CN116322480A - 通过激光扫描激发的深度荧光成像和人工神经网络处理 - Google Patents

通过激光扫描激发的深度荧光成像和人工神经网络处理 Download PDF

Info

Publication number
CN116322480A
CN116322480A CN202180057367.5A CN202180057367A CN116322480A CN 116322480 A CN116322480 A CN 116322480A CN 202180057367 A CN202180057367 A CN 202180057367A CN 116322480 A CN116322480 A CN 116322480A
Authority
CN
China
Prior art keywords
quantum dots
image
near infrared
zns
light source
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.)
Pending
Application number
CN202180057367.5A
Other languages
English (en)
Inventor
陈志匡
D·达尔万
林康睿
H·魏加亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Singapore
Original Assignee
National University of Singapore
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Singapore filed Critical National University of Singapore
Publication of CN116322480A publication Critical patent/CN116322480A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/0062—Arrangements for scanning
    • A61B5/0064—Body surface scanning
    • 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
    • A61B5/72—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K49/00—Preparations for testing in vivo
    • A61K49/001—Preparation for luminescence or biological staining
    • A61K49/0013—Luminescence
    • A61K49/0017—Fluorescence in vivo
    • A61K49/0019—Fluorescence in vivo characterised by the fluorescent group, e.g. oligomeric, polymeric or dendritic molecules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K49/00—Preparations for testing in vivo
    • A61K49/001—Preparation for luminescence or biological staining
    • A61K49/0063—Preparation for luminescence or biological staining characterised by a special physical or galenical form, e.g. emulsions, microspheres
    • A61K49/0069—Preparation for luminescence or biological staining characterised by a special physical or galenical form, e.g. emulsions, microspheres the agent being in a particular physical galenical form
    • A61K49/0089—Particulate, powder, adsorbate, bead, sphere
    • A61K49/0091—Microparticle, microcapsule, microbubble, microsphere, microbead, i.e. having a size or diameter higher or equal to 1 micrometer
    • A61K49/0093—Nanoparticle, nanocapsule, nanobubble, nanosphere, nanobead, i.e. having a size or diameter smaller than 1 micrometer, e.g. polymeric nanoparticle
    • 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
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G01N21/6458—Fluorescence microscopy
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • 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
    • 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
    • G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0285—Nanoscale sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/06—Arrangements of multiple sensors of different types
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/444—Evaluating skin marks, e.g. mole, nevi, tumour, scar
    • 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
    • G01N21/6489—Photoluminescence of semiconductors
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Nanotechnology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明涉及使用神经网络来改善从由散射光的中间对象(诸如组织或磨砂屏等)散射的光所获得的图像的质量。本发明还涉及使用能够在从来自近红外光源的光激发时发荧光的纳米晶体阵列来对人类或动物身体进行成像的方法。本发明还涉及在所述方法中使用的检测部件和设备、以及在所述用途中有用的量子点。

