CN117830565B - 一种多算子自监督荧光分子断层成像方法及系统 - Google Patents
一种多算子自监督荧光分子断层成像方法及系统 Download PDFInfo
- Publication number
- CN117830565B CN117830565B CN202410251826.9A CN202410251826A CN117830565B CN 117830565 B CN117830565 B CN 117830565B CN 202410251826 A CN202410251826 A CN 202410251826A CN 117830565 B CN117830565 B CN 117830565B
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- distribution
- operator
- fluorescence distribution
- sensitivity
- 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
- 238000003325 tomography Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 173
- 230000035945 sensitivity Effects 0.000 claims abstract description 97
- 239000000523 sample Substances 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000001727 in vivo Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims 2
- 238000003384 imaging method Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 32
- 238000013135 deep learning Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003068 molecular probe Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007918 pathogenicity Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开一种多算子自监督荧光分子断层成像方法及系统，涉及分子影像技术领域，该方法包括确定目标模型的若干个不相交的源探对集合，并获取每一源探对集合对应的表面荧光分布，将任一表面荧光分布及其对应的荧光灵敏度算子输入到荧光分子断层成像模型中，得到三维重建结果；荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；荧光灵敏度算子损失函数由所有表面荧光分布以及每一表面荧光分布对应的荧光灵敏度算子确定。本发明可直接利用实验数据进行训练，解决了荧光分子断层成像难以获取训练数据的问题。且本发明的重建结果重建伪影少，定位更精准，提高了荧光分子断层成像的重建质量。
Description
技术领域
本发明涉及分子影像技术领域，特别是涉及一种多算子自监督荧光分子断层成像方法及系统。
背景技术
荧光分子断层成像（Fluorescence Molecular Tomography，FMT）是一种基于扩散光的活体光学分子成像技术。FMT通过特异性分子探针标记生物组织内部的特定区域，通过外源性近红外光对生物组织进行全角度激发，并利用探测器探测组织表面的荧光漫射光信号。可对小动物整体或者人体特定器官内的荧光探针进行定位和定量成像，具有成像视场大、成像深度深、灵敏度高、可非侵入式探测及成本低的特点。在基因表达、蛋白质相互作用、细胞追踪、肿瘤发生发展、药代动力学和组织工程研究评估等方面有巨大的应用前景。
虽然FMT在相关的各种实际应用中具有很大的研究潜力，但在生物组织成像方面仍面临巨大的挑战，主要是检测精度和成像质量有限。其问题的来源是FMT成像算法所涉及的两个互相关联的过程：前向过程和逆向过程。由于生物组织结构的复杂性，对光子在生物体内传播的正向建模会不可避免的带来建模误差，同时由于生物组织对荧光波段光子的高散射特性，FMT逆向问题具有高度病态性，导致了重建图像伪影多、定位定量精度不足等问题，因此遵循传统的图像重建研究思路难以让现阶段的FMT图像重建质量有实质性的突破。
