10
- 206010028980 Neoplasm Diseases 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012821 model calculation Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 241001522296 Erithacus rubecula Species 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 5
- 210000001519 tissue Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000000547 structure data Methods 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 206010019695 Hepatic neoplasm Diseases 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010172 mouse model Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
Images
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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
- A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
- G06T2207/10121—Fluoroscopy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于荧光分子断层成像领域,具体涉及了一种基于标准成像空间的高分辨率荧光分子断层成像方法,旨在解决现有技术数据融合与配准复杂,荧光分子断层成像准确性和精度低的问题。本发明包括:基于网格化的SIS完成结构数据和荧光数据的融合配准;计算前向模型得到系统矩阵;结合最小二乘和弹性网络正则化构建目标函数;利用松弛的交替方向乘子法优化;针对不适定性和光源的非负稀疏先验对变量迭代方式等价转换和修正,获得荧光分子断层成像结果。本发明实现了先验信息获取的自动化和标准化,避免繁琐的人工操作,避免重建结果的过稀疏和过平滑,能实现近距离的小荧光源的高分辨率重建,同时具有很好的形态和位置精度。
Description
技术领域
本发明属于荧光分子断层成像领域,具体涉及了一种基于标准成像空间的高分辨率荧光分子断层成像方法。
背景技术
荧光分子断层成像(FMT,Fluorescence Molecular Tomography)弥补了二维荧光分子成像无法提供深度信息的缺陷,基于表面测量的荧光光斑和光子传播模型反演得到探针在体内的三维分布信息,进而可视化探针在体内的靶向分布,反映肿瘤的位置和形态信息。FMT重建包括前向模型的求解和逆向问题的优化。前向问题通常利用耦合的扩散近似方程描述光子的激发和发射过程,罗宾边界条件描述成像物体与空气之间的折射系数偏差,利用有限元法(FEM,Finite Element Method)对成像物体不同区域进行精确划分,离散求解,得到稀疏且正定的系数矩阵。前向问题最终建立表面荧光光斑与体内三维荧光分布的线性关系。逆向问题基于优化算法求解线性方程组逼近最优解,获取探针在体内的三维分布。
传统的FMT成像中,需要人工分割XCT结构数据提取感兴趣区域(ROI,Region OfInterest),再利用有限元网格对3D结构图像离散化,之后将成像物体表面采集的二维荧光映射在网格化的成像物体表面。上述流程繁琐,且需要大量的人工操作。其次,CCD相机采集的平面图像往非平坦的成像物体表面映射时存在位置误差,导致重建的位置不准确,以及当前FMT重建缺乏标准化和自动化的重建流程等限制了FMT在临床实际中的应用。
此外,体表测得的荧光信号的维数与方程的个数相同,整个成像空间的节点数与方程组的变量个数一致,由于表面测得荧光信号的维数有限,因此线性方程组不适定,难以求得精确解。近红外荧光在组织内传播的高散射性导致逆向过程呈高病态性,导致复杂形态荧光源的重建位置和形态学精度难题提升。近距离的微小肿瘤发射的荧光发生严重重叠,重建中容易损失一侧荧光源的位置和形态信息,造成重建结果的中心偏离设置的双光源中心,以及体积较小或荧光强度较弱肿瘤的荧光湮灭。
发明内容
为了解决现有技术中的上述问题,即现有技术数据融合与配准复杂,荧光分子断层成像准确性和精度低的问题,本发明提供了一种基于标准成像空间的高分辨率荧光分子断层成像方法,该方法包括:
步骤S10,获取肿瘤所在器官作为ROI,构建可容纳所述ROI的长方体或正方体作为SIS(SIS,Standardized Imaging Space,标准成像空间),并通过有限元四面体网格进行SIS离散化;
步骤S20,基于设定阈值进行数据预处理,并将预处理的数据通过坐标映射至离散化的SIS;所述数据预处理包括ROI(ROI,Region Of Interest,感兴趣区域)对应的CT数据分割和荧光数据去噪;
步骤S30,基于映射后的SIS进行前向模型计算,获得ROI的表面荧光信号与内部三维荧光分布的线性关系;