Description

通过激光扫描激发的深度荧光成像和人工神经网络处理
技术领域
本发明涉及使用神经网络来改善从被散射光的中间对象(诸如组织或磨砂屏等)散射的光获得的图像的质量。本发明还涉及在所述方法中使用的检测部件和设备、以及在该用途中有用的量子点。
背景技术
在本说明书中列出或讨论先前公开的文献不应被视为承认该文献是现有技术的一部分或是公知常识。
用于癌症的靶向治疗或免疫治疗药物的开发通常依赖于如下抗体的识别，这些抗体可以抑制癌细胞生长，将药物的有效载荷递送至靶细胞，或者激活癌细胞上的靶向免疫应答，由此在不会对健康细胞造成损害的情况下杀死癌细胞。可见荧光探针已在药物功效的体外和体内测试中用作主力，因为通常在动物测试中检测到癌组织周围的荧光标记抗体将指示特异性靶向癌细胞的抗体的成功开发。
然而，现有的荧光成像方法具有显著的缺点，其中由于皮肤、组织和生物流体对可见光的强烈吸收和散射，激发辐射和荧光信号这两者都难以深入穿透生物组织(Weissleder,R.,Nat.Biotechnol.2001,19,316-317；以及Frangioni,J.V.,Curr.Opin.Chem.Biol.2003,7,626-634)。因此，这样的荧光测试方法局限于使用通常比儿童手掌的尺寸小的裸鼠。然而，由于人类和小鼠免疫学之间的显著差异，用于癌症免疫治疗研究的鼠(小鼠)模型是非常不充分的，因此导致小鼠的临床前研究转化为人类的临床试验的高失败率。因此，在与人类具有更大同源性的更大动物(诸如兔或猪等)中探测癌症药物功效的能力在癌症药物开发中可能是有价值的。尽管如此，由于现有荧光成像方法的深度限制，检测更大动物中更深的癌症需要磁共振成像(MRI)或正电子发射断层扫描(PET)技术，这些技术对于癌症药物筛选来说是极其昂贵的。
因此，迫切需要可以以低成本部署用于免疫治疗研究和靶向药物开发的替代深度成像技术。
还需要改进的非侵入性成像装置和技术。
发明内容
在以下编号的条款中提供了本发明的方面和实施例。
1.一种计算机化方法，用于处理通过经由散射介质的成像所获得的散射图像，所述计算机化方法包括：
提供经训练的神经网络模型，所述经训练的神经网络模型是利用散射图像的训练数据集训练的，所述训练数据集包括关联的低分辨率图像和高分辨率图像的对，各图像包括一系列分离的带；
通过所述经训练的神经网络模型接收输入散射图像；
使用所述经训练的神经网络模型处理所述输入散射图像；以及
响应于所述输入散射图像的处理，通过所述经训练的神经网络模型生成输出图像，
其中，所述输出图像具有比所述输入散射图像更高的分辨率。
2.根据条款1所述的计算机化方法，还包括：对所述神经网络模型进行训练，所述训练包括：
(a)从所述训练数据集中提取关联的低分辨率图像和高分辨率图像的对；
(b)从所述低分辨率图像识别输入像素并且从所述高分辨率图像识别相应的真实输出像素；
(c)从所述低分辨率图像中选择像素簇，所述像素簇围绕所述输入像素；
(d)使用权重和偏置参数集合对像素簇中的各像素进行加权；
(e)从所述像素簇的处理生成经处理输出像素；
(f)确定所述经处理输出像素和所述真实输出像素之间的误差；
(g)反向传播所述误差以调整步骤(d)中的参数；
(h)迭代地进行步骤(d)至(g)以使所述误差最小化，
其中，最小化的误差与所述神经网络模型的优化参数集相关联。
3.根据条款2所述的计算机化方法，所述训练还包括：针对所述训练数据集中的各关联的图像对来重复步骤(a)至(h)。
4.根据条款2或3所述的计算机化方法，其中，步骤(d)包括：对各像素连续加权至少两次。
5.根据条款2至4中任一项所述的计算机化方法，其中，步骤(e)包括：
从所述像素簇的处理生成原始输出像素；
使用逻辑函数处理所述原始输出像素；以及
从所述原始输出像素的处理生成所述经处理输出像素。
6.根据条款2至5中任一项所述的计算机化方法，其中，步骤(g)是使用梯度下降函数进行的。
7.根据条款2至6中任一项所述的计算机化方法，其中，所述误差包括均方误差。
8.根据条款2至7中任一项所述的计算机化方法，其中，所述散射图像是荧光图像。
9.一种用于使用成像装置对人类或动物身体的部分或整体进行成像的方法，所述成像装置包括：
近红外光源；
光引导部件或设备；
包括纳米晶体(例如巨壳量子点)的阵列，所述纳米晶体能够在从来自所述近红外光源的光激发时发荧光；以及
检测部件或设备，其被配置为检测所述纳米晶体所发射的光，其中所述方法包括以下步骤：
(a)将待成像的人类或动物身体的部分或整体的第一侧定位成面向所述近红外光源、所述光引导部件或设备以及所述检测部件或设备，并且将待成像的人类或动物身体的部分或整体的第二侧定位成面向包括纳米晶体的阵列；
(b)将来自所述近红外光源的近红外光经由所述光引导部件或设备引导穿过待成像的人类或动物身体的部分或整体的第一表面和第二表面，并进入包括纳米晶体的所述面板；以及
(c)使用所述检测部件或设备检测从所述纳米晶体释放的荧光。
10.根据条款9所述的方法，还包括以下步骤：基于检测到的荧光来捕获待成像的人类或动物身体的部分或整体的图像，所述图像是散射图像。
11.根据条款10所述的方法，还包括以下步骤：使用根据条款1至8中任一项所述的计算机化方法来处理所述散射图像，以增强所述散射图像。
12.根据条款9至11中任一项所述的方法，其中，在所述成像装置中：
(a)所述近红外光源是能够发射近红外波长处的光的激光器；以及/或者
(b)所述光引导部件或设备包括镜；以及/或者
(c)包括纳米晶体的所述阵列被定位在可移动平台上，使得所述阵列相对于所述近红外光源能够移动、以及/或者来自所述近红外光源的光束相对于所述阵列能够移动；以及/或者
(d)所述检测部件或设备还包括成像设备，可选地其中，所述检测部件或设备还包括成像处理单元。
13.根据条款9至11中任一项所述的方法，其中，在所述成像装置中，能够在从来自所述近红外光源的光激发时发荧光的所述纳米晶体是具有下式的巨壳量子点：
In(Zn)As-In(Zn)P-GaP-ZnS
其中：
In(Zn)As是所述量子点的核；
In(Zn)P是所述巨壳；
GaP表示In(Zn)P和ZnS之间的夹层壳；以及
ZnS表示所述量子点的外层壳。
14.根据条款13所述的方法，其中，所述量子点是以下项中的一个或多于一个适用的量子点：
(a)ZnS外层包括ZnS以及疏水性有机化合物或亲水性有机化合物，可选地其中所述疏水性有机化合物是油酸，可选地其中所述亲水性有机化合物是巯基琥珀酸，还可选地其中所述亲水性有机化合物用生物靶向剂官能化，例如所述生物靶向剂能够选自由叶酸和癌症特异性抗体组成的组中的一个或多于一个；
(b)所述量子点在从820到850nm、诸如从828到837nm等、诸如828nm或837nm等处显示发射峰；以及/或者
所述量子点显示从20到100ns、诸如从30到70ns等、诸如从40到60ns等、诸如59ns等的光致发光寿命；以及/或者
所述量子点吸收在波长从400到800nm处的光；以及/或者
所述量子点显示从60％到75％的光致发光量子效率；
(c)所述量子点具有根据透射电子显微镜的从6到7nm、诸如6.6nm等的平均尺寸；以及/或者
所述量子点具有从8到9nm、诸如8.6nm等的平均流体动力学尺寸；以及
(d)所述量子点中的原子百分比如下：In为从35％到45％；As为从1％到5％；P为从25％到35％；Zn为从5％到10％；Ga为从5％到9％；以及S为从8％到15％，可选地其中，所述量子点中的原子百分比如下：In为从39.7％到39.8％；As为从2.2％到2.3％；P为从31.3％到31.4％；Zn为从8.5％到8.6％；Ga为从7.5％到7.6％；以及S为从10.3％到10.4％。
15.一种成像装置，包括：
近红外光源；
光引导部件或设备；
包括纳米晶体(例如巨壳量子点)的阵列，所述纳米晶体能够在从来自所述近红外光源的光激发时发荧光；以及
检测部件或设备，其被配置为检测所述纳米晶体所发射的光。
16.根据条款15所述的成像装置，其中，
(a)所述近红外光源是能够发射近红外波长处的光的激光器；以及/或者
(b)所述光引导部件或设备包括镜；以及/或者
(c)包括纳米晶体的所述阵列被定位在可移动平台上。
17.根据条款15或16所述的成像装置，其中，所述检测部件或设备还包括成像设备，可选地其中，所述检测部件或设备还包括成像处理单元。
18.根据条款15至17中任一项所述的成像装置，其中，在所述成像装置中，能够在从来自所述近红外光源的光激发时发荧光的所述纳米晶体是具有下式的巨壳量子点：
In(Zn)As-In(Zn)P-GaP-ZnS
其中：
In(Zn)As是所述量子点的核；
In(Zn)P是所述巨壳；
GaP表示In(Zn)P和ZnS之间的夹层壳；以及
ZnS表示所述量子点的外层壳。
19.根据条款18所述的成像装置，其中，所述量子点是以下项中的一个或多于一个适用的量子点：
(a)ZnS外层包括ZnS以及疏水性有机化合物或亲水性有机化合物，可选地其中所述疏水性有机化合物是油酸，可选地其中所述亲水性有机化合物是巯基琥珀酸，还可选地其中所述亲水性有机化合物用生物靶向剂官能化，例如所述生物靶向剂能够从由叶酸和癌症特异性抗体组成的组中的一个或多于一个选择；
(b)所述量子点在从820到850nm、诸如从828到837nm等、诸如828nm或837nm等处显示发射峰；以及/或者
所述量子点显示从20到100ns、诸如从30到70ns等、诸如从40到60ns等、诸如59ns等的光致发光寿命；以及/或者
所述量子点吸收在波长从400到800nm处的光；以及/或者
所述量子点显示从60％到75％的光致发光量子效率；
(c)所述量子点具有根据透射电子显微镜的从6到7nm、诸如6.6nm等的平均尺寸；以及/或者
所述量子点具有从8到9nm、诸如8.6nm等的平均流体动力学尺寸；以及
(d)所述量子点中的原子百分比如下：In为从35％到45％；As为从1％到5％；P为从25％到35％；Zn为从5％到10％；Ga为从5％到9％；以及S为从8％到15％，可选地其中，所述量子点中的原子百分比如下：In为从39.7％到39.8％；As为从2.2％到2.3％；P为从31.3％到31.4％；Zn为从8.5％到8.6％；Ga为从7.5％到7.6％；以及S为从10.3％到10.4％。
20.一种诊断方法，包括以下步骤：
(a)向受试者供给多个纳米晶体(例如巨壳量子点)，所述纳米晶体能够在从来自近红外光源的光激发时发荧光；
(b)使所述受试者上的靶部位经受光照射；以及
(c)检测由所述量子点生成的信号或该信号的缺乏以提供诊断。
21.根据条款20所述的方法，还包括以下步骤：基于检测到的信号来捕获所述靶部位的图像，所述图像是散射图像。
22.根据条款20或21所述的方法，还包括以下步骤：使用根据条款1至8中任一项所述的计算机化方法来处理所述散射图像，以增强所述散射图像从而进行诊断。
23.根据条款20至22中任一项所述的方法，其中，在所述成像装置中，所述纳米晶体是能够在从来自所述近红外光源的光激发时发荧光的具有下式的巨壳量子点：
In(Zn)As-In(Zn)P-GaP-ZnS
其中：
In(Zn)As是所述量子点的核；
In(Zn)P是所述巨壳；
GaP表示In(Zn)P和ZnS之间的夹层壳；以及
ZnS表示所述量子点的外层壳。
24.根据条款23所述的方法，其中，所述量子点是以下项中的一个或多于一个适用的量子点：
(a)ZnS外层包括ZnS以及疏水性有机化合物或亲水性有机化合物，可选地其中所述疏水性有机化合物是油酸，可选地其中所述亲水性有机化合物是巯基琥珀酸，还可选地其中所述亲水性有机化合物用生物靶向剂官能化，例如所述生物靶向剂能够从由叶酸和癌症特异性抗体组成的组中的一个或多于一个选择；
(b)所述量子点在从820到850nm、诸如从828到837nm等、诸如828nm或837nm等处显示发射峰；以及/或者
所述量子点显示从20到100ns、诸如从30到70ns等、诸如从40到60ns等、诸如59ns等的光致发光寿命；以及/或者
所述量子点吸收波长为从400nm到800nm的光；以及/或者
所述量子点显示从60％到75％的光致发光量子效率；
(c)所述量子点具有根据透射电子显微镜的从6到7nm、诸如6.6nm等的平均尺寸；以及/或者
所述量子点具有从8到9nm、诸如8.6nm等的平均流体动力学尺寸；以及