数据驱动的深度学习方法已经在XCT、MRI等传统医学成像技术中取得了一系列研究成果，给包括FMT在内的扩散光成像技术的研究带来了发展机遇。Gao等人首次将多层感知机（Multilayer perceptron，MLP）引入到BLT成像中，抛开传统的正向问题建模，直接通过对传统逆向问题的模拟来设计MLP中具体的结构，实现了更高定位精度的重建；Meng等人则在MLP基础之上采用基于K近邻的局部连接层作为后处理方法用于FMT成像，K近邻局部连接层使得重建结果更加紧凑，在荧光团形态学重建上优于MLP；Guo等人提出一种端到端的三维编解码器结构的卷积神经网络应用于FMT成像，首先将探测投影图映射为隐变量，再将隐变量映射到荧光团分布，该方法在提高三维重建定位精度的同时，也大大降低了重建算法的处理时间；Li等人提出将图卷积神经网络（Graph convolution network，GCN）应用于FMT成像，GCN能够充分利用成像模型三维网格节点之间的拓扑连接信息，同时参数量较小，最终实现了对异状荧光团的准确定位并达到了相比MLP更优的空间分辨率；Li等人则提出了一种联合CNN、门控循环单元（Gated recurrent unit，GRU）和MLP的神经网络结构，首先利用CNN对多张探测投影图做特征提取，将提取到的特征变量输入到GRU中进行编码，最终利用MLP对编码变量进行重建，实现了高定位精度的荧光团重建。
然而，缺乏可解释性和需要大量的训练样本是这些数据驱动的深度学习方法的主要缺点。因此基于物理模型的深度学习被逐渐运用于FMT。模型驱动的投影梯度下降网络（Model-driven projected gradient descent network，MPGD-Net）结合了传统的基于模型的迭代方法和数据驱动的深度学习方法，将投影梯度下降算法展开为一种新的深度网络架构。MPGD-Net中的每一层都与PGD算法的每个迭代步骤完全对应，网络结构自然具有可解释性。与传统方法相比，MPGD-Net重建图像的质量更好，并且比用于FMT重建的其他神经网络更具可解释性。深度背景误差学习重建算法（Deep background-mismodeling-learnedreconstruction）基于L1-FMT物理成像模型，以数学约束形式构造含有背景建模误差的可学习正则化项，并设计模型驱动的深度学习网络去学习这个正则化项，从而可隐式地获得背景误建模以实现高精度定量成像。这些基于物理的深度学习网络可以很容易地结合物理先验，并提供卓越的泛化能力。尽管基于物理模型的深度学习方法所需的样本数量相比于数据驱动得到了显著的降低，但是仍然无法摆脱对带标签样本的依赖。这种依赖极大地限制了深度学习FMT在实际中的应用。
因此发展一种能够提升FMT重建质量且无需标签数据即可进行训练的网络算法成为了亟待解决的问题。
发明内容
本发明的目的是提供一种多算子自监督荧光分子断层成像方法及系统，可提升荧光分子断层成像重建质量，且其模型训练无需带标签的数据集。
为实现上述目的，本发明提供了如下方案：
本发明提供一种多算子自监督荧光分子断层成像方法，包括：
对位于目标模型上的光源和探测器进行划分，得到若干个源探对集合；两两源探对集合之间不相交。
对于每一所述源探对集合，获取所述源探对集合对应的表面荧光分布，得到表面荧光分布集。
对于所述表面荧光分布集中的每一所述表面荧光分布，根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子。
将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果；所述中心表面荧光分布为表面荧光分布集中任一表面荧光分布；所述荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；所述荧光灵敏度算子损失函数由所述表面荧光分布集中所有所述表面荧光分布以及每一所述表面荧光分布对应的荧光灵敏度算子确定。
本发明还提供了一种多算子自监督荧光分子断层成像系统，包括：
划分模块，用于对位于目标模型上的光源和探测器进行划分，得到若干个源探对集合；两两源探对集合之间不相交。
表面荧光分布获取模块，用于对于每一所述源探对集合，获取所述源探对集合对应的表面荧光分布，得到表面荧光分布集。
荧光灵敏度算子确定模块，用于对于所述表面荧光分布集中的每一所述表面荧光分布，根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子。
重建模块，用于将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果；所述中心表面荧光分布为表面荧光分布集中任一表面荧光分布；所述荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；所述荧光灵敏度算子损失函数由所述表面荧光分布集中所有所述表面荧光分布以及每一所述表面荧光分布对应的荧光灵敏度算子确定。