步骤S40,基于所述ROI的表面荧光信号与内部三维荧光分布的线性关系,结合最小二乘项和弹性网络正则化项构建目标函数;
步骤S50,利用松弛交替方向乘子法对目标函数变量的迭代方式进行约束和修正,求解所述目标函数获得荧光分子断层成像结果。
在一些优选的实施例中,步骤S30包括:
步骤S31,基于映射后的SIS,通过耦合扩散近似方程描述荧光光子在成像物体组织内的传播过程,通过罗宾边界条件描述物体表面与空气的折射系数偏差;
步骤S32,基于所述荧光光子在器官组织内的传播过程和所述折射系数偏差,通过有限元离散求解前向模型,获得ROI的表面荧光信号与内部三维荧光分布的线性关系。
在一些优选的实施例中,所述荧光光子在成像物体组织内的传播过程,其表示为:
其中,为荧光光子激发过程的扩散系数,为荧光光子发射过程的扩散系数,为荧光激发过程的光学吸收系数,为荧光激发过程的光学散射系数,为荧光光
子激发过程的光密度,为荧光光子发射过程的光密度,表示点状激发荧光
光源,为光源位置,为狄拉克函数,为点状激发荧光光源的强度,为成像空间,为荧
光光源在器官组织内的三维空间分布。
在一些优选的实施例中,所述物体表面与空气的折射系数偏差,其表示为:
在一些优选的实施例中,所述ROI的表面荧光信号与内部三维荧光分布的线性关系,其表示为:
其中,为ROI的表面荧光信号,为内部三维荧光分布,为系统矩阵,系统矩阵中每一个元素,代表ROI的第个表面网格节点的荧光强度值,代表ROI的第个空间网格节点的荧光强度值,代表ROI的第个空间网格节点的权重
值,代表ROI的表面网格节点的个数,代表ROI的空间网格节点的个数,代表矩阵转
置。
在一些优选的实施例中,步骤S40中基于所述ROI的表面荧光信号与内部三维荧光分布的线性关系,结合最小二乘项和弹性网络正则化项构建目标函数,其方法为:
在一些优选的实施例中,步骤S50包括:
步骤S52,基于所述待求解等价目标函数中的各变量参数,结合拉格朗日函数和二次罚函数项构建增广拉格朗日函数;
步骤S55,令所述增广拉格朗日函数对变量求偏导,获得变量的迭代方程,基
于所述变量的迭代方程、所述变量的迭代方程和所述变量的迭代方程,迭代进行所
述待求解等价目标函数的参数约束调整,获得所述待求解等价目标函数的最优解,作为荧
光分子断层成像结果。
在一些优选的实施例中,所述待求解等价目标函数,其表示为:
在一些优选的实施例中,所述增广拉格朗日函数,其表示为:
本发明的有益效果:
(1)本发明基于标准成像空间的高分辨率荧光分子断层成像方法,基于标准成像空间完成结构和荧光数据的处理流程,通过引入基于标记点的图像配准和阈值分割等操作,初步实现先验信息获取的自动化和标准化,极大简化了传统FMT重建的数据处理流程,减少繁琐的人工操作,针对不同对象的复杂的网格生成过程,有利于FMT的应用拓展和临床转换,同时荧光采集装置捕获的平面图像直接映射到SIS表面,能有效避免光斑映射时存在的位置误差。
(2)本发明基于标准成像空间的高分辨率荧光分子断层成像方法,基于弹性网络正则化构建目标函数,结合L1范数和L2范数使重建结果避免过稀疏和过平滑,保证强形态恢复能力;基于交替方向乘子法在求解大规模稀疏低秩模型方面的优势,通过松弛化给当前迭代结果和上一次迭代的结果赋予不同的权值构建新的变量更新方式,从而提升算法的收敛性能;最后结合本模型不适定的问题以及非负稀疏先验,对变量迭代方式进行等价变形及修正,降低计算复杂度,实现FMT的快速准确重建,保证形态精度的基础上提升小光源重建的分辨率。
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是本发明基于标准成像空间的高分辨率荧光分子断层成像方法的流程示意图;
图2是本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的SIS的定义及网格化示意图;
图3(a)是本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的预处理数据的CT数据的SIS示意图;
图3(b)是本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的预处理数据的荧光数据的SIS示意图;
图4是本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的应用于1mm边边距的双光源重建的三维视图;
图5是本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的应用于1mm边边距的双光源重建的水平截面图;
图6是本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的应用于1mm边边距的双光源重建的相对荧光强度与空间位置的关系曲线图。
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。
本发明提供一种基于标准成像空间的高分辨率荧光分子断层成像方法,本方法构建标准成像空间(SIS,Standardized Imaging Space)简化数据的融合和配准过程,并基于SIS计算前向模型,针对逆向问题的不适定和病态性,提出基于松弛交替方向乘子法(RADMM,Relaxed Alternating Direction Method of Multipliers)优化弹性网络(Elastic Net,EN)正则化的方法,重建得到高分辨率的三维荧光分布。