(d)所述量子点中的原子百分比如下：In为从35％到45％；As为从1％到5％；P为从25％到35％；Zn为从5％到10％；Ga为从5％到9％；以及S为从8％到15％，可选地其中，所述量子点中的原子百分比如下：In为从39.7％到39.8％；As为从2.2％到2.3％；P为从31.3％到31.4％；Zn为从8.5％到8.6％；Ga为从7.5％到7.6％；以及S为从10.3％到10.4％。
附图说明
图1描绘：(a)用于深度荧光生物成像的激光扫描成像平台的示意表示；(b)In(Zn)As-In(Zn)P-GaP-ZnS量子点(QD)及其各自整体半导体带隙(bulk semiconductorbandgap)的示意图；(c)吸光度和光致发光(PL)光谱；(d)时间分辨光致发光(TRPL)衰变；(e)透射电子显微镜(TEM)图像；以及(f)如由能量色散X射线光谱法(EDX)测定的针对In(Zn)As-In(Zn)P-GaP-ZnS量子点的元素组成。
图2描绘来自所获得的TEM图像的合成In(Zn)As-In(Zn)P-GaP-ZnS量子点的尺寸分布。
图3描绘QD-树脂荧光玻璃面板制作的示意图。
图4示出：(a)荧光In(Zn)As-In(Zn)P-GaP-ZnS量子点玻璃面板的照片(上方)和荧光图像(下方)；以及(b)包含垂直带和字母“NUS”的两组掩模(上方)及其相应的荧光图像(下方)。
图5示出：(a)从左到右为各自从2mm到16mm递增地堆叠在掩模图案上的2mm厚度的真实猪腰肉组织的侧视图图像和顶视图图像、以及相应的“原始”和“经处理”荧光图像(“原始”图像是使用我们的激光扫描成像平台产生的，并且相应的“经处理”图像是在通过人工神经网络处理“原始”图像之后获得的)；以及(b)从左到右为使用两个掩模图案的13mm厚度的猪皮组织的侧视图、相应的顶视图、以及相应的“原始”和“经处理”荧光图像。
图6从左到右示出各自从2mm到16mm递增地堆叠在掩模图案上的2mm厚度的真实猪腰肉组织的侧视图图像和顶视图图像、以及相应的荧光图像。这些图像是使用Canon 200DDSLR照相机拍摄的，该照相机用720nm长通滤波片进行了修改并利用634nm红色LED作为毯式照明激发源。
图7描绘：(a)作为用以增强荧光成像对比度和分辨率的机器学习方法的人工神经网络的示意图；(b)用作来自“原始”图像的输入的像素簇的示意表示，该来自“原始”图像的输入被处理成“经处理”图像中的单个像素输出；以及(c)通过对堆叠在垂直带掩模上方的猪腰肉组织的“原始”和“经处理的”荧光图像进行视觉分析所获得的相对于组织厚度的分辨率。
图8示出：(a)放置在荧光In(Zn)As-In(Zn)P-GaP-ZnS量子点(QD)面板之上的猪肋骨的顶视图、侧视图和荧光图像；以及(b)放置在荧光QD面板之上的人类手掌的顶视图和荧光图像。
图9描绘：(a)通过在QD表面用MSA配体替换OA配体来进行NIR In(Zn)As-In(Zn)P-GaP-ZnS量子点的从己烷到水中的相转移的反应方案；(b)分散在形成了不混溶层的己烷-水混合物中的QD-OA(左侧，在配体交换之前)和QD-MSA(右侧，在配体交换之后)；(c)通过动态光散射(DLS)的QD-MSA在水中的流体动力学尺寸分布；(d)在配体交换之前和之后的PL光谱；以及(e)对QD-MSA在三小时的405nm的CW激光光致激发(30mW)下在水中的光稳定性研究。
图10示出(a)QD-MSA的TEM图像以及所计算出的(b)尺寸分布。
图11描绘对QD-MSA溶液在405nm(30mW)的激光光致激发下持续三小时的光稳定性研究。针对QD-MSA溶液在空气中的三小时的激光光致激发之前(黑色)和之后(蓝色)的PL光谱没有表现出光谱移位，其中PL峰和半峰全宽(FWHM)分别在828nm(虚线)和110nm处不变。
图12示出：a)与(从左至右)没有、0.5mgmL-1、和1mgmL-1的QD-MSA(红色)孵育的HeLa细胞的荧光共焦显微镜图像(HeLa细胞也用核染料Hoechst(蓝色)和线粒体染料MitoTracker Green(绿色)染色)；以及(b)与不同浓度的QD-MSA孵育24小时之后的HeLa细胞活力。
具体实施方式
在本文的实施例中，词语“包括”可以被解释为需要所提及的特征，但不限制其他特征的存在。可替代地，词语“包括”还可以涉及仅旨在存在所列出的组件/特征的情况(例如，词语“包括”可以被短语“由……组成”或“基本上由……组成”替代)。明确地设想更广义的解释和更狭义的解释这两者都可以应用于本发明的所有方面和实施例。换句话说，词语“包括”及其同义词可以被短语“由……组成”或短语“基本上由……组成”或其同义词替代，反之亦然。
短语“基本上由……组成”及其代名在本文中可以被解释为是指可能存在少量杂质的材料。例如，材料可以是纯度大于或等于90％，诸如纯度大于或等于95％等，诸如纯度大于或等于97％等，诸如纯度大于或等于99％等，诸如纯度大于或等于99.9％等，诸如纯度大于或等于99.99％等，诸如纯度大于或等于99.999％等，诸如纯度为100％等。
本文所公开的方法和设备可以利用能够在从来自近红外光源的光进行激发时发荧光的任何合适的纳米晶材料。所述材料可以是量子点，或者更特别地是巨壳量子点。例如，本文所公开的方法和设备可以利用能够在从来自近红外光源的光进行激发时发荧光的巨壳量子点。所述巨壳量子点可以具有下式：
In(Zn)As-In(Zn)P-GaP-ZnS
其中：
In(Zn)As是量子点的核；
In(Zn)p是巨壳；
GaP表示In(Zn)P和ZnS之间的夹层壳；以及
ZnS表示量子点的外层壳。
取决于量子点的期望应用，ZnS外层可以进一步包括可以是亲水的或疏水的(或可以具有这两者的)有机化合物。本文可能提及的疏水性有机化合物包括但不限于油酸。亲水性有机化合物包括但不限于巯基琥珀酸。当存在亲水性有机化合物(例如，巯基琥珀酸)时，该亲水性有机化合物可以用生物靶向剂进一步官能化(例如，生物靶向剂可以选自由叶酸和癌症特异性抗体组成的组中的一个或多于一个)。如将理解的，靶向剂的存在可以使如此官能化的巨壳量子点适合于体内使用(例如，用于人类或动物的诊断目的或者用于研究目的，诸如确定受试动物中的肿瘤的位置等)。
巨壳量子点可以显示任何合适的发射峰。例如，巨壳量子点可以显示从820到850nm(诸如从828到837nm等，诸如828nm或837nm等)处的发射峰。附加地或可替代地，巨壳量子点可以显示任何合适的光致发光寿命，例如，量子点可以显示从20到100ns(诸如从30到70ns等、诸如从40到60ns等、诸如59ns等)的光致发光寿命。附加地或可替代地，巨壳量子点可以吸收任何合适的波长(即，在近IR范围内)的光，例如，巨壳量子点可以吸收在从400到800nm的波长处的光。附加地或可替代地，巨壳量子点可以显示任何合适的光致发光量子效率。例如，巨壳量子点可以显示从60％到75％的光致发光量子效率。
巨壳量子点可以具有任何合适的尺寸。例如，量子点可以具有：
根据透射电子显微镜的从6到7nm(诸如6.6nm等)的平均尺寸；以及/或者量子点可以具有从8到9nm(诸如8.6nm等)的平均流体动力学尺寸。
巨壳量子点中的原子百分比可以如下：In为从35％到45％；As为从1％到5％；P为从25％到35％；Zn为从5％到10％；Ga为从5％到9％；以及S为从8％到15％。更特别地，巨壳量子点中的原子百分比可以如下：In为从39.7％到39.8％；As为从2.2％到2.3％；P为从31.3％到31.4％；Zn为从8.5％到8.6％；Ga为从7.5％到7.6％；以及S为从10.3％到10.4％。
本文描述的巨壳量子点可以用在下文论述的任何应用中。
在本发明的一方面(参见图1的(a))，公开了一种成像装置100，包括：
近红外光源110；
光引导部件或设备120；
包括纳米晶体(例如，巨壳量子点)135的阵列130，该纳米晶体能够在从来自近红外光源的光激发时发荧光；以及
检测部件或设备140，其被配置为检测由纳米晶体发射的光。
尽管不是必需的，但阵列130可以定位在可移动平台150上，使得阵列相对于近红外光源可移动以及/或者来自近红外光源的光束相对于阵列可移动。
如将理解的，可以使用任何合适的移动光束的部件，并且这些部件是公知的。例如，光源设备可以在可移动设备上，或者可以使用利用光学器件的标准技术来操纵光束本身。
当在本文中使用时，术语“阵列”简单地指可以提供期望效果的纳米晶体的布置。例如，阵列可以呈现为纳米晶体的面板，诸如巨壳量子点的面板等。
可以使用能够产生以上列出的效果的任何合适的纳米晶体，诸如量子点等。更特别地，可以使用能够产生以上列出的效果的任何合适的巨壳量子点。在上文中公开了这样的量子点的示例。
在该装置中可以使用任何合适的近红外光源。例如，近红外光源可以是能够发射近红外波长(例如，721nm)处的光的激光器。可以使用任何合适的光引导部件或设备，例如，光引导部件或设备包括镜。可以使用的其他材料包括光纤等以及组合。
如将理解的，检测部件或设备还可以包括成像设备。更特别地，检测部件或设备还可以包括成像处理单元。成像设备和/或成像处理单元可以用于提供图像。可以通过使用本文所公开的神经网络来增强该图像。
如图1的(a)所示，成像装置可以通过以下进行操作：将待成像对象放置在从光源到包括纳米晶体(例如，巨壳量子点)的阵列的光路之间，使得光穿过待成像对象，从纳米晶体发荧光的光也是如此。如将理解的，从光源产生的光可以覆盖小区域，并且因此可能需要移动对象以使得能够“扫描”整个区域。这可以通过使用平移载物台或者能够移动对象和/或光源的其他设备来实现。这可以采用预定的或随机的模式(例如，按成像设备的要求等)。
因此，在本发明的另一方面，公开了
一种用于使用成像装置对人类或动物身体的部分或整体进行成像的方法，所述成像装置包括：
近红外光源；
光引导部件或设备；
包括纳米晶体(例如巨壳量子点)的阵列，所述纳米晶体能够在从来自所述近红外光源的光激发时发荧光；以及
检测部件或设备，其被配置为检测所述纳米晶体所发射的光，其中所述方法包括以下步骤：
(a)将待成像的人类或动物身体的部分或整体的第一侧定位成面向所述近红外光源、所述光引导部件或设备以及所述检测部件或设备，并且将待成像的人类或动物身体的部分或整体的第二侧定位成面向包括纳米晶体的阵列；
(b)将来自所述近红外光源的近红外光经由所述光引导部件或设备引导穿过待成像的人类或动物身体的部分或整体的第一表面和第二表面，并进入包括纳米晶体的所述阵列；以及
(c)使用所述检测部件或设备检测从所述纳米晶体释放的荧光。
以上公开的方法还可以包括以下步骤：基于检测到的荧光来捕获待成像的人类或动物身体的一部分或整体的图像，该图像是散射图像。该方法还可以包括以下步骤：使用本文所述的计算机化方法来处理散射图像以增强散射图像。
如将理解的，在该方法中使用的装置可以是上文所述的成像方法。
如前所述，本文公开的纳米晶体(并且更特别地是量子点)也可以用在体内应用中。因此，还公开了一种诊断方法，包括以下步骤：
(a)向受试者(例如巨壳量子点)供给多个纳米晶体，所述纳米晶体能够在从来自近红外光源的光激发时发荧光；
(b)使所述受试者上的靶部位经受光照射；以及
(c)检测由所述纳米晶体生成的信号或该信号的缺乏以提供诊断。
可以使用能够产生以上列出的效果的任何合适的纳米晶体。更特别地，可以使用能够产生以上列出的效果的任何合适的巨壳量子点。在上文中公开了这样的量子点的示例。更特别地，量子点可以是用生物靶向剂官能化的量子点(例如，生物靶向剂可以从由叶酸和癌症特异性抗体组成的组中的一个或多于一个选择)。
该方法可以是存在如下的另一步骤的方法：基于检测到的信号来捕获靶部位的图像，该图像是散射图像。附加地或可替代地，该方法还可以使用以下步骤：使用本文所述的计算机化方法来处理散射图像以增强散射图像，从而进行诊断。
因此，在本发明的另一方面，公开了一种计算机化方法，用于处理通过经由散射介质的成像所获得的散射图像。例如，散射图像是可以作为从量子点发荧光的结果所捕获到的荧光图像。该计算机化方法包括以下步骤：
提供经训练的神经网络模型，所述经训练的神经网络模型是利用散射图像的训练数据集训练的，所述训练数据集包括关联的低分辨率图像和高分辨率图像的对，各图像包括一系列分离的带；
通过所述经训练的神经网络模型接收输入散射图像；
使用所述经训练的神经网络模型处理所述输入散射图像；以及
响应于所述输入散射图像的处理，通过所述经训练的神经网络模型生成输出图像，
其中，所述输出图像具有比所述输入散射图像更高的分辨率。
该计算机化方法还包括：对所述神经网络模型进行训练，所述训练包括：