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种多算子自监督荧光分子断层成像方法及系统，首先确定目标模型的若干个不相交的源探对集合，并获取每一源探对集合对应的表面荧光分布，然后确定表面荧光分布各自对应的荧光灵敏度算子，最后将选择任意一组表面荧光分布及其对应的荧光灵敏度算子（即中心表面荧光分布和中心表面荧光分布对应的荧光灵敏度算子）输入到荧光分子断层成像模型中，重建得到目标模型的在体荧光分布三维重建结果；荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；荧光灵敏度算子损失函数由表面荧光分布集中所有表面荧光分布以及每一表面荧光分布对应的荧光灵敏度算子确定。本发明中荧光分子断层成像模型的网络训练不需要带有标签的数据集，可直接利用实验数据进行训练，解决了荧光分子断层成像难以获取训练数据的问题。且本发明的重建结果重建伪影少，定位更精准，提高了荧光分子断层成像的重建质量。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的荧光分子断层成像方法流程示意图；
图2为本发明实施例1提供的荧光分子断层成像方法基本流程图；
图3为本发明实施例1提供的仿真异质圆柱模型三维图和切片图；图3中的（a）为仿真异质圆柱模型三维图；图3中的（b）为仿真异质圆柱模型的切片图；
图4中的（a）为本发明实施例1提供的真实荧光分布和三维重建结果的三维图像以及切片图；图4中的（a）为真实荧光分布的三维图像；图4中的（b）为本发明得到的三维重建结果；图4中的（c）为真实荧光分布三维图像的二维切片图；图4中的（d）为三维重建结果的二维切片图；
图5为本发明实施例1提供的划分之后的源探对集合的分布；图5中的（a）为源探对集合的俯视图；图5中的（b）为源探对集合/>的俯视图；
图6为本发明实施例2提供的荧光分子断层成像系统框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种多算子自监督荧光分子断层成像方法及系统，荧光分子断层成像模型的网络训练不需要数据集，可直接利用实验数据进行训练，解决了荧光分子断层成像难以获取训练数据的问题。通过由第一探测荧光分布组和第二探测荧光分布组确定荧光灵敏度算子损失函数，并训练荧光分子断层成像模型，得到的重建结果重建伪影少，定位更精准，提高了荧光分子断层成像的重建质量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1和图2所示，本实施例提供了一种多算子自监督荧光分子断层成像方法，其特征在于，包括：
S1：对位于目标模型上的光源和探测器进行划分，得到若干个源探对集合；两两源探对集合之间不相交。
S2：对于每一所述源探对集合，获取所述源探对集合对应的表面荧光分布，得到表面荧光分布集。
S3：对于所述表面荧光分布集中的每一所述表面荧光分布，根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子。
S4：将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果；所述中心表面荧光分布为表面荧光分布集中任一表面荧光分布；所述荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；所述荧光灵敏度算子损失函数由所述表面荧光分布集中所有所述表面荧光分布以及每一所述表面荧光分布对应的荧光灵敏度算子确定。
本实施例中的目标模型采用圆柱异质模型，如图3中的（a）图3中的（b）所示，图3中的（a）为仿真异质圆柱模型三维图，三角形表示光源，圆点表示探测器。图3中的（b）为仿真异质圆柱模型的切片图。图3中的（b）中M表示肌肉（muscle），B表示骨骼（bone），L表示肺（lung），H表示心脏（heart）。
待重建荧光棒的真实位置如图4中的（a）和图4中的（b）所示，图4中的（a）为真实荧光分布的三维图像；图4中的（b）为本发明得到的三维重建结果，图4中的（c）为真实荧光分布三维图像的二维切片；图4中的（d）为三维重建结果的二维切片。一共四根浓度相同的荧光棒，每根荧光半径为1mm，长度为8mm；光源一共240个，设置为5层，每层光源对应的Z坐标为3mm，1.5mm，0mm，-1.5mm，-3mm，每层均匀排列48个光源入射点；探测器一共160个，设置为4层，每层探测器对应的Z坐标为4mm，1mm，-2mm，-5mm，每层均匀排列40个探测点，则总探测数据为。
在一个具体的示例中，S1具体包括：将用于FMT图像重建的可用的测量数据根据源探对分布划分为两个不相交的集合，将总探测数据按照图5所示的源探对进行划分，图5中的（a）为源探对集合的俯视图；图5中的（b）为源探对集合/>的俯视图。
（1）。
式（1）中，表示所有的可用测量数据，即完整的表面荧光分布；/>表示源探对集合/>对应的测量数据，即源探对集合/>对应的第一表面荧光分布；/>表示源探对集合/>对应的测量数据，即源探对集合/>对应的第二表面荧光分布。本实施例中将/>命名为第一表面荧光分布；/>命名为第一荧光灵敏度算子；/>命名为第二表面荧光分布；/>命名为第二荧光灵敏度算子。
