[發明專利]一種模型驅動的深度學習熒光分子斷層成像方法及系統

有效

• 申請號: 202110598228.5
• 申請日: 2021-05-31
• 公開（公告）號: CN113327305B
• 公開（公告）日: 2022-06-24
• 發明（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

本發明公開了一種模型驅動的深度學習熒光分子斷層成像方法及系統。該方法包括：獲取待測試的表面探測熒光分布；將待測試的表面探測熒光分布輸入到熒光分子斷層成像模型中，得到待檢測的熒光團分布；熒光分子斷層成像模型是利用測試集對分層網絡模型訓練而成的；分層網絡模型是基于熒光分子斷層成像圖像重建的正則化優化目標函數的梯度、多層三維卷積神經網絡的殘差塊結構和梯度下降算法構建而成的。本發明采用熒光分子斷層成像模型建立了表面探測熒光分布和熒光團分布之間端到端的映射關系，避開了傳統的基于模型的圖像重建的劣勢，提高了圖像重建的質量。

技術領域

本發明涉及分子影像技術領域，特別是涉及一種模型驅動的深度學習熒光分子斷層成像方法及系統。

背景技術

熒光分子斷層成像(Fluorescence Molecular Tomography，FMT)是一種基于擴散光的活體光學分子成像技術，具有靈敏度高、成像視場大、成像深度深及非侵入式探測等特點，在基因表達、蛋白質相互作用、腫瘤發生發展、藥代動力學等方面有重大應用前景。

基于傳統的FMT圖像重建是基于模型的重建，其特點是物理意義明確、可解釋性強，但是由于生物組織結構的復雜性，對光子在生物體內傳播的正向建模會不可避免的帶來建模誤差，同時由于生物組織對熒光波段光子的高散射特性，FMT逆向問題具有高度病態性，導致了重建圖像偽影多、定位定量精度不足等問題，因此遵循傳統的圖像重建研究思路難以讓現階段的FMT圖像重建質量有實質性的突破。如何提高圖像重建質量是目前亟需解決的問題。

發明內容

本發明的目的是提供一種模型驅動的深度學習熒光分子斷層成像方法及系統，通過建立表面探測熒光分布和待檢測的熒光團分布之間端到端的映射關系，避開了傳統的基于模型的圖像重建的劣勢，提高了圖像重建的質量。

為實現上述目的，本發明提供了如下方案：

一種模型驅動的深度學習熒光分子斷層成像方法，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絡模型訓練而成的；所述分層網絡模型是基于熒光分子斷層成像圖像重建的正則化優化目標函數的梯度、多層三維卷積神經網絡的殘差塊結構和梯度下降算法構建而成的。

可選的，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化目標函數；

計算所述正則化優化目標函數的梯度；

根據所述梯度將所述梯度下降算法展開，得到各迭代次數下的計算圖；

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

將每一迭代次數下的參數化計算圖確定為一層網絡結構，將所有的網絡結構級聯得到所述分層網絡模型；

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

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

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

計算當前損失函數差值；所述當前損失函數差值為當前訓練次數下的損失函數的值與上一訓練次數下的損失函數的值的差的絕對值；所述損失函數為所述分層網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；