(a)从所述训练数据集中提取关联的低分辨率图像和高分辨率图像的对；
(b)从所述低分辨率图像识别输入像素并且从所述高分辨率图像识别相应的真实输出像素；
(c)从所述低分辨率图像中选择像素簇，所述像素簇围绕所述输入像素；
(d)使用权重和偏置参数集合对像素簇中的各像素进行加权；
(e)从所述像素簇的处理生成经处理输出像素；
(f)确定所述经处理输出像素和所述真实输出像素之间的误差；
(g)反向传播所述误差以调整步骤(d)中的参数；
(h)迭代地进行步骤(d)至(g)以使所述误差最小化，
其中，最小化的误差与所述神经网络模型的优化参数集相关联。
将理解，散射介质可以是任何合适的散射介质。例如，散射介质可以是覆盖人类或动物的骨头的肉，或者散射介质可以是遮挡其后面的对象的磨砂玻璃片。
现在将通过参考以下的非限制性示例来说明本发明的更多方面和实施例。如将理解的，用于上述方面和实施例各自的确切方法可以直接或通过类比从以下示例导出。
实施例
材料
乙酸铟(99.99％)、乙酸锌(99.99％)、氯化镓(III)(99.99％)、硫(99.5％)、三辛基膦(TOP，97％)、二水合乙酸锌(99％)、氢氧化铵溶液(28至30％v/v，在水中)、巯基琥珀酸(MSA，99％)、三-对甲苯基膦(98％)、三环[5.2.1.02,6]癸烷二甲醇二丙烯酸酯(TCDDA)、多聚甲醛(PFA，试剂级)和2,2-双(羟甲基)丙酸(DMPA，98％)购自Sigma-Aldrich，并且无需进一步纯化即使用。1-十八烯(ODE，90％)购自Sigma-Aldric，并且在使用之前在圆底烧瓶(RBF)中用活化分子筛干燥并在真空下脱气30分钟。辛胺(99％)和油酸(OA，90％)这两者都购自Sigma-Aldrich，并且在使用之前在真空下脱气。3-(4,5-噻唑蓝溴化四唑(3-(4,5-Thiazolyl Blue tetrazolium bromide)(MTT)购自Alfa Aesar。三(三甲基甲硅烷基)膦(TMS3P，10％v/v，在己烷中)购自Alfa Aesar，并且通过在减压下除去己烷来浓缩。根据文献过程(Wells,R.L.等人，Inorg.Synth.1997,31,150)合成三(三甲基甲硅烷基)胂(TMS3As)。三(三甲基甲硅烷基)胂、三(三甲基甲硅烷基)膦和氯化镓(III)是自燃的，并且必须在无湿气和无氧的环境中小心地处理。丙烯酸异冰片酯(IBOA，工业级)购自Sigma-Aldrich，并且通过将IBOA与0.25wt％DMPA混合来预聚合。将如此得到的混合物脱气10分钟，然后用UV灯(365nm，46W)光聚合30秒。二甲基亚砜(DMSO，99.9％分析级)、己烷(≥98.5％高效液相色谱或HPLC级)和MitoTrackerTM Green FM购自Thermo FisherScientific，并且无需进一步纯化即使用。氯仿(99.8％分析级)和无水乙醇(99.8％分析级)购自VWR Chemicals
Figure BDA0004113444780000161
并且无需进一步纯化即使用。Roswell Park MemorialInstitute(RPMI)1640培养基购自Cytiva，并且无需进一步纯化即使用。磷酸盐缓冲盐水(PBS，超纯级)购自Vivantis，并且无需进一步纯化即使用。Hoechst 33342三盐酸盐三水合物(10mg/mL水溶液)来自Life Technologies Corporation，并且无需进一步纯化即使用。/>
分析技术
UV可见吸光度测量
通过使用海洋光学Flame-T和Flame-NIR光谱仪测量海洋光学HL-2000宽带光源的透射光强度来获得UV可见吸光度光谱。
光致发光量子效率(PLQE)测量
通过使用光谱物理(Spectra-Physics)的405nm的(100mW，CW)二极管激光器在积分球中光激发样品、并使用经校准的海洋光学Flame-T和Flame-NIR光谱仪测量吸收和PL，来获得PL光谱和PLQE。
TEM和EDX
使用以200kV进行操作的JEOL JEM-2100F场发射TEM来记录TEM图像。该系统配备有牛津仪器INCA EDX。通过将QD-OA在己烷中的溶液和QD-MSA在水中的溶液稀释、然后将溶液滴铸在铜网上，来制备TEM样品。
时间分辨光致发光(TRPL)
使用时间相关单光子计数(TCSPC)设置(Horiba FluoroLog-3分光荧光计)来获取TRPL衰变。使用典型脉冲宽度为260ps并且重复率为500kHz的438nm的纳米LED光源(HoribaNanoLed-440L)来激发样品。使用式(1)中所示的指数式来拟合PL衰变曲线，其中A是指数项的振幅，而τ是PL寿命。I是归一化PL强度，并且t是时间。
Figure BDA0004113444780000171
PLQE被定义为由式(2)给出的、辐射复合速率常数(Γr)与辐射和非辐射复合速率常数(Γnr)之和的比：
Figure BDA0004113444780000172
PL寿命可以被表示为复合速率常数之和的倒数：
Figure BDA0004113444780000173
因此，使用式(2)和(3)，我们可以计算Γr和Γnr的值：
Figure BDA0004113444780000174
Figure BDA0004113444780000175
示例1：激光扫描成像平台
在理想情况下，激光束以最小的散射和衰减穿透组织，并激发荧光QD。然后，荧光信号将横穿同样的组织厚度以到达检测器并形成图像。因此，我们已将我们的激光源和我们的QD设计成两者都在近红外(NIR)光谱区域内起作用，以利用NIR光与可见光子相比所经历的被生物组织的衰减和散射显著更低这一事实(Weissleder,R.,Nat.Biotechnol.2001,19,316-317；以及Frangioni,J.V.,Curr.Opin.Chem.Biol.2003,7,626-634)。在这里，我们报道了一种激光扫描成像平台，其采用NIR激光和高效NIR QD荧光染料来进行更大生物系统的深度成像。
如图1的(a)所示，我们的内部构建的成像设置包括面积覆盖为300×300mm2的双轴电动平移载物台。将波长为721nm且束直径<1mm的固定激光束垂直地引导到平移载物台的顶部。将具有接受825nm和875nm范围内的光子的带通滤波器的光电倍增管(PMT)固定在载物台上方以检测通过激光源激发的荧光信号。保持荧光样品的载物台被编程为以光栅方式平移，使得激光束扫描整个载物台区域。然后使用数字万用表从PMT读出的逐行信号形成了完整荧光图像。我们将激光扫描方法用于我们的成像设置，这是由于与传统的宽场荧光成像技术相比激光扫描方法的激发体积显著更小，这由于来自激光激发点之外的区域的不期望荧光信号减少而直接转换为明显改善的成像对比度和分辨率。该原理类似于共焦显微镜系统中使用的激光扫描概念，但以更大规模部署。在典型的成像实验中，我们利用装载有837nm的NIR发射QD的面板形式的荧光阵列，并应用上述黑色掩模以提供定制的荧光图案。
我们设计了两组黑色掩模，这两组黑色掩模被放置在荧光玻璃面板上方以为成像提供定制的荧光图案。一个图案包括空间上分离的垂直带，并且另一图案包括字母“NUS”。
实施例2.In(Zn)As-In(Zn)P-GaP-ZnS量子点的合成
我们使用方便的一锅连续注射方法制备了我们的NIR QD(Franke,D.等人，Nat.Commun.2016,7,12749；Wijaya,H.等人，Chem.Mater.2019,31,2019-2026；以及Wijaya,H.等人，Adv.Funct.Mater.2020,30,1906483)。
油酸In(Zn)溶液
在室温(RT)下将乙酸铟(0.25mmol,73mg)、乙酸锌(0.25mmol,46mg)和OA(1.875mmol,0.67mL)与ODE(8.5mL)混合。对圆底烧瓶(RBF)施加真空，并且将反应混合物在真空下加热30分钟至80℃。然后将反应混合物用氩气吹扫并加热至160℃，并且搅拌1小时以形成澄清溶液。随后将混合物冷却至80℃并抽真空30分钟，之后用氩气回填RBF并将油酸In(Zn)溶液冷却至RT。
In(Zn)As前驱体
在5mL的RBF中，将油酸In(Zn)溶液(0.45mL,0.0125mmol)在RT下与0.55mL的胂前驱体溶液(其由0.55mL的ODE、4.6μL的0.0125mmol的TMS3As和31μL的辛胺构成)混合。将如此得到的In(Zn)As前驱体溶液在RT下搅拌5-10分钟，之后用于注射。
In(Zn)P前驱体
在50mL的二颈RBF中，将油酸In(Zn)溶液(8.5mL,0.25mmol)在RT下与1mL的膦前驱体(其由73μL的0.25mmol的TMS3P、0.5mL的辛胺和0.5mL的ODE构成)混合。将如此得到In(Zn)P前驱体溶液在RT下搅拌10分钟，之后用于注射。
TOP-硫(TOP-S)前驱体
将硫(0.50mmol,16mg)添加到RBF中的ODE(4.5mL)中，并在80℃下抽真空30分钟。然后用氩气填充反应混合物，之后添加TOP(1.125mmol,0.52mL)以形成TOP-S前驱体。
Zn(油酸)2溶液
除了需要将Zn(油酸)2溶液加热至80℃以形成注射所用的澄清溶液以外，基于油酸In(Zn)溶液的方案来从乙酸锌(0.50mmol,91.7mg)、OA(1.125mmol,0.4mL)和ODE(以制成5mL)制备Zn(油酸)2溶液。
In(Zn)As晶种溶液
将乙酸铟(0.10mmol,30mg)、乙酸锌(0.05mmol,10mg)和OA(0.0375mmol,13.2μL)在充氩的50mL的RBF中在RT下与ODE(5mL)混合。将反应混合物抽真空并加热30分钟至80℃。然后将应混合物用氩气反充，加热至160℃并搅拌1小时以形成澄清无色溶液。之后，将反应混合物冷却至80℃并抽真空30分钟。然后用氩气填充RBF并加热至230℃。通过在惰性氩气手套箱环境下将TMS3As(0.066mmol,20μL)和辛胺(0.20mL)与ODE(以制成1mL)混合来制备胂前驱体溶液。将胂前驱体溶液经过5秒注射到在230℃的铟前驱体溶液中。在230℃下搅拌2.5小时之后，取出晶种溶液的小部分(0.37mL,0.005mmol)，并在另一三颈100mL的RBF中用干燥的ODE(2.5mL)稀释。将剩余量的In(Zn)As晶种溶液储存在氩气环境下的手套箱中以供后续使用。
InZn(As)-In(Zn)P
将稀释的In(Zn)As晶种溶液在80℃下抽真空15分钟，之后用氩气吹扫反应混合物并加热至230℃。使用注射泵以0.1mL/min的速率经过10分钟将In(Zn)As前驱体溶液(1mL)注射到在230℃的In(Zn)As晶种溶液中。将溶液再搅拌1小时以得到在～710nm处发射的In(Zn)As核。使用注射泵以0.1mL/min的速率将In(Zn)P前驱体溶液注射到在230℃的In(Zn)As反应混合物中。使温度在33分钟之后升高至240℃，并且在66分钟之后升高至250℃。在100分钟时完全注射之后，将温度升高至260℃，并将溶液再搅拌30分钟以消耗所有前驱体并完成In(Zn)P壳合成。缓慢注射过程保持反应混合物中前驱体的浓度低，并且显著抑制了In(Zn)P的不期望的副成核，同时促进厚壳的连续生长。在In(Zn)P壳合成阶段结束之前，将反应混合物冷却至240℃并持续7分钟。从反应混合物中取出反应的等分试样，并在无水己烷中稀释，以通过光学吸光度和PL测量跟踪反应进程。
In(Zn)As-In(Zn)P-GaP
在惰性氩气手套箱环境下，在充氩的RBF中将氯化镓(III)(0.125mmol,22mg)和OA(1.875mmol,0.146mL)与ODE(以制成3.75mL)混合从而得到Ga(油酸)3前驱体溶液。将Ga(油酸)3前驱体溶液搅拌并在RT下在真空下脱气2小时，直到观察到澄清的淡黄色溶液为止。使用注射泵以0.15mL/min的速率将Ga(油酸)3前驱体溶液(3.75mL)注射到在240℃的In(Zn)As-In(Zn)P反应混合物中。在25分钟时完全注射之后，将反应混合物在240℃下再搅拌25分钟以消耗所有前驱体并完成GaP壳合成。镓取代In(Zn)As-In(Zn)P上的表面铟以得到GaP夹层(Kim,S.等人，J.Am.Chem.Soc.2012,134,3804-3809)。该GaP夹层减轻了In(Zn)P和ZnS壳之间的晶格失配，并为PLQE提供了显著的增强。
