CN117338249A - 一种激发荧光断层成像方法 - Google Patents
一种激发荧光断层成像方法 Download PDFInfo
- Publication number
- CN117338249A CN117338249A CN202311358024.XA CN202311358024A CN117338249A CN 117338249 A CN117338249 A CN 117338249A CN 202311358024 A CN202311358024 A CN 202311358024A CN 117338249 A CN117338249 A CN 117338249A
- Authority
- CN
- China
- Prior art keywords
- model
- fluorescence tomography
- imaged
- fluorescence
- distribution
- 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
Links
- 238000003325 tomography Methods 0.000 title claims abstract description 104
- 230000005284 excitation Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000007850 fluorescent dye Substances 0.000 claims abstract description 64
- 238000003384 imaging method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009792 diffusion process Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- NZCHHEFOTMKOJX-UHFFFAOYSA-K [6-[[3-carboxy-4-(3-oxido-6-oxoxanthen-9-yl)phenyl]carbamothioylamino]hexoxy-oxidophosphoryl] [5-(2,4-dioxopyrimidin-1-yl)-3,4-dihydroxyoxolan-2-yl]methyl phosphate Chemical group O1C(COP([O-])(=O)OP([O-])(=O)OCCCCCCNC(=S)NC=2C=C(C(=CC=2)C2=C3C=CC(=O)C=C3OC3=CC([O-])=CC=C32)C(O)=O)C(O)C(O)C1N1C=CC(=O)NC1=O NZCHHEFOTMKOJX-UHFFFAOYSA-K 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000695 excitation spectrum Methods 0.000 claims description 3
- 238000001917 fluorescence detection Methods 0.000 claims description 3
- 238000002189 fluorescence spectrum Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 abstract description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003851 biochemical process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000011503 in vivo imaging Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003068 molecular probe Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及光学分子影像，具体涉及一种激发荧光断层成像方法，在待成像物体中介入多个荧光探针，并对待成像物体进行成像，得到不同时刻下的荧光分布数据序列；对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置；对每帧图像中各荧光探针的中心位置进行叠加，得到具有高空间分辨率的第一激发荧光断层成像结果；将预设时刻的荧光分布数据输入至激发荧光断层成像模型，重建得到荧光团分布，进而得到第二激发荧光断层成像结果；结合第一激发荧光断层成像结果和第二激发荧光断层成像结果得到最终激发荧光断层成像结果；本发明提供的技术方案能够有效克服成像空间分辨率较低、成像质量较差的缺陷。
Description
技术领域
本发明涉及光学分子影像，具体涉及一种激发荧光断层成像方法。
背景技术
荧光分子断层成像(Fluorescence MolecularTomography，FMT)首先对生物体注射具有特异性、靶向性的荧光分子探针，对目标分子或细胞进行标记，在外部激光激发下或代谢过程中产生荧光，多角度探测逸出体表的荧光光子，通过三维重建，获得荧光在组织中的三维分布。FMT可以实现对组织的生理生化过程、靶向药物的药代动力学过程等，进行体内、连续、无损伤的观察。
