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技术方案

本发明专利技术涉及分子成像技术领域，公开了一种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，具体通过获取荧光灵敏度矩阵，对荧光灵敏度矩阵进行归一化处理，基于归一化处理后的荧光灵敏度矩阵确定优化目标函数，计算与荧光灵敏度矩阵满足最小相干标准的权重矩阵，获取表面荧光分布图像，基于所述表面荧光分布图像和权重矩阵，构建循环神经网络，获取训练集，采用所述训练集对所述循环神经网络进行训练，采用所述训练后的循环神经网络，对所述优化目标函数进行求解得到重建后的在体荧光分布图像。本发明专利技术中的上述方法及系统引入相应的物理原理来提升神经网络的可解释性，训练所需的样本也较少，并且可以缩减网络的深度，提高图像重建质量。提高图像重建质量。提高图像重建质量。

【技术实现步骤摘要】
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


[0001]本专利技术涉及分子成像
，特别是涉及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。

技术介绍

[0002]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，主要是对小动物整体或者特定器官内荧光探针的三维分布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。
[0003]传统的FMT图像重建是基于模型的重建，其特点是物理意义明确、可解释性强，但是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FMT图像重建质量有实质性的突破。近年来，深度学习方法逐渐被引入医学成像领域如CT、MRI等，并取得了显著进展，这给解决FMT问题提供了新的思路。深度学习可以通过建立端到端的神经网络进行图像重建，就可以抛开传统的正向建模与逆向求解的范式，直接建立探测数据到重建目标的映射关系，因此就完全避免了正向建模误差和逆向求解病态性，有希望达到提升图像重建质量的目的。
[0004]但由于抛开了原有数理方法的范式，网络架构设计往往基于已有的网络结构，而这些网络存在黑盒效应，学习参数不具备解释性，网络的泛化能力只能通过增大训练集以及增加网络深度来提升，这将导致训练所需要的计算资源会大幅度增加。因此，如何在使用深度学习方法增强图像重建质量的同时，又能引入相应的物理原理来提升神经网络的可解释性以达到缩减所需的训练样本以及网络的深度，成为了亟待解决的问题。