In(Zn)As-In(Zn)P-GaP-ZnS量子点
使用注射泵以0.25mL/min的速率将TOP-S前驱体溶液(5mL)注射到在250℃的In(Zn)As-In(Zn)P-GaP反应混合物中。在25分钟时完全注射之后，将反应混合物在250℃下再搅拌25分钟以消耗所有前驱体。之后在260℃下使用注射泵以0.25mL/min的速率再次注射TOP-S前驱体溶液(5mL)和Zn(油酸)2溶液(5mL)。然后将反应混合物在260℃下再搅拌25分钟以消耗所有前驱体并完成ZnS壳层。使反应混合物冷却至RT。将乙醇(40mL)添加到反应混合物中以使In(Zn)As-In(Zn)P-GaP-ZnS量子点沉淀，之后将混合物以6000rpm离心5分钟。使用滴管小心地除去澄清的上层清液。将乙醇的添加和离心过程重复两次以纯化量子点。将最终沉淀物再分散在无水己烷(20mL)中并储存以供进一步使用。
实施例3.QD的表征
表征在实施例2中制备的In(Zn)As-In(Zn)P-GaP-ZnS量子点(QD-OA)。
结果和讨论
我们的新的NIR发射In(Zn)As-In(Zn)P-GaP-ZnS量子点(图1的(b))具有75％的显著高的PLQE。图1的(c)中的In(Zn)As-In(Zn)P-GaP-ZnS量子点的PL光谱在837nm处表现出FWHM为110nm的峰发射。QD跨从400nm到800nm的宽光谱范围强烈地吸收，因此允许激发激光源的多样选择，甚至进入NIR区域。考虑到QD的高PLQE，与QD有关的TRPL测量(图1的(d)和表1)揭示了可归因于辐射复合过程的主要单指数PL衰减。关键的是，观察到59ns的超短PL寿命，这对于激光扫描荧光成像方法是非常有价值的。短的PL寿命表明成像速度仅受激光扫描和数据获取速度(这两者分别由现代振镜系统和数据获取仪器容易实现)的限制。这与拥有超过数百微秒的长发射寿命的基于掺杂剂的NIR磷光体或镧系元素上转换发射体相反(Lu,Y.等人，Nat.Photonics 2013,8,32；以及Chen,G.等人，ACS Nano 2012,6,8280-8287)。
表1.总结所计算出的QD-OA的PL寿命参数的表。Γr和Γnr的值是使用以上示出的式(5)计算的。
Figure BDA0004113444780000221
QD的透射电子显微镜(TEM)图像(图1的(e))揭示了具有均匀尺寸分布和6.6nm的平均尺寸的不规则形状的QD(图2)。我们通过能量色散X射线光谱法(EDX)测量了QD的元素组成，并在图1的(f)中将结果制成表格。我们的QD显示出主要位于内核的具有仅2.3原子％的低As含量，并证实了使用我们的合成方法成功实现了巨壳设计。
实施例4.QD-树脂荧光玻璃面板的制作
为了测试实施例1中的我们的设置的成像功能，我们通过将(在实施例2中制备的)NIR发射QD在UV可固化树脂中的分散体浇铸到透明的硼硅酸盐玻璃板上、之后在365nm的UV照射下光固化QD-树脂，来制备荧光玻璃面板。
QD-树脂包括QD在IBOA单体和TCDDA交联剂中的均匀分散体。为了合成QD-树脂，将15mL的QD溶液在乙醇中以10000rpm离心5分钟。除去上层清液并将固体再分散在氯仿(5mL)中。向溶液添加三-对甲苯基膦(600μL,100mg/mL，在氯仿中)并搅拌30分钟。将溶剂真空蒸发并将如此得到的固体再分散于IBOA(500μL)中。顺次添加预聚合的IBOA(5mL，粘度：～1700cP)和TCDDA(2.25mL)，并在每次添加之间将反应混合物搅拌10分钟。最后，添加自由基光引发剂DMPA(37.5mg,0.5wt％)，并将反应混合物搅拌3小时以形成澄清且均匀的QD-树脂混合物(粘度：～1100cP)。然后使用涂膜器将如此得到的树脂混合物涂覆到透明玻璃(的16×16cm2，厚度0.6mm)上，以实现均匀的200μm厚的膜(图3)。将膜最后使用SpectrolinkerTMXL-1500以144 000μJ/cm2光固化64秒。
示例5.产生荧光图案的成像实验
我们使用所设计的两组掩模来与(在示例4中制备的)QD树脂荧光面板耦接以在成像实验中产生荧光图案。
结果和讨论
图4的(a)示出使用Canon EOS M100照相机拍摄到的在环境照明下的荧光面板的图像、以及使用我们的激光扫描成像设置获取到的荧光图像。在荧光板上可以观察到轻微的水平带，因为我们的成像设置足够灵敏以通过手动涂膜器拾取涂层中的微小不均匀性。然后，将所设计的两组掩模与荧光面板耦接以产生荧光图案。在图4的(b)中示出掩模图案和相应的荧光图像。为了确定不同组织深度处的成像分辨率，设计了具有2、4、6、…、18mm的递增的间隔的垂直带掩模。
示例6.成像实验所用的真实猪腰肉组织
为了更好地模拟实际动物组织的组成复杂性，我们使用真实猪腰肉组织来进行我们的成像实验，而不是更常用的合成组织模型。将具有受控厚度的猪腰肉组织的层在荧光图案上方连续放置以模拟深层组织环境中的荧光，并使用我们的激光扫描成像设置来获取图像。如图5的(a)所示，将猪腰肉组织薄切片以得到2mm的层，并递增地堆叠在掩模图案上以得到多达总共8层(16mm)。
结果和讨论
图5的(a)示出被猪腰肉组织的薄切片覆盖的荧光图案的成像结果。如所预期的，在覆盖的组织厚度仅为2mm的情况下，掩模图案在可见光照相机成像下几乎看不出来，并且在超出2mm的情况下完全不可区分。相比之下，通过我们的激光扫描设置获取到的(在标记为“原始”的列中的)NIR荧光图像在超过10mm的组织厚度处表现出掩模图案的明显特征。尽管荧光图像由于在更大组织深度处的散射增加而变得更模糊，但高达16mm仍可以识别出垂直带和“NUS”字母的广泛特征。我们使用13mm的猪皮(图5的(b))重复成像实验以模拟非侵入性体内动物研究，其中通过皮肤进行光致激发，并且在类似组织厚度处观察到改善的成像结果。这有可能是由于猪皮组织的更均匀组成，因此导致光散射减少。
为了比较的目的，我们还使用利用720nm长通滤光器修改的Canon 200DDSLR照相机进行了宽视场(FOV)荧光成像，并使用634nm的红色LED作为毯式照明激发源。如图6所示，荧光图案仅对于高达6mm的组织厚度是可区分的。荧光信号很快被从更大厚度处的猪肉组织散射的光淹没。因此，该对照实验已表明，与传统成像方法相比，我们的激光扫描方法确实可以提供显著改善的成像深度。
示例7.用以增强荧光成像结果的机器学习方法
我们试图通过使用新的机器学习方法处理图像来进一步增强我们的荧光成像结果。广泛的想法涉及向机器学习算法提供散射图像和清晰图像，并对机器进行训练以将将来的散射图像处理成更清晰的图像。
在一些实施例中，使用诸如神经网络模型等的经训练的机器学习模型来处理散射图像(诸如荧光图像等)。图7的(a)示出用于处理散射图像的神经网络模型的示例。神经网络模型在包含一个或多于一个处理器的计算装置上操作。计算装置可以包括个人计算机、膝上型计算机、服务器、移动装置等。神经网络模型不限于任何软件平台或编程语言，并且可以使用任何数量的已知平台和/或语言来执行神经网络模型。
存在用于使用预先训练的神经网络模型来处理散射图像的计算机实现的或计算机化的方法。该方法包括提供经训练的神经网络模型的步骤，该经训练的神经网络模型是利用散射图像的训练数据集训练的，该训练数据集包括关联的低分辨率图像和高分辨率图像的对，各图像包括一系列空间上分离的带。对于各相关联的图像对，存在相同样品或感兴趣区域的低分辨率图像和高分辨率图像。低分辨率图像是散射或模糊图像，并且高分辨率图像具有清晰对比度。高分辨率图像至少在空间分辨率、对比度、清晰度和信噪比中的一个或多于一个方面优于低分辨率图像。
该神经网络模型包括多个层，这多个层包括输入层、零个或多于零个隐藏层、以及输出层，各层具有用于处理数据的相应神经元集合。输入层被配置用于从外部源接收输入数据，经由其神经元进行计算，并将结果发送到后续层上。输出层被配置用于接收来自先前层的输入(包括输入层处的经处理的输入数据)，经由其神经元进行计算，并生成最终输出数据。可选地，神经网络模型包括驻留在输入层和输出层之间的至少一个隐藏层。如图7的(a)所示，神经网络模型具有两个隐藏层。第一隐藏层使用相应的权重和偏置参数集合来处理输入数据，并将结果输出到第二隐藏层。第二隐藏层类似地使用相应的权重和偏置参数集合进行处理，并输出到输出层。输出层接收来自第二隐藏层的输入并生成最终输出数据。
该方法包括以下步骤：通过经训练的神经网络模型(在输入层处)接收输入散射图像，使用经训练的神经网络模型(在隐藏层处)处理输入散射图像，以及响应于输入散射图像的所述处理，通过经训练的神经网络模型(在输出层处)生成输出图像。输出图像具有比输入散射图像更高的分辨率。用低分辨率图像和高分辨率图像的训练数据集训练神经网络模型使得神经网络模型能够将随后的低分辨率图像处理成高分辨率图像。例如，输入图像具有低分辨率(例如，散射/模糊)，并且经训练的神经网络模型通过对图像进行去散射并改善对比度和清晰度来将图像增强为高分辨率图像。输出图像可以被称为去散射图像。
神经网络模型最初通过可以利用各种方法获取到的散射图像的训练数据集来训练。例如，散射图像是通过本文所述的近红外激光扫描激发和高效量子点光致发光方法获取到的荧光图像。可以预先训练神经网络模型，或者该方法可以包括对神经网络模型进行训练。
参考图7的(b)，训练包括：步骤(a)，用于从训练数据集中提取关联的低分辨率图像和高分辨率图像的对；步骤(b)，用于从低分辨率图像中识别输入像素并从高分辨率图像中识别相应的真实输出像素；以及步骤(c)，用于从低分辨率图像中选择像素簇，该像素簇围绕输入像素。从来自低分辨率图像的像素簇中选择输入层。
训练还包括：步骤(d)，用于利用权重和偏置参数集合对像素簇中的各像素进行加权。具体地，各层将各像素的值乘以相应的权重参数并加上相应的偏置参数，并将结果值发送到下一层。在一些实施例中，步骤(d)包括：对各像素连续加权至少两次。例如，如图7的(a)所示，对像素加权三次(在输入层处一次并且在两个隐藏层处两次)。
训练还包括：步骤(e)，用于从像素簇的所述加权生成经处理输出像素。值得注意的是，如图7的(b)所示，通过对围绕与输出像素相对应的输入像素的像素簇进行处理来生成单个输出像素。其原因是，对于荧光图像，任一点(像素)处的荧光强度将在光散射期间在区域(像素簇)上扩散，因此可以通过从足够大的散射图像库学习来反向导出。步骤(e)可以包括：(在输出层处)从像素簇的所述加权生成原始输出像素，并且使用逻辑函数从原始输出像素生成经处理输出像素(作为最终输出值)。各最终输出值表示经处理图像上的单个像素。
训练还包括：步骤(f)，用于确定经处理输出像素与来自相应的高分辨率图像的真实输出像素之间的误差。可以使用监督批量学习方法将误差计算为损失函数，并且误差可以包括经处理输出像素的值与真实输出像素的值之间的均方误差。
训练还包括：步骤(g)，用于使用合适的反向传播算法来反向传播误差，以调整步骤(d)中的参数。利用经调整的权重和偏置参数集合，再次处理来自低分辨率图像的像素，以由此重新生成经处理输出像素。训练还包括：步骤(h)，用于迭代地进行步骤(d)至(g)以使误差最小化，由此提高经处理输出像素的准确度。例如，训练包括使用梯度下降函数来调整参数并使误差(损失函数)最小化。梯度下降函数是用于确定使训练图像的成本函数最小化的参数的优化算法。梯度下降函数涉及前向传播输入、反向传播误差以及调整参数直到确定优化参数集合为止的多次迭代。可以首先随机选择参数，然后迭代地处理参数，直到这些参数被优化为止。
因此，迭代处理使误差最小化，并且最小化的误差与神经网络模型所用的优化参数集合相关联。此外，训练包括针对训练数据集中的各相关联的图像对来重复步骤(a)至(h)，由此完成神经网络模型的训练。然后可以使用优化的权重和偏置参数来将随后的低分辨率图像处理并增强为高分辨率图像。
结果和讨论
如图6所示，使用两个低分辨率散射图像(荧光图像)集合来测试经训练的神经网络模型。低分辨率输入图像被标记为“原始”，并且经处理输出图像被标记为“经处理”。第一图像集合具有空间上分离的带(示出为垂直带)，并且第二图像集合具有字母“NUS”。使用放置在荧光玻璃面板上的两个黑色掩模(如图4的(b)所示)来创建图像，以提供成像所用的定制荧光图案。第一黑色掩模具有空间上分离的垂直带，并且第二黑色掩模具有字母“NUS”。另外，第一掩模具有被设计成具有2、4、6、…、18mm的递增间隙的垂直带、或者具有确定在不同组织成像深度处的成像分辨率的目的。图像处理的结果表明，经训练的神经网络模型在改善低分辨率图像的整体质量和清晰度方面非常成功，即使在诸如字母“NUS”等的更复杂的图案中也是如此。