FMT的可见光成像相对于核素成像或磁共振成像具有操作简单、结果直观、成像快速、对生物体无辐射、对环境要求较低和成本低廉等诸多优势。因此，研究人员希望未来能够将可见光成像技术应用于人类临床医学诊断。目前，该项技术正处于利用小动物进行临床研究的阶段，而随着研究的逐渐深入，传统关于小动物活体成像的激发荧光断层成像方法的局限性越来越突出，主要表现在成像空间分辨率较低，以及成像质量较差等方面。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种激发荧光断层成像方法，能够有效克服现有技术所存在的成像空间分辨率较低、成像质量较差的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种激发荧光断层成像方法，包括以下步骤：
S1、在待成像物体中介入多个荧光探针，并对待成像物体进行成像，得到不同时刻下的荧光分布数据序列；
S2、对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置；
S3、对每帧图像中各荧光探针的中心位置进行叠加，得到具有高空间分辨率的第一激发荧光断层成像结果；
S4、将预设时刻的荧光分布数据输入至激发荧光断层成像模型，重建得到荧光团分布，进而得到第二激发荧光断层成像结果；
S5、结合第一激发荧光断层成像结果和第二激发荧光断层成像结果得到最终激发荧光断层成像结果。
优选地，S2中对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置，包括：
构建光传播模型，将通过介入多个荧光探针而获取的待成像物体的漫射光数据输入光传播模型，得到多个荧光探针形成的初始三维空间分布结构；
对初始三维空间分布结构进行校正，得到多个荧光探针在待成像物体内的校正三维空间分布结构；
对校正三维空间分布结构进行处理，得到校正三维空间分布结构中各荧光探针的中心位置。
优选地，所述构建光传播模型，包括：
基于辐射传输方程生成漫射方程，根据漫射方程构建光传播模型。
优选地，所述对初始三维空间分布结构进行校正，得到多个荧光探针在待成像物体内的校正三维空间分布结构，包括：
将荧光探针发出的荧光在待成像物体中的传播公式转化为最小二乘问题求解，并采用最小二乘QR分解迭代法对最小二乘的目标函数进行求解，得到多个荧光探针在待成像物体内的校正三维空间分布结构。
优选地，所述荧光探针发出的荧光在待成像物体中的传播公式如下：
其中，为待成像物体表面的荧光探测信号，G1(r)为荧光发射谱段光子在待成像物体中的传播，G2(r)为激发光谱段光子在待成像物体中的传播，n(r)为待成像物体内部待重建的荧光产额，V为重建区域；
当重建区域V被离散成小网格时，荧光探针发出的荧光在待成像物体中的传播公式改写如下：
其中，A为用于描述光子在待成像物体中的传播的权重矩阵。
优选地，所述对校正三维空间分布结构进行处理，得到校正三维空间分布结构中各荧光探针的中心位置，包括：
采用高斯拟合法对校正三维空间分布结构中各荧光探针的分布进行定位，获取各荧光探针的中心位置；
其中，二维高斯函数采用下式表示：
上式中，I(x,y)为(x,y)处的光强，H为点扩散函数的强度，(x0,y0)为荧光探针的实际位置，σ1、σ2分别为X、Y方向上的标准差。
优选地，所述激发荧光断层成像模型的构建方法，包括：
基于辐射传输方程的扩散近似模型确定正则化优化目标函数，并计算正则化优化目标函数的梯度；
根据正则化优化目标函数的梯度将梯度下降算法展开，得到各迭代次数下的计算图；
利用多层三维卷积神经网络的残差块结构对计算图中的正则项梯度进行参数化处理，得到各迭代次数下的参数化计算图；
将各迭代次数下的参数化计算图分别作为一层网络结构，对所有网络结构进行级联，得到激发荧光断层成像模型。
优选地，所述激发荧光断层成像模型的训练方法，包括：
利用训练集对激发荧光断层成像模型进行模型训练，并在当前训练次数下记录激发荧光断层成像模型输出的荧光团分布结果；
基于激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布计算当前损失函数差值；
若当前损失函数差值小于预设阈值，则将当前训练次数下的激发荧光断层成像模型作为训练好的激发荧光断层成像模型；否则，对当前训练次数下的激发荧光断层成像模型进行模型参数调整，并继续进行模型训练；
其中，训练集包括待训练的荧光分布数据及对应的真实荧光团分布。
优选地，所述基于激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布计算当前损失函数差值，包括：
计算当前训练次数下的损失函数的值与上一训练次数下的损失函数的值之间差值的绝对值；
其中，损失函数为激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布的均方误差。
优选地，所述对当前训练次数下的激发荧光断层成像模型进行模型参数调整，并继续进行模型训练，包括：
对当前训练次数下的激发荧光断层成像模型进行关于各网络结构的步长、各网络结构的正则化参数、各网络结构中的多层三维卷积神经网络的卷积核参数和偏置参数的模型参数调整，并继续进行模型训练。
(三)有益效果
与现有技术相比，本发明所提供的一种激发荧光断层成像方法，具有以下有益效果：
1)在待成像物体中介入多个荧光探针，并对待成像物体进行成像，得到不同时刻下的荧光分布数据序列，对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置，对每帧图像中各荧光探针的中心位置进行叠加，得到具有高空间分辨率的第一激发荧光断层成像结果，从而能够通过对荧光分布数据序列进行重建，确定各荧光探针的中心位置，进而得到具有高空间分辨率的第一激发荧光断层成像结果；
2)将预设时刻的荧光分布数据输入至激发荧光断层成像模型，重建得到荧光团分布，进而得到第二激发荧光断层成像结果，利用激发荧光断层成像模型基于荧光分布数据输出荧光团分布，能够得到准确的第二激发荧光断层成像结果；
