[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

说明书

本发明属于光学分子影像技术领域，公开了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，生成网格化后的样本模型，并生成训练样本；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；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；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。本发明的方法得到的重建结果与真实光源从形状和位置上来说都更加接近，能够较为准确的重建出了契伦科夫荧光光源。

技术领域

本发明属于光学分子影像技术领域，尤其涉及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。

背景技术

目前，最接近的现有技术：契伦科夫荧光成像(Cerenkov Luminescence Imaging,CLI)是近年来新出现的一种光学分子影像技术。它通过使用高度灵敏度的CCD相机，采集放射性核素探针在核衰变过程中产生的波长在400～900mm之间的传播到生物组织表面的可见光和近红外光进行成像。与其他光学分子影像技术相比，由于已有大量的核素探针被美国食品与药品管理署批准用于临床诊断与治疗，CLI技术具有探针种类多、信号强度高、采集信息丰富等优点。

契伦科夫荧光断层成像(Cerenkov Luminescence Tomography,CLT)是基于CLI技术的对放射性核素探针在生物组织内分布的三维成像，此时，放射性核素探针即为契伦科夫荧光光源。由于能反映小动物体内核素探针的三维空间位置信息，并能够准确地对核素探针进行定量观察，且空间分辨率较高，因而受到了学者的广泛关注。CLT重建方法包括前向问题和逆向问题两个过程。其中前向问题是通过数学模型来描述荧光由光源传输到生物体表面的复杂的物理过程，通过建立光在生物组织中的传播模型，然后求解该模型，来建立生物体表面契伦科夫荧光信号与生物体内部契伦科夫荧光光源三维分布之间的映射关系。逆向问题属于最优化问题，即对前向问题中得到的映射方程求取最优解，所求取的最优解即是契伦科夫荧光光源在生物体内部的三维分布。为了提高CLT的重建质量，既需构建契伦科夫荧光光子在生物体内传播的精确模型，又需要精确、快速的重建方法。而传统的CLT重建方法依赖于构建光子传播模型，以及生物器官的光学参数特性。因此会受到器官区域分割不准确，器官光学参数不准确等因素的影响，其重建结果往往与真实光源相比相差较大，故而其重建精度较低。

综上所述，现有技术存在的问题是：传统的CLT重建方法依赖于构建光子传播模型，以及生物器官的光学参数特性。因此会受到器官区域分割不准确，器官光学参数不准确等因素的影响，其重建精度较低。

解决上述技术问题的难度：

依赖的参数较多，计算较为复杂，准确度不高。

解决上述技术问题的意义：

在将CLT应用到临床诊断的过程中，一个较高的重建精度可以给医师提供一个更精确的参考，从而降低误判的可能性。

发明内容

针对现有技术存在的问题，本发明提供了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。

本发明是这样实现的，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，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。

进一步，所述第一步生成训练样本包括：