本发明的一种基于标准成像空间的高分辨率荧光分子断层成像方法,该方法包括:
步骤S10,获取肿瘤所在器官作为ROI,构建可容纳所述ROI的长方体或正方体作为SIS,并通过有限元四面体网格进行SIS离散化;
步骤S20,基于设定阈值进行数据预处理,并将预处理的数据通过坐标映射至离散化的SIS;所述数据预处理包括ROI对应的CT数据分割和荧光数据去噪;
步骤S30,基于映射后的SIS进行前向模型计算,获得ROI的表面荧光信号与内部三维荧光分布的线性关系;
步骤S40,基于所述ROI的表面荧光信号与内部三维荧光分布的线性关系,结合最小二乘项和弹性网络正则化项构建目标函数;
步骤S50,利用松弛交替方向乘子法对目标函数变量的迭代方式进行约束和修正,求解所述目标函数获得荧光分子断层成像结果。
为了更清晰地对本发明基于标准成像空间的高分辨率荧光分子断层成像方法进行说明,下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于标准成像空间的高分辨率荧光分子断层成像方法,包括步骤S10-步骤S50,各步骤详细描述如下:
步骤S10,获取肿瘤所在器官作为ROI,构建可容纳所述ROI的长方体或正方体作为SIS,并通过有限元四面体网格进行SIS离散化。
首先根据结构先验确定荧光源大致的分布范围,以荧光源所在器官和周围器官作为ROI,标准成像空间的大小可根据ROI的尺寸调整,SIS需要保证有四个侧面,且侧面为平面,可以选择长方体或正方体。利用现有的网格划分工具将SIS离散化,网格密度越大,能重建的荧光源的尺寸就越小,细节特征就越丰富,但同时也会增加逆问题求解的难度。因此要设置恰当的网格密度,既保证重建结果的尺寸和形态,也要兼顾逆问题的维数。
本发明一个实施例中,以数字鼠的肝肿瘤模型为例说明处理流程,选取仿真鼠模型的肝脏及周围器官作为ROI。如图2所示,为本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的SIS的定义及网格化示意图,构建大小为200px×200px×100px的长方体(每个体素的实际物理尺寸为0.189mm×0.189mm×0.146mm)作为SIS。兼顾重建荧光源的尺寸、形态以及逆问题求解的难度,离散SIS得到四面体网格密度恰当的成像空间,离散后的标准成像空间包含80650个节点和438050个四面体网格。
步骤S20,基于设定阈值进行数据预处理,并将预处理的数据通过坐标映射至离散化的SIS;所述数据预处理包括ROI对应的CT数据分割和荧光数据去噪。
根据CT数据中不同组织器官的灰度值的差异设置阈值,自动分割采集的CT结构数据,获得只包含对光子传输有重要影响的器官组织。对采集的表面荧光数据去噪,减去背景噪声,得到较为纯净的肿瘤荧光信号。将阈值分割后的CT数据和去噪后的荧光数据通过坐标分别映射在网格化的SIS内部和表面,并给不同的器官组织赋予其特有的光学吸收和散射参数。坐标映射的规则如下:将CT数据的每个像素抽象为一个点,每个像素点都具有器官属性,在SIS中寻找距离CT数据中像素点最近的节点,当前像素点的器官属性赋予该节点。最后将SIS的中心坐标转移到CT数据的中心,SIS中其他节点做相应的转换。
如图3(a)所示,为本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的预处理数据的CT数据的SIS示意图,如图3(b)所示,为本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的预处理数据的荧光数据的SIS示意图,根据阈值分割图3(a)的CT数据得到包含肌肉,肝脏,心脏,肺和脊柱5种器官的结构数据,按照技术方案细节中所述的坐标映射规则,将结构数据融合到SIS中,获得图3(b),并赋予组织器官对应的光学吸收和散射系数,在数字鼠的肝脏部位构建边边距为1mm(记作EED=1mm)的两个球形荧光源(半径为0.5mm)模拟体内近距离分布的肝肿瘤。利用同一平面的四个不同的点源分别激发荧光源,相邻激发束夹角为90°,使用视场(FOV) 为160°的CCD相机捕获数字鼠表面的荧光分布,模拟实际中荧光源的激发和发射过程。图3(b)的去噪的荧光数据直接映射到SIS的表面,避免非平面映射造成的误差,完成结构与荧光数据的融合。
步骤S30,基于映射后的SIS进行前向模型计算,获得ROI的表面荧光信号与内部三维荧光分布的线性关系。
步骤S31,基于映射后的SIS,通过耦合扩散近似方程描述荧光光子在成像物体组织内的传播过程,通过罗宾边界条件描述物体表面与空气的折射系数偏差。
荧光光子在成像物体组织内的传播过程如式(1)和式(2)所示:
其中,为荧光光子激发过程的扩散系数,为荧光光子发射过程的扩散系数,为荧光激发过程的光学吸收系数,为荧光激发过程的光学散射系数,为荧光光
子激发过程的光密度,为荧光光子发射过程的光密度,表示点状激发荧光
光源,为光源位置,为狄拉克函数,为点状激发荧光光源的强度,为成像空间,为荧光光源在器官组织内的三维空间分布。
物体表面与空气的折射系数偏差如式(3)和式(4)所示:
其中,表示成像物体的边缘,为边缘上的单位外法向量,表示成像物体边界