3)结合第一激发荧光断层成像结果和第二激发荧光断层成像结果得到最终激发荧光断层成像结果，确保最终激发荧光断层成像结果具有较高的成像空间分辨率，并且能够有效提升成像质量，为可见光成像的实际应用打下基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图；
图2为本发明中得到具有高空间分辨率的第一激发荧光断层成像结果的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种激发荧光断层成像方法，如图1和图2所示，①在待成像物体中介入多个荧光探针，并对待成像物体进行成像，得到不同时刻下的荧光分布数据序列。
②对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置，具体包括：
构建光传播模型，将通过介入多个荧光探针而获取的待成像物体的漫射光数据输入光传播模型，得到多个荧光探针形成的初始三维空间分布结构；
对初始三维空间分布结构进行校正，得到多个荧光探针在待成像物体内的校正三维空间分布结构；
对校正三维空间分布结构进行处理，得到校正三维空间分布结构中各荧光探针的中心位置。
1)构建光传播模型，包括：
基于辐射传输方程生成漫射方程，根据漫射方程构建光传播模型。
2)对初始三维空间分布结构进行校正，得到多个荧光探针在待成像物体内的校正三维空间分布结构，包括：
将荧光探针发出的荧光在待成像物体中的传播公式转化为最小二乘问题求解，并采用最小二乘QR分解迭代法对最小二乘的目标函数进行求解，得到多个荧光探针在待成像物体内的校正三维空间分布结构。
具体地，荧光探针发出的荧光在待成像物体中的传播公式如下：
其中，为待成像物体表面的荧光探测信号，G1(r)为荧光发射谱段光子在待成像物体中的传播，G2(r)为激发光谱段光子在待成像物体中的传播，n(r)为待成像物体内部待重建的荧光产额，V为重建区域；
当重建区域V被离散成小网格时，荧光探针发出的荧光在待成像物体中的传播公式改写如下：
其中，A为用于描述光子在待成像物体中的传播的权重矩阵。
3)对校正三维空间分布结构进行处理，得到校正三维空间分布结构中各荧光探针的中心位置，包括：
采用高斯拟合法对校正三维空间分布结构中各荧光探针的分布进行定位，获取各荧光探针的中心位置；
其中，二维高斯函数采用下式表示：
上式中，I(x,y)为(x,y)处的光强，H为点扩散函数的强度，(x0,y0)为荧光探针的实际位置，σ1、σ2分别为X、Y方向上的标准差。
③对每帧图像中各荧光探针的中心位置进行叠加，得到具有高空间分辨率的第一激发荧光断层成像结果。
上述技术方案，在待成像物体中介入多个荧光探针，并对待成像物体进行成像，得到不同时刻下的荧光分布数据序列，对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置，对每帧图像中各荧光探针的中心位置进行叠加，得到具有高空间分辨率的第一激发荧光断层成像结果，从而能够通过对荧光分布数据序列进行重建，确定各荧光探针的中心位置，进而得到具有高空间分辨率的第一激发荧光断层成像结果。
如图1所示，④将预设时刻的荧光分布数据输入至激发荧光断层成像模型，重建得到荧光团分布，进而得到第二激发荧光断层成像结果。
1)激发荧光断层成像模型的构建方法，包括：
基于辐射传输方程的扩散近似模型确定正则化优化目标函数，并计算正则化优化目标函数的梯度；
根据正则化优化目标函数的梯度将梯度下降算法展开，得到各迭代次数下的计算图；
利用多层三维卷积神经网络的残差块结构对计算图中的正则项梯度进行参数化处理，得到各迭代次数下的参数化计算图；
将各迭代次数下的参数化计算图分别作为一层网络结构，对所有网络结构进行级联，得到激发荧光断层成像模型。
2)激发荧光断层成像模型的训练方法，包括：
利用训练集对激发荧光断层成像模型进行模型训练，并在当前训练次数下记录激发荧光断层成像模型输出的荧光团分布结果；
基于激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布计算当前损失函数差值；
若当前损失函数差值小于预设阈值，则将当前训练次数下的激发荧光断层成像模型作为训练好的激发荧光断层成像模型；否则，对当前训练次数下的激发荧光断层成像模型进行模型参数调整，并继续进行模型训练；
其中，训练集包括待训练的荧光分布数据及对应的真实荧光团分布。
具体地，基于激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布计算当前损失函数差值，包括：
计算当前训练次数下的损失函数的值与上一训练次数下的损失函数的值之间差值的绝对值；
其中，损失函数为激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布的均方误差。
具体地，对当前训练次数下的激发荧光断层成像模型进行模型参数调整，并继续进行模型训练，包括：
对当前训练次数下的激发荧光断层成像模型进行关于各网络结构的步长、各网络结构的正则化参数、各网络结构中的多层三维卷积神经网络的卷积核参数和偏置参数的模型参数调整，并继续进行模型训练。
⑤结合第一激发荧光断层成像结果和第二激发荧光断层成像结果得到最终激发荧光断层成像结果。
上述技术方案，将预设时刻的荧光分布数据输入至激发荧光断层成像模型，重建得到荧光团分布，进而得到第二激发荧光断层成像结果，利用激发荧光断层成像模型基于荧光分布数据输出荧光团分布，能够得到准确的第二激发荧光断层成像结果。
同时，结合第一激发荧光断层成像结果和第二激发荧光断层成像结果得到最终激发荧光断层成像结果，确保最终激发荧光断层成像结果具有较高的成像空间分辨率，并且能够有效提升成像质量，为可见光成像的实际应用打下基础。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种激发荧光断层成像方法，其特征在于：包括以下步骤：
