[发明专利]基于自适应高斯拉普拉斯规则化的FMT重建方法及装置

权利要求书

1.一种基于自适应高斯拉普拉斯规则化的激发荧光断层成像重建方法，其中，包括如下步骤：

步骤S100：基于扩散方程和有限元模型转换，建立激发荧光断层成像逆问题；其中，步骤S100中包括：

步骤S110：建立扩散方程，包括：

其中，代表梯度算子，r为位置向量，Ω代表成像物体所占据的三维空间，r_l为激发光源的位置，Θ为激发光源的光强值，下标x和m分别表示激发光和发射光，Φ_x，m(r)代表位置r处的光子密度，μ_ax，am为光学吸收系数，μ_sx，sm为光学散射系数，D_x，m＝1/3(μ_ax，am+(1-g)μ_sx，sm)为扩散系数，g为各向异性系数，ημ_af(r)为待重建的荧光区域，其中η代表量子效率，q代表光学折射系数；

步骤S120：基于扩散方程(1)，进行有限元模型转换为如下的方程：

Φ＝AX

其中，Φ为采集到的成像物体表面的发射荧光信息，A代表系统矩阵，X代表生物组织内部的光源的分布信息；

步骤S130：建立激发荧光断层成像逆问题：

其中，min E(x)为逆问题方程，Φ为采集到的成像物体表面的发射荧光信息，A代表系统矩阵，X代表生物组织内部的光源的分布信息；

步骤S200：在步骤S100建立的逆问题中，加入自适应的高斯拉普拉斯规则化约束条件；步骤S200中，在步骤S100建立的逆问题中，加入自适应的高斯拉普拉斯规则化约束条件后的逆问题如下：

其中，min E(x)′为加入自适应的高斯拉普拉斯规则化约束条件后的逆问题方程，Φ为采集到的成像物体表面的发射荧光信息，A代表系统矩阵，X代表生物组织内部的光源的分布信息，λ为规则化参数，L_AG为自适应的高斯加权的拉普拉斯规则化矩阵；

所述自适应的高斯加权的拉普拉斯规则化矩阵L_AG如下：

L_AG＝(l_i，j)_N×N

其中，矩阵L_AG的维数为N×N，l_i，j为矩阵L_AG第i行，第j列的元素；S_t代表子图像t，d_i，j为像素i和像素j之间的欧式距离，ρ_sk为光滑算子，R_L和R_S分别为较大的和较小的高斯核参数；Ω_h为高能区，Ω_m为中能区，Ω_l为低能区，为子图像中属于高能区和低能区的任意两个元素，为子图像中属于中能区的任意两个元素；

步骤S300：利用共轭梯度方法迭代求解逆问题；

步骤S400：合成靶向性的荧光探针；

步骤S500：构建小鼠脑胶质瘤原位模型，捕获注射探针的荧光数据，获得荧光探针在脑胶质瘤区域的形态学分布。

2.如权利要求1所述的激发荧光断层成像重建方法，其中，所述高能区Ω_h、中能区Ω_m和低能区Ω_l的定义分别如下：

其中，为在第n次迭代计算中第k个像素的光强值；为在第n次迭代计算中最大的像素光强值，θ_h和θ_l为划分高能区、中能区和低能区的高阈值和低阈值。

3.如权利要求1所述的激发荧光断层成像重建方法，其中，步骤S300中对迭代结果中小于零的元素进行修正。