与空气的光学折射系数偏差,代表和两种情况,为时,为,为,当为时,为,为,为荧光光子发射过程
的光学吸收系数,为荧光光子发射过程的光学散射系数,为各向异性系数。
步骤S32,基于所述荧光光子在器官组织内的传播过程和所述折射系数偏差,通过有限元离散求解前向模型,获得ROI的表面荧光信号与内部三维荧光分布的线性关系,如式(5)所示:
其中,为ROI的表面荧光信号,为内部三维荧光分布,为系统矩阵,系统矩阵中每一个元素,代表ROI的第个表面网格节点的荧光强度值,代表ROI的第个空间网格节点的荧光强度值,代表ROI的第个空间网格节点的权重
值,代表ROI的表面网格节点的个数,代表ROI的空间网格节点的个数,代表矩阵转
置。
步骤S40,基于所述ROI的表面荧光信号与内部三维荧光分布的线性关系,结合最小二乘项和弹性网络正则化项构建目标函数,如式(6)所示:
步骤S50,利用松弛交替方向乘子法对目标函数变量的迭代方式进行约束和修正,求解所述目标函数获得荧光分子断层成像结果。
步骤S52,基于所述待求解等价目标函数中的各变量参数,结合拉格朗日函数和二次罚函数项构建增广拉格朗日函数,如式(8)所示:
步骤S55,令所述增广拉格朗日函数对变量求偏导,获得变量的迭代方程,基
于所述变量的迭代方程、所述变量的迭代方程和所述变量的迭代方程,迭代进行所
述待求解等价目标函数的参数约束调整,获得所述待求解等价目标函数的最优解,作为荧
光分子断层成像结果。
基于上述的迭代方式,调整合适的参数,包括正则化参数和罚函数系数,获得待求解等价目标函数的最优解。如图4-图6所示,分别为本发明基于标准成像空间的高分辨率荧光分子断层成像方法一种实施例的应用于1mm边边距(EED=1mm)的双光源重建的三维视图、水平截面图和相对荧光强度与空间位置的关系曲线图,其中图5中白色的圈代表设置的光源,在上述水平截面图上,作一条经过两个光源中心的水平线绘制相对荧光强度与空间位置的关系曲线,即为图6所示的曲线,断点曲线True代表真实荧光源的荧光强度沿水平轴分布的轮廓,实线曲线EN-RADMM代表重建的荧光源的荧光强度沿水平轴分布的轮廓。从图4-图6中,可明显看出本方法实现了半径为0.5mm,边边距为1mm的双光源的高分辨率重建,重建结果两个的荧光发射峰的重叠部分的荧光强度低于设置的荧光源强度的20%,且重建结果的位置精度较高,具有很高的形态学精度。因此本发明在小光源的高分辨率重建方面具有潜在的优势,同时有望实现复杂形态光源的高形态精度重建。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于标准成像空间的高分辨率荧光分子断层成像系统,该系统包括以下模块:
SIS构建及离散化模块,配置为获取肿瘤所在器官作为ROI,构建可容纳所述ROI的长方体或正方体作为SIS,并通过有限元四面体网格进行SIS离散化;
数据预处理及映射模块,配置为基于设定阈值进行数据预处理,并将预处理的数据通过坐标映射至离散化的SIS;所述数据预处理包括ROI对应的CT数据分割和荧光数据去噪;
前向模型计算模块,配置为基于映射后的SIS进行前向模型计算,获得ROI的表面荧光信号与内部三维荧光分布的线性关系;
目标函数构建模块,配置为基于所述ROI的表面荧光信号与内部三维荧光分布的线性关系,结合最小二乘项和弹性网络正则化项构建目标函数;
重建模块,配置为利用松弛交替方向乘子法对目标函数变量的迭代方式进行约束和修正,求解所述目标函数获得荧光分子断层成像结果。
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,上述实施例提供的基于标准成像空间的高分辨率荧光分子断层成像系统,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电子设备,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于标准成像空间的高分辨率荧光分子断层成像方法。
本发明第四实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的基于标准成像空间的高分辨率荧光分子断层成像方法。
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“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做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 (9)
1.一种基于标准成像空间的高分辨率荧光分子断层成像方法,其特征在于,该方法包括:
步骤S10,获取肿瘤所在器官作为ROI,构建可容纳所述ROI的长方体或正方体作为标准成像空间 SIS,并通过有限元四面体网格进行SIS离散化;
步骤S20,基于设定阈值进行数据预处理,并将预处理的数据通过坐标映射至离散化的SIS;所述数据预处理包括ROI对应的CT数据分割和荧光数据去噪;
将预处理的数据通过坐标映射至离散化的SIS,其方法为:
将阈值分割后的CT数据和去噪后的荧光数据通过坐标分别映射在网格化的SIS内部和表面,并给不同的器官组织赋予其特有的光学吸收和散射参数;坐标映射的规则为:将CT数据的每个像素抽象为一个点,每个像素点都具有器官属性,在SIS中寻找距离CT数据中像素点最近的节点,当前像素点的器官属性赋予该节点,将SIS的中心坐标转移到CT数据的中心,SIS中其他节点做相应的转换;
