[发明专利]一种基于多层感知网络的契伦科夫荧光断层成像重建方法

权利要求书

1.一种基于多层感知网络的契伦科夫荧光断层成像重建方法，其特征在于，所述基于多层感知网络的契伦科夫荧光断层成像重建方法包括以下步骤：

第一步，生成网格化后的样本模型，并生成训练样本；

第二步，构建契伦科夫荧光断层成像的多层感知网络并进行训练，多层感知网络可以分为前向网络A和逆向网络B；

第三步，采集生物体表面的契伦科夫荧光信号，重建得到生物体内部契伦科夫荧光光源三维分布信息；

第四步，将得到的初步重建结果映射到构建的网格化后的样本模型中，再将其输入到多层感知网络，得到精确重建结果。

2.如权利要求1所述的基于多层感知网络的契伦科夫荧光断层成像重建方法，其特征在于，所述第一步生成训练样本包括：

(1)构建样本模型，构建大小为5×5×5mm³的样本模型，并利用有限元理论将所构建的样本模型网格化，进而得到网格化后的样本模型；

(2)构建单契伦科夫荧光光源仿真样本，在(1)的网格化后的样本模型中设置单个球形契伦科夫荧光光源，光源半径为0.1mm，使用蒙特卡罗仿真MOSE平台生成单契伦科夫荧光光源的仿真训练样本；

(3)样本扩充，得到多契伦科夫荧光光源仿真样本，在(2)中获得单契伦科夫荧光光源仿真样本集合的基础之上，通过使用样本组合方法对样本进行扩充，进而得到多契伦科夫荧光光源仿真训练样本。

3.如权利要求1所述的基于多层感知网络的契伦科夫荧光断层成像重建方法，其特征在于，所述第二步构建契伦科夫荧光断层成像的多层感知网络并进行训练包括：

(1)构建前向网络A，前向网络A包括1个输入层，4个隐含层以及1个输出层，其中输入层的节点数量和隐含层的节点数量与样本模型网格节点数目相同，输出层的节点数量与样本模型网格表面节点数目相同；

(2)利用得到的多契伦科夫荧光光源样本训练前向网络A，网络输入为多契伦科夫荧光光源仿真样本的契伦科夫荧光光源在样本模型内部的分布数据，网络输出为预测的多契伦科夫荧光光源仿真样本在样本模型表面的分布数据；

(3)构建逆向网络B，逆向网络B包括1个输入层，4个隐含层以及1个输出层，其中输入层的节点数量与样本模型网格表面节点数目相同，输出层的节点数量和隐含层的节点数量与样本模型网格节点数目相同；

(4)利用得到的多契伦科夫荧光光源样本训练逆向网络B，网络输入为多契伦科夫荧光光源仿真样本在样本模型表面的分布数据，网络输出为预测的多契伦科夫荧光光源仿真样本的契伦科夫荧光光源在样本模型内部的分布数据；

(5)合并前向网络A和逆向网络B，将训练完成前向网络A的输出层作为训练完成的逆向网络B的输入层，得到最终的多层感知网络。

4.如权利要求3所述的基于多层感知网络的契伦科夫荧光断层成像重建方法，其特征在于，所述在(2)和(4)中每一层的输出结果利用修正函数对每一层的输出结果进行修正；通过下式修正隐含层和输出层的线性单元的输出结果中的负值：

其中X表示当前层的线性单元的输出结果，ReLu表示修正函数；当输出结果为负值或者零时，修正函数将负值进行归零。

5.如权利要求3所述的基于多层感知网络的契伦科夫荧光断层成像重建方法，其特征在于，所述(2)和(4)中，当前层与上一层之间的关系如下式：

X_i＝Dropout_0.4(ReLu(W_iX_i-1+b_i)) i≥2；

其中X_i表示第i层的节点值，W_i表示第i层的权重，b_i表示第i层的偏置，Dropout_0.4是一个随机函数，表示每一层的节点有40％的概率清零。