S2中根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子，具体包括：根据所述表面荧光分布，利用辐射传输方程确定所述表面荧光分布对应的荧光灵敏度算子。
具体地：对仿真异质圆柱模型进行有限元剖分得到4815个重建体素，根据源探对的划分结果求解辐射传输方程的一阶近似解得到两个荧光灵敏度算子和。荧光灵敏度算子为m×n矩阵形式，m为荧光灵敏度算子对应的源探对集合中光源的数量，n为荧光灵敏度算子对应的源探对集合中探测器的数量。根据划分方式，获得两组不同的荧光灵敏度算子，用于描述不同源探对采集的表面荧光分布与在体荧光分布的关系。
求解扩散近似模型详细来说就是：利用四面体单元对FMT待成像对象构成的求解域进行剖分；将与扩散方程等价的有限元积分方程进行离散化，得到激发光波段和荧光波段的有限元方程，将光源坐标代入到激发光波段的有限元方程，求解得到每个四面体四个节点的场值，再将场值代入到荧光波段的有限元方程最终得到表面荧光分布（探测器对应坐标处的值）与在体荧光分布的关系：
，/> （2）。
其中，为体荧光分布，/>为源探对集合/>对应的荧光灵敏度算子，/>为源探对集合/>对应的荧光灵敏度算子。
构建展开式网络架构，即构建荧光分子断层成像模型，将其中一个荧光灵敏度算子用于荧光分子断层成像模型的数据保真项中，荧光分子断层成像模型的描述如下式（3）。
（3）。
在本实施例可将源探对集合对应的荧光灵敏度算子用于荧光分子断层成像模型（展开式网络）的数据保真项中，则荧光分子断层成像模型描述如下式（4）。
（4）。
其中，为网络输出结果，/>为荧光分子断层成像模型训练过程中的网络参数。
所述荧光分子断层成像模型由快速软阈值收缩迭代算法构建得到，本实施例根据快速软阈值收缩迭代算法构建荧光分子断层成像模型，并将其中一个荧光灵敏度算子用于网络的数据一致项中，网络表达如下表示：
（5）。
其中，为经过一步梯度下降后的中间结果，即第k次梯度下降后的中间结果；/>是经过第k次动量更新加速的中间结果；/>为梯度下降步长；/>为其中一个源探对集合对应的表面荧光分布的荧光灵敏度算子，即第一荧光灵敏度算子；/>为第一荧光灵敏度算子/>对应的第一表面荧光分布；/>为可学习正则化系数；/>为引入的可学习的正则化项；/>为经过第k次阈值收缩后的中间结果；/>为阈值收缩函数，表示为，/>为收缩阈值。/>是经过第k+1次动量更新加速的中间结果；为动量更新数值；/>为经过第k-1次阈值收缩后的中间结果。
网络的损失函数是基于多荧光灵敏度算子构成的，荧光灵敏度算子损失函数的计算公式如下：
（6）。
其中，为荧光灵敏度算子损失函数值；/>为第一损失函数系数；/>为第一表面荧光分布；/>为第一荧光灵敏度算子；/>为荧光分子断层成像模型预测输出的在体荧光分布三维重建结果；/>为荧光分子断层成像模型训练过程中的网络参数；/>为第二损失函数系数；/>为第二表面荧光分布；/>为第二荧光灵敏度算子。
S4中将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果，具体包括：
将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，进行迭代训练；
当当前迭代次数对应的损失函数值与设定损失函数值的差值在设定阈值范围内时，将当前迭代次数对应的荧光分子断层成像模型的预测输出确定为所述目标模型的在体荧光分布三维重建结果；所述损失函数值由荧光灵敏度算子损失函数计算得到。
本实施例中将待重建数据输入网络进行训练，即将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入至荧光分子断层成像模型中，当损失函数达到最低时，网络训练完成并得到目标模型的在体荧光分布三维重建结果。
图4中的（b）为采用本发明的多算子自监督学习的在体荧光分布三维重建结果，图4中的（d）为图4中的（b）三维重建结果的二维切片图。可以看出重建结果与真实荧光分布符合较好，定位精度高且伪影程度小。
本实施例具有以下有益效果：
1、本发明提出了一种基于多算子自监督学习的荧光分子断层成像方法，荧光分子断层成像模型的网络训练不需要数据集，可直接利用实验数据进行训练，解决了荧光分子断层成像难以获取训练数据的问题。
2、本发明采用的荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到，可以获取优于传统算法的重建效果，表现为重建伪影少，定位更精准，在荧光分子断层成像技术中有广泛的应用前景。
实施例2：
为了执行上述实施例1对应的方法，以实现相应的功能和技术效果，如图6所示，下面提供一种多算子自监督荧光分子断层成像系统，其特征在于，包括：
划分模块T1，用于对位于目标模型上的光源和探测器进行划分，得到若干个源探对集合；两两源探对集合之间不相交。
表面荧光分布获取模块T2，用于对于每一所述源探对集合，获取所述源探对集合对应的表面荧光分布，得到表面荧光分布集。
荧光灵敏度算子确定模块T3，用于对于所述表面荧光分布集中的每一所述表面荧光分布，根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子。