此外，对于第一图像集合，为了更好地量化图像的分辨率，分析了两个分离带不再能够彼此区分的间隙距离。如图7的(c)所示，原始图像的间隙距离高于经处理图像的间隙距离。这表明经处理图像具有比原始图像改善且更精细的分辨率。值得注意的是，分辨率提高了约两倍。
如上所述，用于对神经网络模型进行训练的训练数据集中的各图像包括一系列空间分离的带。这些带可以在任何方向上(诸如垂直地等)取向。训练所用的低分辨率和高分辨率图像中的空间分离的带帮助神经网络模型识别和分辨不同间隙距离处的特征。如上面的结果所证明的，这提高了经训练的神经网络模型处理和增强低分辨率图像的能力。即使使用具有空间上分离的带的图像来进行训练，经训练的神经网络模型也同样能够解析“NUS”字母上的特征。这样的通用性使得能够采用经训练的神经网络模型来增强广泛范围的散射图像，这些散射图像包括观察到散射问题的荧光图像。
通过实现经训练的神经网络模型，可以增强成像分辨率，这为使用机器学习来增强高散射介质中的成像质量铺平了有前途的道路。作为示例，经训练的神经网络模型可以用于处理隐藏在散射介质(诸如磨砂玻璃等)后面的物品的低质量图像。经训练的神经网络模型能够增强穿过散射介质的光信息，并提高物品的图像的质量和分辨率。通过经训练的神经网络模型的图像增强还可能对如何有效地修复具有显著模糊的将来图像具有深远的影响。经训练的神经网络模型可以与用于荧光成像的激光扫描方法组合，以开发用于在更大的动物模型或人体组织中进行非侵入性深度成像的低成本但强大的方法。
示例8.动物身体和成人手掌的成像
我们推断，在大于10mm的组织深度处解析毫米级特征的能力足以在动物身体或人体的截面上(例如，通过手掌)进行成像功能。
在新的实验中，我们分别放置一排猪肋骨(厚度为20mm)和将成人手掌放置在荧光QD面板上，并用我们的设置进行激光扫描成像。我们注意到，在721nm的非电离NIR波长处的温和的200mW/mm2的CW激光辐照度特别是在快速扫描穿过对象时，不会对皮肤或组织造成损害。
结果和讨论
图8的(a)和(b)分别示出在荧光QD面板上方获取到的猪肋骨和人类手掌的荧光图像。在图像的这两个集合中，浅色区域示出在组织内深处的骨的相当明显的特征。我们推断骨结构的成像是可能的，因为更致密的骨比软组织更显著地衰减激光激发，因此阻挡了QD板中的荧光的激光激发。这一令人惊讶的发现标志着朝向使用温和NIR辐射对人体中的骨结构进行成像的重要步骤，并且可以潜在地应用于患者的临床X射线前筛查(例如，在儿科护理中)。
通过使用激光扫描激发和部署人工神经网络来进行图像处理，我们已表明，可以在宽FOV上在动物组织的厚切片上容易地实现深度成像性能。我们预期我们的方法可以为现有的体内荧光成像和断层扫描技术提供显著的改进，并且可以用作临床前免疫治疗或靶向治疗研究所用的强大的新研究平台。
实施例9.MSA封端QD(QD-MSA)溶液
在测试QD对HeLa细胞的细胞毒性之前，进行配体交换步骤以经由相转移法用亲水性MSA配体替换疏水性OA配体(图9的(a))(Yong,K.-T.等人，ACS Nano 2009,3,502-510；以及Bharali,D.J.等人，J.Am.Chem.Soc.2005,127,11364-11371)。
使用旋转蒸发器干燥(在示例2中制备的)2mL的分散在己烷中的In(Zn)As-In(Zn)P-GaP-ZnS量子点并再分散在氯仿(2mL)中。在20mL的玻璃小瓶中，将MSA(300mg,2mmol)在氯仿(5mL)中搅拌15分钟直至形成悬浮液为止。然后将2mL的在氯仿中的QD快速添加到MSA悬浮液，并将反应混合物在空气中剧烈搅拌。在搅拌1分钟之后，添加氢氧化铵溶液(28-30％v/v,在水中，0.5mL)，并连续搅拌另外3小时。然后将QD用乙醇(10mL)在15mL的离心管中沉淀，并以10000rpm离心5分钟。丢弃上层清液，并将残余物分散在去离子水(1.5mL)中，之后在乙醇(10.5mL)中沉淀并以10000rpm离心5分钟。将涉及乙醇添加、离心和水分散的纯化过程重复两次。在第三次离心之后，将残余物在真空下干燥1.5小时并分散在去离子水中以获得30mg/mL的物质浓度。将浓缩的QD-MSA溶液过滤通过0.45μm的亲水性注射器式滤器进入干净的2mL小瓶中，并储存在冰箱中以供随后使用和表征。
实施例10.QD-MSA的表征和稳定性
表征在实施例9中制备的QD-MSA。还评估了QD-MSA的稳定性以验证我们的NIR QD用于生物成像应用的适用性。
动态光散射(DLS)测量
使用动态光散射分子尺寸分析仪(使用He-Ne 633nm的激光器的Zetasizer NanoZS)估计MSA封端QD在水中的流体动力学尺寸分布(按体积计)和zeta(ζ)电位。首先将MSA封端QD溶液在去离子水中稀释到1.5mgmL-1的浓度，之后使其过滤通过0.45μm的亲水性注射器式过滤膜以除去任何残留的尘粒。之后，测量尺寸分布和ζ电位。
稳定性研究
QD-OA可溶于己烷，而QD-MSA可溶于水。将QD-OA(1mL，在实施例2中制备)与去离子水(1mL)在2mL小瓶中混合，将QD-MSA(1mL，在实施例9中制备)与己烷(1mL)在另一2mL小瓶中混合。随着溶液混合物沉降，QD-OA保留在己烷相中，而QD-MSA保留在水相中。
光稳定性研究
使QD-MSA(1.5mg/mL，在水中，在1cm路径长度比色皿中，吸光度36％)经受连续激光照射(30mW,405nm)3小时。按定时间隔获取PL光谱，并将825nm处的峰强度相对于时间标绘。
结果和讨论
亲水性QD-MSA在水中高度稳定，因为水相在室温下至少1个月保持透明和均匀而没有任何沉淀或聚集(图9的(b))。对配体交换的In(Zn)As-In(Zn)P-GaP-ZnS量子点的DLS测量揭示了在水中的8.6nm的平均流体动力学尺寸(图9的(c))，其略大于TEM观察到的尺寸(6.4nm，图10)，这是由于MSA配体配位区域(ligand coordination sphere)的贡献。在DLS测量中没有观察到更大QD附聚物的迹象，这证实了它们在水中的高胶体稳定性。-15mV的平均ζ电位还确定了当分散在水中时，QD表面被MSA配体的带负电荷的羧酸酯(-COO-)尾部覆盖。
图9的(d)所示的光谱表明，除了可能是由于介电环境的变化而引起的从837nm到828nm的小的PL蓝移之外，在配体交换和相转移之后PL特性得到很大程度的保留。尽管PLQE在相转移之后从75％略微降低至60％，但值得注意的是，与其他低毒性NIR QD(诸如CuInS2-ZnS(75％到相转移之后的39％)和InAs-InP-ZnSe(32％到相转移之后的21％)(Xia,C.等人，Chem.Mater.2017,29,4940-4951；以及Xie,R.等人，Nano Res.2008,1,457-464)等)相比，PLQE中的衰减显著较不明显。我们将PL性能的良好保持归因于厚钝化壳层，其用于减少否则将促进非辐射复合路径的缺陷的发生。在水中60％的NIR PLQE也远远超过其他市售NIR染料(诸如吲哚菁绿(在818nm处为13％)和IR-140(在843nm处为17％)(Rurack,K.&Spieles,M.,Anal.Chem.2011,83,1232-1242)等)的性能。我们进一步测试了MSA封端QD的光稳定性，并且在环境条件下在三小时的405nm(30mW)激光光致激发之后观察到PL强度的可忽略的1％衰减(图9的(e))和光谱特征没有变化(图11)，由此证明了其预期生物成像应用的稳健光稳定性。
表2.总结所计算出的QD-MSA的PL寿命参数的表。Γr和Γnr的值是使用以上示出的式(5)计算的。
Figure BDA0004113444780000311
实施例11.QD-MSA的体外研究
为了进一步验证我们的NIR QD对于生物成像应用的适用性，我们使用荧光共焦显微镜对人类宫颈癌HeLa细胞进行了体外研究。
HeLa细胞培养和共焦成像
HeLa细胞在5％ CO2的湿润气氛下在维持于37℃的生长培养基(RPMI1640)中培养。通过共焦显微镜使QD的细胞成像可视化。将HeLa细胞在生长培养基中以100×103个细胞/孔的密度接种到6孔培养板中的盖玻片上。在24小时之后，用含有0.5mg/mL或1.0mg/mL的QD-MSA的新鲜RPMI替换培养基，并再孵育24小时。之后，吸出含有QD的培养基，并将细胞在培养箱中在RPMI中用1μg/mL Hoechst(核染料)和500nM Mito-Tracker Green(线粒体染料)各自染色15分钟。然后将细胞用PBS冲洗两次，并在RT下用2％ PFA固定5分钟。在用PBS冲洗另一轮之后，将盖玻片上的细胞安装在显微镜载玻片上，并在对于Hoechst和QD的405nm的激光激发(1.5mW)且对于MitoTracker Green的488nm(2.4mW)的情况下使用共焦显微镜(Olympus FV1000)成像。在3个带通检测器通道(蓝色(430–470nm)、绿色(505–525nm)和红色(>650nm))中收集共焦图像。
MTT细胞活力测定
MTT细胞活力测定用于确定QD对HeLa细胞的细胞毒性。简言之，通过将MTT以5mg/mL溶解在PBS中、过滤灭菌(filter-sterilized)并在4℃下避光储存直至进一步使用为止，来制备MTT储备溶液。将细胞以每孔在100μL生长培养基中6×103个细胞的密度接种在透明平底96孔培养板上。在24小时之后，用100μL/孔的含有不同浓度的QD(15μgmL-1至1mgmL-1)的新鲜RPMI替换培养基，并再孵育24小时。之后，吸出含QD的培养基并用100μl/孔的MTT溶液(用RPMI稀释至0.5mg/ml)补充并孵育50分钟。然后吸出MTT溶液并添加DMSO(100μL/孔)以溶解所形成的深蓝色晶体。通过使用酶标仪测量570nm处的吸光度来确定细胞活力，并将其表示为未处理的对照孔的百分比。
结果和讨论
将水中的MSA封端亲水性NIR QD与HeLa细胞(在RPMI 1640培养基中的0.5mgmL-1和1mgmL-1QD-MSA)一起孵育24小时，之后在对于Hoechst和QD的405nm的激光激发以及对于MitoTracker Green的488nm的激光激发的情况下通过荧光共焦显微镜成像。在图12的(a)中，可视化的HeLa细胞在激光激发下表现出明亮的发光，从而清楚地划分了Hoechst染色的细胞核(蓝色)、MitoTracker Green染色的线粒体(绿色)和NIR QD(红色)。我们还获得了无QD-MSA孵育的HeLa细胞的图像作为对照，并且红色通道中不存在任何NIR荧光确定了NIR发光是由于QD-MSA而不是由于细胞自发荧光引起的。注意到，由于NIR QD-MSA在水中的高PLQE，在1.5mW的低激光激发下获得高对比度荧光图像。如针对其他非官能化纳米材料所报道的(Mao,Z.,Zhou,X.&Gao,C.,Biomater.Sci.2013,1,896-911)，合并的荧光图像和染色图案表明，我们的水溶性QD-MSA主要定位在细胞质空间内，可能在内体体内(endosomalbodies)。我们进一步注意到，MSA配体的羧酸酯(-COO-)尾可以容易地用诸如叶酸等的其他生物缀合剂和其他癌症特异性抗体官能化，以促进特定细胞器中受体介导的选择性摄取用于靶向生物成像和标记(Quarta,A.等人，Langmuir 2009,25,12614-12622；Yong,K.-T.等人，ACS Nano 2009,3,502-510；以及Bharali,D.J.等人，J.Am.Chem.Soc.2005,127,11364-11371)。我们的QD还表现出低细胞毒性(图12的(b))，在以从15μgmL-1到1mgmL-1的不同浓度与NIR QD-MSA孵育24小时之后具有超过98％的细胞活力。
总之，(在实施例10中所述的)生理条件下的高PLQE和强稳定性与低细胞毒性结合，验证了我们的MSA封端NIR QD染料作为从深层组织到体外和体内应用的不同平台上的高对比度生物成像的突出候选。与我们的人工神经网络增强的激光扫描成像技术的深度成像性能组合，这可以成为用于推动癌症免疫治疗和靶向治疗所用的药物的发现的强大研究平台。

