[發(fā)明專利]一種模型驅(qū)動的深度學習熒光分子斷層成像方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110598228.5
• 申請日: 2021-05-31
• 公開（公告）號: CN113327305B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設計）人: 鄧勇;華泳州;劉鍇賢;蔣宇軒
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06K9/62;G06N3/04;G06N3/08;A61B5/00;G06V10/774;G06V10/82
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 杜陽陽

1.一種模型驅(qū)動的深度學習熒光分子斷層成像方法，其特征在于，所述方法包括：

獲取表面探測熒光分布；

將所述表面探測熒光分布輸入到熒光分子斷層成像模型中，重建得到熒光團分布；所述熒光分子斷層成像模型是利用測試集對分層網(wǎng)絡模型訓練而成的；所述分層網(wǎng)絡模型是基于熒光分子斷層成像圖像重建的正則化優(yōu)化目標函數(shù)的梯度、多層三維卷積神經(jīng)網(wǎng)絡的殘差塊結構和梯度下降算法構建而成的；

所述熒光分子斷層成像模型的確定方法為：

獲取測試集；所述測試集包括待訓練的表面探測熒光分布和對應的真實熒光團分布；

基于輻射傳輸方程的擴散近似模型確定正則化優(yōu)化目標函數(shù)；

計算所述正則化優(yōu)化目標函數(shù)的梯度；

根據(jù)所述梯度將所述梯度下降算法展開，得到各迭代次數(shù)下的計算圖；

采用多層三維卷積神經(jīng)網(wǎng)絡的殘差塊結構對所述計算圖中的正則項梯度進行參數(shù)化處理，得到各迭代次數(shù)下的參數(shù)化計算圖；

將每一迭代次數(shù)下的參數(shù)化計算圖確定為一層網(wǎng)絡結構，將所有的網(wǎng)絡結構級聯(lián)得到所述分層網(wǎng)絡模型；

將所述測試集輸入到所述分層網(wǎng)絡模型中進行訓練，得到所述熒光分子斷層成像模型；

所述將所述測試集輸入到所述分層網(wǎng)絡模型中進行訓練，得到所述熒光分子斷層成像模型，具體包括：

在當前訓練次數(shù)下，將所述待訓練的表面探測熒光分布輸入到所述分層網(wǎng)絡模型中，得到當前訓練次數(shù)下的熒光團分布；

計算當前損失函數(shù)差值；所述當前損失函數(shù)差值為當前訓練次數(shù)下的損失函數(shù)的值與上一訓練次數(shù)下的損失函數(shù)的值的差的絕對值；所述損失函數(shù)為所述分層網(wǎng)絡模型輸出的熒光團分布與對應的真實熒光團分布之間的均方誤差；

判斷所述當前損失函數(shù)差值是否小于預設閾值；

若是，則將當前訓練次數(shù)下的分層網(wǎng)絡模型確定為所述熒光分子斷層成像模型；若否，則根據(jù)當前訓練次數(shù)下的損失函數(shù)調(diào)整當前訓練次數(shù)下的分層網(wǎng)絡模型中的可學習參數(shù)，并進行下一次訓練；所述可學習參數(shù)包括：各層網(wǎng)絡結構的步長、各層網(wǎng)絡結構的正則化參數(shù)、各層網(wǎng)絡結構中的三維卷積神經(jīng)網(wǎng)絡的卷積核參數(shù)和各層網(wǎng)絡結構中的三維卷積神經(jīng)網(wǎng)絡的偏置參數(shù)。

2.根據(jù)權利要求1所述的模型驅(qū)動的深度學習熒光分子斷層成像方法，其特征在于，所述正則化優(yōu)化目標函數(shù)為：

其中，Ω(x)為熒光分子斷層成像圖像重建時需要最小化的目標函數(shù)，Φ為表面探測熒光分布，A為用有限元求解所述基于輻射傳輸方程的擴散近似模型得到的前向矩陣，x為熒光團分布，λ為所述正則化參數(shù)，M(x)為正則化項。

3.根據(jù)權利要求1所述的模型驅(qū)動的深度學習熒光分子斷層成像方法，其特征在于，所述計算圖的表達式為：

x_k＝ReLU[x_k-1-η_k▽Ω(x_k-1))]，k＝1,2,…，N,N＝15，

其中，▽Ω(x_k-1)為正則化優(yōu)化目標函數(shù)第k次迭代的梯度，▽Ω(x_k-1)＝A^TAx_k-1-A^TΦ+λ_kM'_k(x_k-1)，k為所述計算圖的迭代次數(shù)，N為所述計算圖的最大迭代次數(shù)，x_k為經(jīng)過第k次迭代輸出的熒光團分布，ReLU[·]為線性整流函數(shù)，x_k-1為經(jīng)過k-1次迭代輸出的熒光團分布，η_k為第k次迭代的迭代步長，A為用有限元求解所述基于輻射傳輸方程的擴散近似模型得到的前向矩陣，Φ為表面探測熒光分布，λ_k為第k次迭代的正則化參數(shù)，M'_k(x_k-1)為第k次迭代的正則項梯度。