重建模块T4，用于将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果；所述中心表面荧光分布为表面荧光分布集中任一表面荧光分布；所述荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；所述荧光灵敏度算子损失函数由所述表面荧光分布集中所有所述表面荧光分布以及每一所述表面荧光分布对应的荧光灵敏度算子确定。
其中，所述荧光灵敏度算子损失函数的计算公式如下：
。
上式中，为荧光灵敏度算子损失函数值；/>为第一损失函数系数；/>为第一表面荧光分布；/>为第一荧光灵敏度算子；/>为荧光分子断层成像模型预测输出的在体荧光分布三维重建结果；/>为荧光分子断层成像模型训练过程中的网络参数；/>为第二损失函数系数；/>为第二表面荧光分布；/>为第二荧光灵敏度算子。
所述荧光分子断层成像模型由快速软阈值收缩迭代算法构建得到。
所述荧光灵敏度算子确定模块T2，用于：根据所述表面荧光分布，利用辐射传输方程确定所述表面荧光分布对应的荧光灵敏度算子。
所述重建模块T3，用于：
将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，进行迭代训练；
当当前迭代次数对应的损失函数值与设定损失函数值的差值在设定阈值范围内时，将当前迭代次数对应的荧光分子断层成像模型的预测输出确定为所述目标模型的在体荧光分布三维重建结果；所述损失函数值由荧光灵敏度算子损失函数计算得到。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种多算子自监督荧光分子断层成像方法，其特征在于，包括：
对位于目标模型上的光源和探测器进行划分，得到若干个源探对集合；两两源探对集合之间不相交；
对于每一所述源探对集合，获取所述源探对集合对应的表面荧光分布，得到表面荧光分布集；
对于所述表面荧光分布集中的每一所述表面荧光分布，根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子；
将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果；所述中心表面荧光分布为表面荧光分布集中任一表面荧光分布；所述荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；所述荧光灵敏度算子损失函数由所述表面荧光分布集中所有所述表面荧光分布以及每一所述表面荧光分布对应的荧光灵敏度算子确定；
将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果，具体包括：
将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，进行迭代训练；
当当前迭代次数对应的损失函数值与设定损失函数值的差值在设定阈值范围内时，将当前迭代次数对应的荧光分子断层成像模型的预测输出确定为所述目标模型的在体荧光分布三维重建结果；所述损失函数值由荧光灵敏度算子损失函数计算得到；
所述荧光灵敏度算子损失函数的计算公式如下：
；
其中，为荧光灵敏度算子损失函数值；/>为第一损失函数系数；/>为第一表面荧光分布；/>为第一荧光灵敏度算子；/>为荧光分子断层成像模型预测输出的在体荧光分布三维重建结果；/>为荧光分子断层成像模型训练过程中的网络参数；/>为第二损失函数系数；/>为第二表面荧光分布；/>为第二荧光灵敏度算子。
2.根据权利要求1所述的一种多算子自监督荧光分子断层成像方法，其特征在于，所述荧光分子断层成像模型由快速软阈值收缩迭代算法构建得到。
3.根据权利要求1所述的一种多算子自监督荧光分子断层成像方法，其特征在于，根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子，具体包括：
根据所述表面荧光分布，利用辐射传输方程确定所述表面荧光分布对应的荧光灵敏度算子。
4.一种多算子自监督荧光分子断层成像系统，其特征在于，包括：
划分模块，用于对位于目标模型上的光源和探测器进行划分，得到若干个源探对集合；两两源探对集合之间不相交；
表面荧光分布获取模块，用于对于每一所述源探对集合，获取所述源探对集合对应的表面荧光分布，得到表面荧光分布集；
荧光灵敏度算子确定模块，用于对于所述表面荧光分布集中的每一所述表面荧光分布，根据所述表面荧光分布确定所述表面荧光分布对应的荧光灵敏度算子；
重建模块，用于将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，重建得到所述目标模型的在体荧光分布三维重建结果；所述中心表面荧光分布为表面荧光分布集中任一表面荧光分布；所述荧光分子断层成像模型由荧光灵敏度算子损失函数训练得到；所述荧光灵敏度算子损失函数由所述表面荧光分布集中所有所述表面荧光分布以及每一所述表面荧光分布对应的荧光灵敏度算子确定；