Claims (24)

1.一种计算机化方法，用于处理通过经由散射介质的成像所获得的散射图像，所述计算机化方法包括：
提供经训练的神经网络模型，所述经训练的神经网络模型是利用散射图像的训练数据集训练的，所述训练数据集包括关联的低分辨率图像和高分辨率图像的对，各图像包括一系列分离的带；
通过所述经训练的神经网络模型接收输入散射图像；
使用所述经训练的神经网络模型处理所述输入散射图像；以及
响应于所述输入散射图像的处理，通过所述经训练的神经网络模型生成输出图像，
其中，所述输出图像具有比所述输入散射图像更高的分辨率。
2.根据权利要求1所述的计算机化方法，还包括：对所述神经网络模型进行训练，所述训练包括：
(a)从所述训练数据集中提取关联的低分辨率图像和高分辨率图像的对；
(b)从所述低分辨率图像识别输入像素并且从所述高分辨率图像识别相应的真实输出像素；
(c)从所述低分辨率图像中选择像素簇，所述像素簇围绕所述输入像素；
(d)使用权重和偏置参数集合对像素簇中的各像素进行加权；
(e)从所述像素簇的处理生成经处理输出像素；
(f)确定所述经处理输出像素和所述真实输出像素之间的误差；
(g)反向传播所述误差以调整步骤(d)中的参数；
(h)迭代地进行步骤(d)至(g)以使所述误差最小化，
其中，最小化的误差与所述神经网络模型的优化参数集相关联。
3.根据权利要求2所述的计算机化方法，所述训练还包括：针对所述训练数据集中的各关联的图像对来重复步骤(a)至(h)。
4.根据权利要求2或3所述的计算机化方法，其中，步骤(d)包括：对各像素连续加权至少两次。
5.根据权利要求2至4中任一项所述的计算机化方法，其中，步骤(e)包括：
从所述像素簇的处理生成原始输出像素；
使用逻辑函数处理所述原始输出像素；以及
从所述原始输出像素的处理生成所述经处理输出像素。
6.根据权利要求2至5中任一项所述的计算机化方法，其中，步骤(g)是使用梯度下降函数进行的。
7.根据权利要求2至6中任一项所述的计算机化方法，其中，所述误差包括均方误差。
8.根据权利要求2至7中任一项所述的计算机化方法，其中，所述散射图像是荧光图像。
9.一种用于使用成像装置对人类或动物身体的部分或整体进行成像的方法，所述成像装置包括：
近红外光源；
光引导部件或设备；
包括纳米晶体的阵列，所述纳米晶体能够在从来自所述近红外光源的光激发时发荧光；以及
检测部件或设备，其被配置为检测所述纳米晶体所发射的光，其中所述方法包括以下步骤：
(a)将待成像的人类或动物身体的部分或整体的第一侧定位成面向所述近红外光源、所述光引导部件或设备以及所述检测部件或设备，并且将待成像的人类或动物身体的部分或整体的第二侧定位成面向包括纳米晶体的阵列；
(b)将来自所述近红外光源的近红外光经由所述光引导部件或设备引导穿过待成像的人类或动物身体的部分或整体的第一表面和第二表面，并进入包括纳米晶体的所述阵列；以及
(c)使用所述检测部件或设备检测从所述纳米晶体释放的荧光。
10.根据权利要求9所述的方法，还包括以下步骤：基于检测到的荧光来捕获待成像的人类或动物身体的部分或整体的图像，所述图像是散射图像。
11.根据权利要求10所述的方法，还包括以下步骤：使用根据权利要求1至8中任一项所述的计算机化方法来处理所述散射图像，以增强所述散射图像。
12.根据权利要求9至11中任一项所述的方法，其中，在所述成像装置中：
(a)所述近红外光源是能够发射近红外波长处的光的激光器；以及/或者
(b)所述光引导部件或设备包括镜；以及/或者
(c)包括巨壳量子点的所述阵列被定位在可移动平台上，使得所述阵列相对于所述近红外光源能够移动、以及/或者来自所述近红外光源的光束相对于所述阵列能够移动；以及/或者
(d)所述检测部件或设备还包括成像设备，可选地其中，所述检测部件或设备还包括成像处理单元。
13.根据权利要求9至11中任一项所述的方法，其中，在所述成像装置中，能够在从来自所述近红外光源的光激发时发荧光的所述纳米晶体是具有下式的巨壳量子点：
In(Zn)As-In(Zn)P-GaP-ZnS
其中：
In(Zn)As是所述量子点的核；
In(Zn)P是所述巨壳；
GaP表示In(Zn)P和ZnS之间的夹层壳；以及
ZnS表示所述量子点的外层壳。
14.根据权利要求13所述的方法，其中，所述量子点是以下项中的一个或多于一个适用的量子点：
(a)ZnS外层包括ZnS以及疏水性有机化合物或亲水性有机化合物，可选地其中所述疏水性有机化合物是油酸，可选地其中所述亲水性有机化合物是巯基琥珀酸，还可选地其中所述亲水性有机化合物用生物靶向剂官能化，例如所述生物靶向剂能够选自由叶酸和癌症特异性抗体组成的组中的一个或多于一个；
(b)所述量子点在从820到850nm、诸如从828到837nm等、诸如828nm或837nm等处显示发射峰；以及/或者
所述量子点显示从20到100ns、诸如从30到70ns等、诸如从40到60ns等、诸如59ns等的光致发光寿命；以及/或者
所述量子点吸收在波长从400到800nm处的光；以及/或者
所述量子点显示从60％到75％的光致发光量子效率；
(c)所述量子点具有根据透射电子显微镜的从6到7nm、诸如6.6nm等的平均尺寸；以及/或者
所述量子点具有从8到9nm、诸如8.6nm等的平均流体动力学尺寸；以及
(d)所述量子点中的原子百分比如下：In为从35％到45％；As为从1％到5％；P为从25％到35％；Zn为从5％到10％；Ga为从5％到9％；以及S为从8％到15％，可选地其中，所述量子点中的原子百分比如下：In为从39.7％到39.8％；As为从2.2％到2.3％；P为从31.3％到31.4％；Zn为从8.5％到8.6％；Ga为从7.5％到7.6％；以及S为从10.3％到10.4％。
15.一种成像装置，包括：
近红外光源；
光引导部件或设备；
包括纳米晶体的阵列，所述纳米晶体能够在从来自所述近红外光源的光激发时发荧光；以及
检测部件或设备，其被配置为检测所述纳米晶体所发射的光。
16.根据权利要求15所述的成像装置，其中，
(a)所述近红外光源是能够发射近红外波长处的光的激光器；以及/或者
(b)所述光引导部件或设备包括镜；以及/或者
(c)包括纳米晶体的所述阵列被定位在可移动平台上，使得所述阵列相对于所述近红外光源能够移动、以及/或者来自所述近红外光源的光束相对于所述阵列能够移动。
17.根据权利要求15或16所述的成像装置，其中，所述检测部件或设备还包括成像设备，可选地其中，所述检测部件或设备还包括成像处理单元。
18.根据权利要求15至17中任一项所述的成像装置，其中，在所述成像装置中，能够在从来自所述近红外光源的光激发时发荧光的所述纳米晶体是具有下式的巨壳量子点：
In(Zn)As-In(Zn)P-GaP-ZnS
其中：
In(Zn)As是所述量子点的核；
In(Zn)P是所述巨壳；
GaP表示In(Zn)P和ZnS之间的夹层壳；以及
ZnS表示所述量子点的外层壳。
19.根据权利要求18所述的成像装置，其中，所述量子点是以下项中的一个或多于一个适用的量子点：
(a)ZnS外层包括ZnS以及疏水性有机化合物或亲水性有机化合物，可选地其中所述疏水性有机化合物是油酸，可选地其中所述亲水性有机化合物是巯基琥珀酸，还可选地其中所述亲水性有机化合物用生物靶向剂官能化，例如所述生物靶向剂能够从由叶酸和癌症特异性抗体组成的组中的一个或多于一个选择；
(b)所述量子点在从820到850nm、诸如从828到837nm等、诸如828nm或837nm等处显示发射峰；以及/或者
所述量子点显示从20到100ns、诸如从30到70ns等、诸如从40到60ns等、诸如59ns等的光致发光寿命；以及/或者
所述量子点吸收在波长从400到800nm处的光；以及/或者
所述量子点显示从60％到75％的光致发光量子效率；
(c)所述量子点具有根据透射电子显微镜的从6到7nm、诸如6.6nm等的平均尺寸；以及/或者
所述量子点具有从8到9nm、诸如8.6nm等的平均流体动力学尺寸；以及
(d)所述量子点中的原子百分比如下：In为从35％到45％；As为从1％到5％；P为从25％到35％；Zn为从5％到10％；Ga为从5％到9％；以及S为从8％到15％，可选地其中，所述量子点中的原子百分比如下：In为从39.7％到39.8％；As为从2.2％到2.3％；P为从31.3％到31.4％；Zn为从8.5％到8.6％；Ga为从7.5％到7.6％；以及S为从10.3％到10.4％。
20.一种诊断方法，包括以下步骤：
(a)向受试者供给多个纳米晶体，所述纳米晶体能够在从来自近红外光源的光激发时发荧光；
(b)使所述受试者上的靶部位经受光照射；以及
(c)检测由所述纳米晶体生成的信号或该信号的缺乏以提供诊断。
21.根据权利要求20所述的方法，还包括以下步骤：基于检测到的信号来捕获所述靶部位的图像，所述图像是散射图像。
22.根据权利要求20或21所述的方法，还包括以下步骤：使用根据权利要求1至8中任一项所述的计算机化方法来处理所述散射图像，以增强所述散射图像从而进行诊断。
23.根据权利要求20至22中任一项所述的方法，其中，在所述成像装置中，能够在从来自所述近红外光源的光激发时发荧光的所述纳米晶体是具有下式的巨壳量子点：
In(Zn)As-In(Zn)P-GaP-ZnS
其中：
In(Zn)As是所述量子点的核；
In(Zn)P是所述巨壳；
GaP表示In(Zn)P和ZnS之间的夹层壳；以及
ZnS表示所述量子点的外层壳。
24.根据权利要求23所述的方法，其中，所述量子点是以下项中的一个或多于一个适用的量子点：
(a)ZnS外层包括ZnS以及疏水性有机化合物或亲水性有机化合物，可选地其中所述疏水性有机化合物是油酸，可选地其中所述亲水性有机化合物是巯基琥珀酸，还可选地其中所述亲水性有机化合物用生物靶向剂官能化，例如所述生物靶向剂能够从由叶酸和癌症特异性抗体组成的组中的一个或多于一个选择；
(b)所述量子点在从820到850nm、诸如从828到837nm等、诸如828nm或837nm等处显示发射峰；以及/或者
所述量子点显示从20到100ns、诸如从30到70ns等、诸如从40到60ns等、诸如59ns等的光致发光寿命；以及/或者
所述量子点吸收波长为从400nm到800nm的光；以及/或者
所述量子点显示从60％到75％的光致发光量子效率；
(c)所述量子点具有根据透射电子显微镜的从6到7nm、诸如6.6nm等的平均尺寸；以及/或者
所述量子点具有从8到9nm、诸如8.6nm等的平均流体动力学尺寸；以及
(d)所述量子点中的原子百分比如下：In为从35％到45％；As为从1％到5％；P为从25％到35％；Zn为从5％到10％；Ga为从5％到9％；以及S为从8％到15％，可选地其中，所述量子点中的原子百分比如下：In为从39.7％到39.8％；As为从2.2％到2.3％；P为从31.3％到31.4％；Zn为从8.5％到8.6％；Ga为从7.5％到7.6％；以及S为从10.3％到10.4％。
CN202180057367.5A 2020-06-05 2021-06-04 通过激光扫描激发的深度荧光成像和人工神经网络处理 Pending CN116322480A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
SG10202005338X 2020-06-05
SG10202005338X 2020-06-05
PCT/SG2021/050321 WO2021246968A1 (en) 2020-06-05 2021-06-04 Deep fluorescence imaging by laser-scanning excitation and artificial neural network processing

