[发明专利]一种模型驱动的深度学习荧光分子断层成像方法及系统

权利要求书

1.一种模型驱动的深度学习荧光分子断层成像方法，其特征在于，所述方法包括：

获取表面探测荧光分布；

将所述表面探测荧光分布输入到荧光分子断层成像模型中，重建得到荧光团分布；所述荧光分子断层成像模型是利用测试集对分层网络模型训练而成的；所述分层网络模型是基于荧光分子断层成像图像重建的正则化优化目标函数的梯度、多层三维卷积神经网络的残差块结构和梯度下降算法构建而成的；

所述荧光分子断层成像模型的确定方法为：

获取测试集；所述测试集包括待训练的表面探测荧光分布和对应的真实荧光团分布；

基于辐射传输方程的扩散近似模型确定正则化优化目标函数；

计算所述正则化优化目标函数的梯度；

根据所述梯度将所述梯度下降算法展开，得到各迭代次数下的计算图；

采用多层三维卷积神经网络的残差块结构对所述计算图中的正则项梯度进行参数化处理，得到各迭代次数下的参数化计算图；

将每一迭代次数下的参数化计算图确定为一层网络结构，将所有的网络结构级联得到所述分层网络模型；

将所述测试集输入到所述分层网络模型中进行训练，得到所述荧光分子断层成像模型；

所述将所述测试集输入到所述分层网络模型中进行训练，得到所述荧光分子断层成像模型，具体包括：

在当前训练次数下，将所述待训练的表面探测荧光分布输入到所述分层网络模型中，得到当前训练次数下的荧光团分布；

计算当前损失函数差值；所述当前损失函数差值为当前训练次数下的损失函数的值与上一训练次数下的损失函数的值的差的绝对值；所述损失函数为所述分层网络模型输出的荧光团分布与对应的真实荧光团分布之间的均方误差；

判断所述当前损失函数差值是否小于预设阈值；

若是，则将当前训练次数下的分层网络模型确定为所述荧光分子断层成像模型；若否，则根据当前训练次数下的损失函数调整当前训练次数下的分层网络模型中的可学习参数，并进行下一次训练；所述可学习参数包括：各层网络结构的步长、各层网络结构的正则化参数、各层网络结构中的三维卷积神经网络的卷积核参数和各层网络结构中的三维卷积神经网络的偏置参数。

2.根据权利要求1所述的模型驱动的深度学习荧光分子断层成像方法，其特征在于，所述正则化优化目标函数为：

其中，Ω(x)为荧光分子断层成像图像重建时需要最小化的目标函数，Φ为表面探测荧光分布，A为用有限元求解所述基于辐射传输方程的扩散近似模型得到的前向矩阵，x为荧光团分布，λ为所述正则化参数，M(x)为正则化项。

3.根据权利要求1所述的模型驱动的深度学习荧光分子断层成像方法，其特征在于，所述计算图的表达式为：

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

其中，▽Ω(x_k-1)为正则化优化目标函数第k次迭代的梯度，▽Ω(x_k-1)＝A^TAx_k-1-A^TΦ+λ_kM'_k(x_k-1)，k为所述计算图的迭代次数，N为所述计算图的最大迭代次数，x_k为经过第k次迭代输出的荧光团分布，ReLU[·]为线性整流函数，x_k-1为经过k-1次迭代输出的荧光团分布，η_k为第k次迭代的迭代步长，A为用有限元求解所述基于辐射传输方程的扩散近似模型得到的前向矩阵，Φ为表面探测荧光分布，λ_k为第k次迭代的正则化参数，M'_k(x_k-1)为第k次迭代的正则项梯度。