技术实现思路

[0005]本专利技术的目的是提供一种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，可以提升神经网络的可解释性，缩减所需的训练样本以及网络的深度。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于展开式循环神经网络的荧光分子断层成像方法，所述荧光分子断层成像方法包括以下步骤：
[0008]获取荧光灵敏度矩阵；
[0009]对所述荧光灵敏度矩阵进行归一化处理；
[0010]基于归一化处理后的荧光灵敏度矩阵确定优化目标函数；
[0011]计算与所述荧光灵敏度矩阵满足最小相干标准的权重矩阵；
[0012]获取表面荧光分布图像；
[0013]基于所述表面荧光分布图像和所述权重矩阵，构建循环神经网络；
[0014]获取训练集；
[0015]采用所述训练集对所述循环神经网络进行训练；
[0016]采用所述训练后的循环神经网络，对所述优化目标函数进行求解得到重建后的在体荧光分布图像。
[0017]可选地，所述获取荧光灵敏度矩阵具体为：
[0018]通过有限元求解基于辐射传输方程的扩散近似模型获得荧光灵敏度矩阵，所述荧光灵敏度矩阵用来描述表面荧光分布图像与在体荧光分布图像的关系。
[0019]可选地，对所述荧光灵敏度矩阵进行归一化处理具体采用如下公式：
[0020]A0＝AP
‑1[0021]其中，A0为归一化处理后的荧光灵敏度矩阵，A为荧光灵敏度矩阵，P为对角矩阵，P的对角元素为灵敏度矩阵A列向量的欧几里得长度。
[0022]可选地，所述基于归一化处理后的荧光灵敏度矩阵确定优化目标函数具体为：
[0023][0024]其中，minΩ(x
*
)为基于归一化处理后荧光灵敏度矩阵条件下的荧光分子断层成像图像重建时需要最小化的目标函数，x
*
为基于归一化处理后荧光灵敏度矩阵条件下的在体荧光分布图像，Φ为表面荧光分布图像，A0为归一化处理后的荧光灵敏度矩阵，λ为正则化系数，为对
·
进行L2范数运算，||
·
||1为对
·
进行L1范数运算。
[0025]可选地，所述计算与所述荧光灵敏度矩阵满足最小相干标准的权重矩阵具体采用以下公式：
[0026][0027]其中，minΩ(x)为荧光分子断层成像图像重建时需要最小化的目标函数，x为在体荧光分布图像，W为权重矩阵，W
T
为对权重矩阵W做转置运算，A为荧光灵敏度矩阵，为对
·
进行F范数运算，M为矩阵的最大列数，m在这里表示矩阵的第m列，为使得满足等于1的条件，此公式通过近端梯度下降算法求解权重矩阵W。
[0028]可选地，所述基于所述表面荧光分布图像和所述权重矩阵，构建循环神经网络具体包括以下步骤：
[0029]构建梯度下降单元，所述梯度下降单元用于接收所述表面荧光分布图像和所述权重矩阵并更新表面荧光分布图像的重建结果；
[0030]构建软阈值收缩单元，所述软阈值收缩单元的输入端与所述梯度下降单元输出端连接，所述软阈值收缩单元用于降低表面荧光分布图像中间重建结果的伪影；
[0031]构建动量更新单元，所述动量更新单元的输入端与所述软阈值收缩单元连接，所述动量更新单元的输出端与所述梯度下降单元的输入端连接，所述动量更新单元用于对表面荧光分布图像中间重建结果进行收敛，使表面荧光分布图像中间重建结果达到重建标准。
[0032]可选地，所述构建梯度下降单元具体包括：将所述梯度下降单元的梯度算子替换
为所述权重矩阵。
[0033]可选地，所述训练集为单根荧光棒的仿真数据，所述训练集包括真实的在体荧光分布图像和表面荧光分布图像。
[0034]基于本专利技术中的上述方法，本专利技术另外提供了基于展开式循环神经网络的荧光分子断层成像系统，所述荧光分子断层成像系统包括：
[0035]荧光灵敏度矩阵获取模块，用于获取荧光灵敏度矩阵；
[0036]归一化处理模块，与所述荧光灵敏度确定模块连接，用于对所述荧光灵敏度矩阵进行归一化处理；
[0037]优化目标函数确定模块，与所述归一化处理模块连接，用于基于归一化处理后的荧光灵敏度矩阵确定优化目标函数；
[0038]权重矩阵计算模块，与所述荧光灵敏度确定模块连接，用于计算与所述荧光灵敏度矩阵满足最小相干标准的权重矩阵；
[0039]表面荧光分布图像获取模块，用于获取表面荧光分布图像；
[0040]神经网络构建模块，与所述表面荧光分布图像获取模块、权重矩阵计算模块连接，根据获取的表面荧光分布图像和所述权重矩阵，构建循环神经网络；
[0041]训练集获取模块，用于获取训练集；
[0042]训练模块，与所述训练集获取模块连接，用于采用所述训练集对所述循环神经网络进行训练；
[0043]在体荧光分布图像重建模块，与所述优化目标函数确定模块连接，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于展开式循环神经网络的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方法包括以下步骤：获取荧光灵敏度矩阵；对所述荧光灵敏度矩阵进行归一化处理；基于归一化处理后的荧光灵敏度矩阵确定优化目标函数；计算与所述荧光灵敏度矩阵满足最小相干标准的权重矩阵；获取表面荧光分布图像；基于所述表面荧光分布图像和所述权重矩阵，构建循环神经网络；获取训练集；采用所述训练集对所述循环神经网络进行训练；采用所述训练后的循环神经网络，对所述优化目标函数进行求解得到重建后的在体荧光分布图像。2.根据权利要求1所述的基于展开式循环神经网络的荧光分子断层成像方法，其特征在于，所述获取荧光灵敏度矩阵具体为：通过有限元求解基于辐射传输方程的扩散近似模型获得荧光灵敏度矩阵，所述荧光灵敏度矩阵用来描述表面荧光分布图像与在体荧光分布图像的关系。3.根据权利要求1所述的基于展开式循环神经网络的荧光分子断层成像方法，其特征在于，对所述荧光灵敏度矩阵进行归一化处理具体采用如下公式：A0＝AP
‑1其中，A0为归一化处理后的荧光灵敏度矩阵，A为荧光灵敏度矩阵，P为对角矩阵，P的对角元素为灵敏度矩阵A列向量的欧几里得长度。4.根据权利要求1所述的基于展开式循环神经网络的荧光分子断层成像方法，其特征在于，所述基于归一化处理后的荧光灵敏度矩阵确定优化目标函数具体为：其中，minΩ(x
*
)为基于归一化处理后荧光灵敏度矩阵条件下的荧光分子断层成像图像重建时需要最小化的目标函数，x
*
为基于归一化处理后荧光灵敏度矩阵条件下的在体荧光分布图像，Φ为表面荧光分布图像，A0为归一化处理后的荧光灵敏度矩阵，λ为正则化系数，为对
·
进行L2范数运算，||
·
||1为对
·
进行L1范数运算。5.根据权利要求1所述的基于展开式循环神经网络的荧光分子断层成像方法，其特征在于，所述计算与所述荧光灵敏度矩阵满足最小相干标准的权重矩阵具体采用以下公式：其中，minΩ(x)为荧光分子断层成像图像重建时需要最小化的目标函数，x为在体荧光分布图像，W为权重矩阵，W
T
为对权重矩阵W做转置运算，A为荧光灵敏度矩阵，为对
·
进行F范数运算，M为矩阵的最大列数，m在这里表示矩阵的第m列，为使得满足等于1的条件，此公式通过近端梯度下降算法求解权重矩阵W。
6.根据权利要求1所述的基于展开式循环神经网络的荧光分子断层成像方法，其特征在于，所述基于所述表面荧光分布图像和所述权重矩阵，构建循环神经网络具体包括以下步骤：构建梯度下降单元...

【专利技术属性】
技术研发人员：邓勇，蒋宇轩，华泳州，刘锴贤，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：