Publications (1)

Publication Number Publication Date
CN116322480A true CN116322480A (zh) 2023-06-23

Family

ID=78831699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180057367.5A Pending CN116322480A (zh) 2020-06-05 2021-06-04 通过激光扫描激发的深度荧光成像和人工神经网络处理

Country Status (4)

Country Link
US (1) US20230210377A1 (zh)
EP (1) EP4162406A1 (zh)
CN (1) CN116322480A (zh)
WO (1) WO2021246968A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723608B (zh) * 2022-04-14 2023-04-07 西安电子科技大学 基于流体粒子网络的图像超分辨率重建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020062262A1 (en) * 2018-09-30 2020-04-02 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for generating a neural network model for image processing
CN110680284A (zh) * 2019-10-17 2020-01-14 山东工商学院 一种基于3D-Unet的介观荧光分子成像三维重建方法及系统

Also Published As

Publication number Publication date
WO2021246968A1 (en) 2021-12-09
EP4162406A1 (en) 2023-04-12
US20230210377A1 (en) 2023-07-06

Similar Documents

Publication Publication Date Title
US20220001032A1 (en) Coated up-conversion nanoparticles
Fan et al. Exploiting lanthanide-doped upconversion nanoparticles with core/shell structures
Wang et al. Dye-sensitized lanthanide-doped upconversion nanoparticles
Jaque et al. Inorganic nanoparticles for optical bioimaging
Park et al. CuInSe/ZnS core/shell NIR quantum dots for biomedical imaging
CA2760783C (en) A system, method, and luminescent marker for improved diffuse luminescent imaging or tomography in scattering media
US8999506B2 (en) Method of one-pot synthesis of water-soluble nanoparticles exhibiting up-conversion luminescence
US20230114986A1 (en) Light-emitting nanoparticles, cell detection method using same, animal treatment method, medical device, cell visualization method, and method for reducing injury to cell
CN110373193B (zh) 基于发光寿命变化的同能级稀土发光探针的制备及应用
Moulick et al. Application of CdTe/ZnSe quantum dots in in vitro imaging of chicken tissue and embryo
Bouccara et al. Time-gated cell imaging using long lifetime near-infrared-emitting quantum dots for autofluorescence rejection
CN116322480A (zh) 通过激光扫描激发的深度荧光成像和人工神经网络处理
US20090020710A1 (en) Semiconductor nanocrystals for time domain optical imaging
Booth et al. Amphipol-encapsulated CuInS 2/ZnS quantum dots with excellent colloidal stability
JP2014178155A (ja) 近赤外プローブ，及び近赤外プローブを用いた分析方法
US20210190757A1 (en) Nir-ii phosphorescent imaging probe and methods of imaging tissue
Krishnapriya et al. Luminescent nanoparticles for bio-imaging application
KR100973945B1 (ko) 코어-다중쉘 구조의 양자점 나노 입자 및 이의 용도
JP2009280630A (ja) 水溶性近赤外蛍光材料およびマルチモーダル水溶性近赤外蛍光材料
Ortgies et al. Near Infrared-Emitting Bioprobes for Low-Autofluorescence Imaging Techniques
Chang et al. Luminescent Nanomaterials (I)
Withers et al. Effects of La0. 2Ce0. 6Eu0. 2F3 nanoparticles capped with polyethylene glycol on human astrocytoma cells in vitro
Darwan Synthesis and Development of Novel Luminescent Indium Arsenide-Based Quantum Dots for Optoelectronics and Bioimaging
Ren Exploring the interactions among lanthanides in upconversion nanoparticles toward enhancement of photoluminescence brightness
Biswas et al. Quantum Dots as Functional Nanosystems for Enhanced Biomedical Applications

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