步骤S30,基于映射后的SIS进行前向模型计算,获得ROI的表面荧光信号与内部三维荧光分布的线性关系;
步骤S40,基于所述ROI的表面荧光信号与内部三维荧光分布的线性关系,结合最小二乘项和弹性网络正则化项构建目标函数;
步骤S50,利用松弛交替方向乘子法对目标函数变量的迭代方式进行约束和修正,求解所述目标函数获得荧光分子断层成像结果,具体包括:
步骤S52,基于所述待求解等价目标函数中的各变量参数,结合拉格朗日函数和二次罚函数项构建增广拉格朗日函数;
2.根据权利要求1所述的基于标准成像空间的高分辨率荧光分子断层成像方法,其特征在于,步骤S30包括:
步骤S31,基于映射后的SIS,通过耦合扩散近似方程描述荧光光子在成像物体组织内的传播过程,通过罗宾边界条件描述物体表面与空气的折射系数偏差;
步骤S32,基于所述荧光光子在器官组织内的传播过程和所述折射系数偏差,通过有限元离散求解前向模型,获得ROI的表面荧光信号与内部三维荧光分布的线性关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445460.XA CN114557680B (zh) | 2022-04-26 | 2022-04-26 | 基于标准成像空间的高分辨率荧光分子断层成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445460.XA CN114557680B (zh) | 2022-04-26 | 2022-04-26 | 基于标准成像空间的高分辨率荧光分子断层成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114557680A CN114557680A (zh) | 2022-05-31 |
CN114557680B true CN114557680B (zh) | 2022-07-19 |
Family
ID=81721033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210445460.XA Active CN114557680B (zh) | 2022-04-26 | 2022-04-26 | 基于标准成像空间的高分辨率荧光分子断层成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114557680B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102988026A (zh) * | 2012-12-07 | 2013-03-27 | 中国科学院自动化研究所 | 基于乘子法的自发荧光断层成像重建方法 |
CN112037300A (zh) * | 2020-08-21 | 2020-12-04 | 西北大学 | 基于交替方向乘子网络的光学重建方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10200655B2 (en) * | 2011-11-08 | 2019-02-05 | The Trustees Of Columbia University In The City Of New York | Tomographic imaging methods, devices, and systems |
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 |
CN107886555B (zh) * | 2017-11-29 | 2020-12-18 | 中国科学院上海天文台 | 一种射电干涉阵列分布式图像重建方法 |
CN109166103B (zh) * | 2018-07-27 | 2021-02-05 | 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 |
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 |
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 |
-
2022
- 2022-04-26 CN CN202210445460.XA patent/CN114557680B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102988026A (zh) * | 2012-12-07 | 2013-03-27 | 中国科学院自动化研究所 | 基于乘子法的自发荧光断层成像重建方法 |
CN112037300A (zh) * | 2020-08-21 | 2020-12-04 | 西北大学 | 基于交替方向乘子网络的光学重建方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于激发荧光断层成像的多肿瘤重建;倪英杰 等;《浙江师范大学学报(自然科学版)》;20140831;第37卷(第3期);第288-293页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114557680A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8243071B2 (en) | Modeling and rendering of heterogeneous translucent materials using the diffusion equation | |