S1、在待成像物体中介入多个荧光探针，并对待成像物体进行成像，得到不同时刻下的荧光分布数据序列；
S2、对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置；
S3、对每帧图像中各荧光探针的中心位置进行叠加，得到具有高空间分辨率的第一激发荧光断层成像结果；
S4、将预设时刻的荧光分布数据输入至激发荧光断层成像模型，重建得到荧光团分布，进而得到第二激发荧光断层成像结果；
S5、结合第一激发荧光断层成像结果和第二激发荧光断层成像结果得到最终激发荧光断层成像结果。
2.根据权利要求1所述的激发荧光断层成像方法，其特征在于：S2中对荧光分布数据序列进行重建，得到每帧图像中多个荧光探针的三维成像结果，并确定各荧光探针的中心位置，包括：
构建光传播模型，将通过介入多个荧光探针而获取的待成像物体的漫射光数据输入光传播模型，得到多个荧光探针形成的初始三维空间分布结构；
对初始三维空间分布结构进行校正，得到多个荧光探针在待成像物体内的校正三维空间分布结构；
对校正三维空间分布结构进行处理，得到校正三维空间分布结构中各荧光探针的中心位置。
3.根据权利要求2所述的激发荧光断层成像方法，其特征在于：所述构建光传播模型，包括：
基于辐射传输方程生成漫射方程，根据漫射方程构建光传播模型。
4.根据权利要求2所述的激发荧光断层成像方法，其特征在于：所述对初始三维空间分布结构进行校正，得到多个荧光探针在待成像物体内的校正三维空间分布结构，包括：
将荧光探针发出的荧光在待成像物体中的传播公式转化为最小二乘问题求解，并采用最小二乘QR分解迭代法对最小二乘的目标函数进行求解，得到多个荧光探针在待成像物体内的校正三维空间分布结构。
5.根据权利要求4所述的激发荧光断层成像方法，其特征在于：所述荧光探针发出的荧光在待成像物体中的传播公式如下：
其中，为待成像物体表面的荧光探测信号，G1(r)为荧光发射谱段光子在待成像物体中的传播，G2(r)为激发光谱段光子在待成像物体中的传播，n(r)为待成像物体内部待重建的荧光产额，V为重建区域；
当重建区域V被离散成小网格时，荧光探针发出的荧光在待成像物体中的传播公式改写如下：
其中，A为用于描述光子在待成像物体中的传播的权重矩阵。
6.根据权利要求2所述的激发荧光断层成像方法，其特征在于：所述对校正三维空间分布结构进行处理，得到校正三维空间分布结构中各荧光探针的中心位置，包括：
采用高斯拟合法对校正三维空间分布结构中各荧光探针的分布进行定位，获取各荧光探针的中心位置；
其中，二维高斯函数采用下式表示：
上式中，I(x,y)为(x,y)处的光强，H为点扩散函数的强度，(x0,y0)为荧光探针的实际位置，σ1、σ2分别为X、Y方向上的标准差。
7.根据权利要求1所述的激发荧光断层成像方法，其特征在于：所述激发荧光断层成像模型的构建方法，包括：
基于辐射传输方程的扩散近似模型确定正则化优化目标函数，并计算正则化优化目标函数的梯度；
根据正则化优化目标函数的梯度将梯度下降算法展开，得到各迭代次数下的计算图；
利用多层三维卷积神经网络的残差块结构对计算图中的正则项梯度进行参数化处理，得到各迭代次数下的参数化计算图；
将各迭代次数下的参数化计算图分别作为一层网络结构，对所有网络结构进行级联，得到激发荧光断层成像模型。
8.根据权利要求7所述的激发荧光断层成像方法，其特征在于：所述激发荧光断层成像模型的训练方法，包括：
利用训练集对激发荧光断层成像模型进行模型训练，并在当前训练次数下记录激发荧光断层成像模型输出的荧光团分布结果；
基于激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布计算当前损失函数差值；
若当前损失函数差值小于预设阈值，则将当前训练次数下的激发荧光断层成像模型作为训练好的激发荧光断层成像模型；否则，对当前训练次数下的激发荧光断层成像模型进行模型参数调整，并继续进行模型训练；
其中，训练集包括待训练的荧光分布数据及对应的真实荧光团分布。
9.根据权利要求8所述的激发荧光断层成像方法，其特征在于：所述基于激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布计算当前损失函数差值，包括：
计算当前训练次数下的损失函数的值与上一训练次数下的损失函数的值之间差值的绝对值；
其中，损失函数为激发荧光断层成像模型输出的荧光团分布结果与真实荧光团分布的均方误差。
10.根据权利要求8所述的激发荧光断层成像方法，其特征在于：
所述对当前训练次数下的激发荧光断层成像模型进行模型参数调整，并继续进行模型训练，包括：
对当前训练次数下的激发荧光断层成像模型进行关于各网络结构的步长、各网络结构的正则化参数、各网络结构中的多层三维卷积神经网络的卷积核参数和偏置参数的模型参数调整，并继续进行模型训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311358024.XA CN117338249A (zh) | 2023-10-19 | 2023-10-19 | 一种激发荧光断层成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311358024.XA CN117338249A (zh) | 2023-10-19 | 2023-10-19 | 一种激发荧光断层成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117338249A true CN117338249A (zh) | 2024-01-05 |
