[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

说明书

本发明公开了一种模型驱动的深度学习荧光分子断层成像方法及系统。该方法包括：获取待测试的表面探测荧光分布；将待测试的表面探测荧光分布输入到荧光分子断层成像模型中，得到待检测的荧光团分布；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；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。本发明采用荧光分子断层成像模型建立了表面探测荧光分布和荧光团分布之间端到端的映射关系，避开了传统的基于模型的图像重建的劣势，提高了图像重建的质量。

技术领域

本发明涉及分子影像技术领域，特别是涉及一种模型驱动的深度学习荧光分子断层成像方法及系统。

背景技术

荧光分子断层成像(Fluorescence Molecular Tomography，FMT)是一种基于扩散光的活体光学分子成像技术，具有灵敏度高、成像视场大、成像深度深及非侵入式探测等特点，在基因表达、蛋白质相互作用、肿瘤发生发展、药代动力学等方面有重大应用前景。

基于传统的FMT图像重建是基于模型的重建，其特点是物理意义明确、可解释性强，但是由于生物组织结构的复杂性，对光子在生物体内传播的正向建模会不可避免的带来建模误差，同时由于生物组织对荧光波段光子的高散射特性，FMT逆向问题具有高度病态性，导致了重建图像伪影多、定位定量精度不足等问题，因此遵循传统的图像重建研究思路难以让现阶段的FMT图像重建质量有实质性的突破。如何提高图像重建质量是目前亟需解决的问题。

发明内容

本发明的目的是提供一种模型驱动的深度学习荧光分子断层成像方法及系统，通过建立表面探测荧光分布和待检测的荧光团分布之间端到端的映射关系，避开了传统的基于模型的图像重建的劣势，提高了图像重建的质量。

为实现上述目的，本发明提供了如下方案：

一种模型驱动的深度学习荧光分子断层成像方法，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。

可选的，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。

可选的，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；