US8179393B2 (en) | Fusion of a 2D electro-optical image and 3D point cloud data for scene interpretation and registration performance assessment | |
Pepe et al. | Techniques, tools, platforms and algorithms in close range photogrammetry in building 3D model and 2D representation of objects and complex architectures | |
Brown et al. | Non-rigid range-scan alignment using thin-plate splines | |
US7487063B2 (en) | Three-dimensional modeling from arbitrary three-dimensional curves | |
US20080292164A1 (en) | System and method for coregistration and analysis of non-concurrent diffuse optical and magnetic resonance breast images | |
Khan et al. | A methodological review of 3D reconstruction techniques in tomographic imaging | |
CN107767440A (zh) | 基于三角网内插及约束的文物序列影像精细三维重建方法 | |
CN103218812B (zh) | 基于摄影测量的树木形态模型参数快速获取方法 | |
Díez Díaz et al. | Comparing surface digitization techniques in palaeontology using visual perceptual metrics and distance computations between 3D meshes | |
CN110223389A (zh) | 融合图像与激光数据的场景建模方法、系统、装置 | |
CN113393577B (zh) | 一种倾斜摄影地形重建方法 | |
CN107610219A (zh) | 一种三维场景重构中几何线索感知的像素级点云稠密化方法 | |
Logothetis et al. | A cnn based approach for the point-light photometric stereo problem | |
CN114581553B (zh) | 基于磁粒子成像先验引导的荧光分子断层成像重建方法 | |
CN113409466A (zh) | 基于gcn残差连接网络的激发荧光断层成像方法 | |
Carraro et al. | The 3D survey of the roman bridge of San Lorenzo in Padova (Italy): a comparison between SfM and TLS methodologies applied to the arch structure | |
Harandi et al. | How to make sense of 3D representations for plant phenotyping: a compendium of processing and analysis techniques | |
CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
Wang et al. | Mouse atlas registration with non-tomographic imaging modalities—a pilot study based on simulation | |
CN114557680B (zh) | 基于标准成像空间的高分辨率荧光分子断层成像方法 | |
CN116596824B (zh) | 多相机三维面模型融合方法 | |
CN108846896A (zh) | 一种自动分子蛋白质分子体学诊断系统 | |
Han et al. | Three-dimensional visualization of soil pore structure using computed tomography | |
CN114052765A (zh) | 基于局部连接网络的光学断层肿瘤定位系统、方法和设备 |
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 |