System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及分子影像,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。
技术介绍
1、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。
2、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。
3、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,
4、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。
5、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。
技术实现思路
1、本专利技术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。
2、为实现上述目的,本专利技术提供了如下方案:
3、本专利技术提供一种多算子自监督荧光分子断层成像方法,包括:
4、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。
5、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。
6、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。
7、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。
8、本专利技术还提供了一种多算子自监督荧光分子断层成像系统,包括:
9、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。
10、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。
11、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。
12、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。
13、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:本专利技术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本文档来自技高网...
【技术保护点】
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:
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,所述荧光灵敏度算子损失函数的计算公式如下:
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,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。
4.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,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:
5.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:
6.一种多算子自监督荧光分子断层成像系统,其特征在于,包括:
7.根据权利要求6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损失函数的计算公式如下:
8.根据权利要求6所述的一种多算子自监督荧光
9.根据权利要求6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,所述重建模块,用于:
10.根据权利要求6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。
...【技术特征摘要】
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:
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,所述荧光灵敏度算子损失函数的计算公式如下:
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,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。
4.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,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:
5.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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。