所述重建模块，用于：
将中心表面荧光分布和所述中心表面荧光分布对应的荧光灵敏度算子输入到荧光分子断层成像模型中，进行迭代训练；
当当前迭代次数对应的损失函数值与设定损失函数值的差值在设定阈值范围内时，将当前迭代次数对应的荧光分子断层成像模型的预测输出确定为所述目标模型的在体荧光分布三维重建结果；所述损失函数值由荧光灵敏度算子损失函数计算得到；
所述荧光灵敏度算子损失函数的计算公式如下：
；
其中，为荧光灵敏度算子损失函数值；/>为第一损失函数系数；/>为第一表面荧光分布；/>为第一荧光灵敏度算子；/>为荧光分子断层成像模型预测输出的在体荧光分布三维重建结果；/>为荧光分子断层成像模型训练过程中的网络参数；/>为第二损失函数系数；/>为第二表面荧光分布；/>为第二荧光灵敏度算子。
5.根据权利要求4所述的一种多算子自监督荧光分子断层成像系统，其特征在于，所述荧光分子断层成像模型由快速软阈值收缩迭代算法构建得到。
6.根据权利要求4所述的一种多算子自监督荧光分子断层成像系统，其特征在于，所述荧光灵敏度算子确定模块，用于：根据所述表面荧光分布，利用辐射传输方程确定所述表面荧光分布对应的荧光灵敏度算子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410251826.9A CN117830565B (zh) | 2024-03-06 | 2024-03-06 | 一种多算子自监督荧光分子断层成像方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410251826.9A CN117830565B (zh) | 2024-03-06 | 2024-03-06 | 一种多算子自监督荧光分子断层成像方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117830565A CN117830565A (zh) | 2024-04-05 |
| CN117830565B true CN117830565B (zh) | 2024-06-14 |
Family
ID=90515651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410251826.9A Active CN117830565B (zh) | 2024-03-06 | 2024-03-06 | 一种多算子自监督荧光分子断层成像方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830565B (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7729750B2 (en) * | 2005-01-20 | 2010-06-01 | The Regents Of The University Of California | Method and apparatus for high resolution spatially modulated fluorescence imaging and tomography |
| US20130109963A1 (en) * | 2011-10-31 | 2013-05-02 | The University Of Connecticut | Method and apparatus for medical imaging using combined near-infrared optical tomography, fluorescent tomography and ultrasound |
| CN108095686B (zh) * | 2017-11-06 | 2020-09-11 | 西北大学 | 一种荧光分子断层成像目标可行域选取方法 |
| CN113327305B (zh) * | 2021-05-31 | 2022-06-24 | 华中科技大学 | 一种模型驱动的深度学习荧光分子断层成像方法及系统 |
| CN115868923A (zh) * | 2022-04-21 | 2023-03-31 | 华中科技大学 | 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 |
| CN115311380A (zh) * | 2022-08-15 | 2022-11-08 | 华中科技大学 | 基于admm网络的反射式荧光分子断层成像方法及系统 |
| CN115607108A (zh) * | 2022-09-30 | 2023-01-17 | 西北大学 | 一种基于表面测量信号盲源分离的多目标重建方法 |
| CN117338249A (zh) * | 2023-10-19 | 2024-01-05 | 苏州阿尔忒计算技术有限公司 | 一种激发荧光断层成像方法 |