Family
ID=89355534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311358024.XA Pending CN117338249A (zh) | 2023-10-19 | 2023-10-19 | 一种激发荧光断层成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117338249A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830565A (zh) * | 2024-03-06 | 2024-04-05 | 华中科技大学 | 一种多算子自监督荧光分子断层成像方法及系统 |
-
2023
- 2023-10-19 CN CN202311358024.XA patent/CN117338249A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830565A (zh) * | 2024-03-06 | 2024-04-05 | 华中科技大学 | 一种多算子自监督荧光分子断层成像方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | UHR-DeepFMT: ultra-high spatial resolution reconstruction of fluorescence molecular tomography based on 3-D fusion dual-sampling deep neural network | |
| CN109191564B (zh) | 基于深度学习的激发荧光断层成像三维重建方法 | |
| CN108062744B (zh) | 一种基于深度学习的质谱图像超分辨率重建方法 | |
| CN109272443A (zh) | 一种基于全卷积神经网络的pet与ct图像配准方法 | |
| US20120302880A1 (en) | System and method for specificity-based multimodality three- dimensional optical tomography imaging | |
| CN117338249A (zh) | 一种激发荧光断层成像方法 | |
| CN108451508B (zh) | 基于多层感知机的生物自发荧光三维成像方法 | |
| CN107133549A (zh) | Ect运动门控信号获取方法及ect图像重建方法 | |
| CN104305957B (zh) | 头戴式分子影像导航系统 | |
| CN110974166B (zh) | 基于k近邻局部连接网络的光学断层成像方法、系统 | |
| CN116071401B (zh) | 基于深度学习的虚拟ct图像的生成方法及装置 | |
| Zhu et al. | Automated motion correction for in vivo optical projection tomography | |
| CN114155934A (zh) | 一种基于深度学习的肿瘤调强放疗剂量预测方法 | |
| CN115868923B (zh) | 基于展开式循环神经网络的荧光分子断层成像方法及系统 | |
| CN109166103A (zh) | 基于多层感知网络的激发荧光断层成像方法 | |
| CN116503258B (zh) | 超分辨计算成像方法、装置、电子设备及存储介质 | |
| CN113288188B (zh) | 基于分组注意力残差网络的锥束x射线发光断层成像方法 | |
| CN112089434B (zh) | 一种多光谱生物发光断层成像方法和系统 | |
| KR20190117234A (ko) | 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
| Ren et al. | High-resolution tomographic reconstruction of optical absorbance through scattering media using neural fields | |
| Zhang et al. | Multi-branch attention prior based parameterized generative adversarial network for fast and accurate limited-projection reconstruction in fluorescence molecular tomography | |
| CN109615673B (zh) | 基于自适应高斯拉普拉斯规则化的fmt重建方法及装置 | |
| CN107374588B (zh) | 一种基于同步聚类的多光源荧光分子断层成像重建方法 | |
| Zhang et al. | Effects of sampling strategy on image quality in noncontact panoramic fluorescence diffuse optical tomography for small animal imaging | |
| Zhou et al. | SGM-based sparsity reconstruction under non-standard geometry of robotic CT |
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 |