一种基于物理模型深度网络的荧光断层重建成像方法技术

一种基于物理模型深度网络的荧光断层重建成像方法，通过CCD相机获取组织表面光强信息，利用Amira软件对仿体进行网格剖分，分别剖分两个精度不同的网格，利用剖分好的网格和仿体内各区域的光学参数通过有限元方法分别求对应的系统矩阵和网格各节点的邻接矩阵；设置不同网格对应的功率密度的传递矩阵。然后将表面光强数据传入深度网络，在粗网格中进行求解；根据粗网格的求解结果划定细网格的求解可行区，在可行区内求解；本发明专利技术保证求得的解的范数小，结果较为稀疏；求解时兼顾范数和结果前向与真实表面光强的误差；可以更加精准地定位组织中荧光团的位置，对研究肿瘤及其早期诊断具有重要意义。断具有重要意义。断具有重要意义。

【技术实现步骤摘要】
一种基于物理模型深度网络的荧光断层重建成像方法


[0001]本专利技术属于医学成像
，具体涉及一种基于物理模型深度网络的荧光断层重建成像方法。

技术介绍

[0002]荧光断层重建是指根据组织内部透射到表面的光强信息结合组织的光参计算荧光光源的位置和功率，包括生物发光断层成像，荧光分子断层成像，X射线发光计算机断层成像，切伦科夫发光断层成像等，这些成像技术都有着高灵敏度、高特异性的优点，可以应用于癌症的早期诊断等方面。
[0003]组织内部的荧光断层重建是个不适定且欠定的问题，需要求解出范数最小的结果，而且干扰对求解的结果影响较大。传统方法([1]Zhang X,Badea C T,and Johnson G A.Three
‑
dimensional reconstruction in free
‑
space whole
‑
body fluorescence tomography of mice using optically reconstructed surface and 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理模型深度网络的荧光断层重建成像方法，其特征在于，包括以下步骤：1)通过CCD相机获取组织表面光强数据，利用Amira软件对仿体进行网格剖分，分别剖分为一个粗网格和一个细网格；利用剖分好的网格和仿体内各区域的光学参数通过有限元方法求粗网格系统矩阵A1、细网格系统矩阵A2，并求网格各节点的粗网格邻接矩阵W1、细网格邻接矩阵W2；将表面光强数据匹配到两个网格上，形成对应粗细网格的粗网格表面光强b1、细网格表面光强b2；2)设置功率密度的粗网格传递矩阵B1、细网格传递矩阵B2，传递矩阵将功率密度传递到其相邻节点位置，传递矩阵的列和应为1；3)利用粗网格表面光强b1和粗网格系统矩阵A1和粗网格邻接矩阵W1，将粗网格系统矩阵A1作为物理模型约束在深度网络中求解；4)利用步骤3)获得的结果，在细网格内划分可行区，通过细网格表面光强b2，细网格系统矩阵A2和细网格邻接矩阵W2进行求解。2.根据权利要求1所述的方法，其特征在于，所述的步骤1)具体为：1.1)利用Amira软件对仿体进行网格剖分；1.2)根据网格的节点将扩散方程离散化，求系统矩阵；扩散方程为：其中，D(r)为扩散系数，S(r)为光源，Φ(r)为光源产生的光通量，μ
a
为吸收系数，q为折射率；离散化为：KΦ＝F其中，K为刚度矩阵，Φ为光通量矩阵，F为光源矩阵；则：Φ＝K
‑1F系统矩阵A为Φ内部节点对应行置0的结果；1.3)求出网格内所有节点的邻接矩阵W。3.根据权利要求1所述的方法，其特征在于，所述的步骤3)具体为：3.1)将粗网格表面光强b1传入深度网络，深度网络的输出x为光源功率密度分布，目标函数为：loss＝mse(b1,A1x)+mse(b1,A1B
12
x)通过荧光分布前向与真实表面的均方误差来调整网络内部参数；3.2)多次求解，记录所有求解结果，将所有结果之和乘粗网格邻接矩阵W1后的非0节点作为可行区；3.3)在该可行区内继续求解，目标函数为：loss＝mse(...

【专利技术属性】
技术研发人员：任胜寒，陈雪利，孟煜，陈多芳，谢晖，徐欣怡，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：