-
2024
- 2024-03-06 CN CN202410251826.9A patent/CN117830565B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 组织仿体液中近红外荧光分子探针的3-D成像;胡刚;姚俊杰;宋小磊;白净;;航天医学与医学工程;20090415(第02期);61-64 * |
| 荧光分子断层成像正向问题的并行计算;邹玮;王加俊;冯大淦;;光学学报;20070330(第03期);71-78 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117830565A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191564B (zh) | 基于深度学习的激发荧光断层成像三维重建方法 | |
| CN109978778B (zh) | 基于残差学习的卷积神经网络医学ct图像去噪方法 | |
| US20120302880A1 (en) | System and method for specificity-based multimodality three- dimensional optical tomography imaging | |
| CN109993808B (zh) | 一种基于dsn的动态双示踪pet重建方法 | |
| CN113409466B (zh) | 基于gcn残差连接网络的激发荧光断层成像方法 | |
| Awasthi et al. | Sinogram super-resolution and denoising convolutional neural network (SRCN) for limited data photoacoustic tomography | |
| CN106097441A (zh) | 基于l1范数与tv范数的复合正则化生物发光断层成像重建方法 | |
| CN111956180B (zh) | 一种重建光声内窥层析图像的方法 | |
| CN115868923A (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 | |
| CN111223162B (zh) | 一种用于重建epat图像的深度学习方法及系统 | |
| Liang et al. | Automatic 3-D segmentation and volumetric light fluence correction for photoacoustic tomography based on optimal 3-D graph search | |
| CN113902825A (zh) | 基于VDD-Net的肺部电阻抗成像方法 | |
| CN113327305B (zh) | 一种模型驱动的深度学习荧光分子断层成像方法及系统 | |
| CN115330669A (zh) | 预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质 | |
| Sun et al. | An iterative gradient convolutional neural network and its application in endoscopic photoacoustic image formation from incomplete acoustic measurement | |
| CN116503506B (zh) | 一种图像重建方法、系统、装置及存储介质 | |
| CN117830565B (zh) | 一种多算子自监督荧光分子断层成像方法及系统 | |
| CN117197349A (zh) | 一种ct图像重建方法及装置 | |
| CN110772227A (zh) | 基于全卷积编解码架构的介观荧光探针重建方法及系统 | |
| CN114511602B (zh) | 基于图卷积Transformer的医学图像配准方法 | |
| CN114926559A (zh) | 一种基于字典学习思想无衰减校正的pet重建方法 | |
| CN113870377A (zh) | 基于V-ResNet肺部成像方法 | |
| Bazrafkan et al. | To recurse or not to recurse: a low-dose CT study | |
| CN113288188A (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 | |
| 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 |
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 |