一种荧光分子断层成像重建方法与流程

本发明涉及生物医学分子影像，具体涉及一种荧光分子断层成像重建方法。

背景技术：

1、荧光分子断层成像(以下简称fmt)作为一种非侵入的光学分子影像技术，可以定量地解决生物体内荧光团的分布问题，具有灵敏度高、时间分辨率高、无电离、无放射性、成本低和成像快捷方便等优点。

2、fmt使用外部光源激发特异性荧光探针(如荧光染料icg、cy5.5等)使其发射光子，然后利用荧光采集装置(如高灵敏度的ccd相机)收集生物表面的荧光信号，结合光在生物组织中传播的数学模型，重建出生物体内荧光源的三维空间和荧光产率，以此实现对处于活体状态的生物进行细胞和分子水平的定性、定量研究。目前，fmt已经被广泛应用于各种小动物模型研究中，包括肿瘤的早期检测与诊断、肿瘤病理学特征分析及抗癌药物的疗效评估等。

3、fmt的逆问题具有严重病态性，其根本原因是光的强散射特性，使得光子在生物体内不再沿直线传播，而是经历大量无规则的散射过程。另外，由于采集的荧光分布局限于成像目标的表面，数量有限，这使得逆问题成为一个未知数远远大于方程数的数学问题，进一步增大了求解的不适定性。此外，生物体内荧光团的体积和深度大小都会对待成像物体内部的荧光光学参数造成一定程度的影响，从而无法保证成像的灵敏度和精度。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术所存在的上述缺点，本发明提供了一种荧光分子断层成像重建方法，能够有效克服现有技术所存在的无法保证成像的灵敏度和精度，以及不能有效解决fmt病态逆问题的缺陷。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、一种荧光分子断层成像重建方法，包括以下步骤：

6、s1、获取待成像物体内部的荧光光学参数，并对荧光团进行聚类分析，得到各荧光团的体积和深度；

7、s2、根据各荧光团的体积和深度对荧光光学参数进行补偿，根据补偿后的荧光光学参数获取待成像物体内部的光源分布信息；

8、s3、根据光源分布信息建立多光子在待成像物体内的正向传输模型，并获取待成像物体在不同波长激发光下的荧光光强值；

9、s4、对荧光光强值进行数据扩增，得到训练数据集；

10、s5、利用训练数据集对荧光产率预测模型进行训练，得到训练好的荧光产率预测模型；

11、s6、利用训练好的荧光产率预测模型对待成像物体的荧光产率值进行预测，根据荧光产率值预测结果确定待成像物体的重建图像。

12、优选地，s1中获取待成像物体内部的荧光光学参数，并对荧光团进行聚类分析，得到各荧光团的体积和深度，包括：

13、基于荧光分子断层成像的两个耦合方程求解模型，结合有限元的求解方法，获取待成像物体内部的荧光光学参数；

14、基于迭代自组织数据分析技术，结合待成像物体内部的荧光光学参数，对荧光团进行聚类分析，得到各荧光团的体积和深度。

15、优选地，s2中根据各荧光团的体积和深度对荧光光学参数进行补偿，包括：

16、根据各荧光团的体积和深度，建立补偿系数与体积权值系数、深度权值系数之间的函数关系，对荧光光学参数进行补偿。

17、优选地，所述根据各荧光团的体积和深度，建立补偿系数与体积权值系数、深度权值系数之间的函数关系，包括：

18、采用下式表示补偿系数与体积权值系数、深度权值系数之间的函数关系：

19、

20、其中，ci为第i个荧光团的补偿系数，vi、di分别为第i个荧光团的体积权值系数、深度权值系数，a1、a2为系数，0<b1<1，0<b2<1。

21、优选地，所述第i个荧光团的体积权值系数vi采用下式计算：

22、

23、其中，vi为第i个荧光团的体积，vmax为荧光团中的最大体积；

24、所述第i个荧光团的深度权值系数di采用下式计算：

25、

26、其中，ri为第i个荧光团到待成像物体中心的距离，r0为待成像物体的半径。

27、优选地，所述对荧光光学参数进行补偿，包括：

28、通过对函数关系中参数a1、a2、b1、b2设置合适的值，调节函数的斜率变化速度，得到各荧光团优选的补偿系数，利用补偿系数对荧光光学参数进行补偿。

29、优选地，s3中根据光源分布信息建立多光子在待成像物体内的正向传输模型，包括：

30、根据待成像物体内部的光源分布信息建立激发光与荧光之间的时域耦合扩散方程；

31、通过对时域耦合扩散方程进行有限元模型转换，建立多光子在待成像物体内的正向传输模型；

32、其中，正向传输模型以待成像物体内部的光源分布信息为输入，以待成像物体表面的荧光光强值为输出，待成像物体内部的光源分布信息包括激发光波长、荧光波长和光在待成像物体中的传播速度，荧光光强值为激发光和发射光的光子密度分布。

33、优选地，s4中对荧光光强值进行数据扩增，得到训练数据集，包括：

34、基于待成像物体在不同波长激发光下的荧光光强值，采用并发波长重建算法和主成分分析法确定扩增维度后的荧光光强值数据集，得到训练数据集。

35、优选地，所述基于待成像物体在不同波长激发光下的荧光光强值，采用并发波长重建算法和主成分分析法确定扩增维度后的荧光光强值数据集，得到训练数据集，包括：

36、将两个不同波长激发光下的待成像物体的荧光光强值直接相加，并采用主成分分析法进行数据降维；

37、将数据降维后的荧光光强值与主波长激发光下的待成像物体的荧光光强值再次相加，得到扩增维度后的荧光光强值；

38、根据所有扩增维度后的荧光光强值确定荧光光强值数据集，得到训练数据集。

39、优选地，s5中利用训练数据集对荧光产率预测模型进行训练，得到训练好的荧光产率预测模型，包括：

40、基于训练数据集，采用深度学习方法对荧光产率预测模型进行训练，得到训练好的荧光产率预测模型。

41、(三)有益效果

42、与现有技术相比，本发明所提供的一种荧光分子断层成像重建方法，具有以下有益效果：

43、1)获取待成像物体内部的荧光光学参数，并对荧光团进行聚类分析，得到各荧光团的体积和深度，根据各荧光团的体积和深度对荧光光学参数进行补偿，根据补偿后的荧光光学参数获取待成像物体内部的光源分布信息，从而能够消除不同荧光团的体积和深度大小对荧光光学参数造成的影响，有效保证成像的灵敏度和精度；

44、2)根据光源分布信息建立多光子在待成像物体内的正向传输模型，并获取待成像物体在不同波长激发光下的荧光光强值，对荧光光强值进行数据扩增，得到训练数据集，利用训练数据集对荧光产率预测模型进行训练，得到训练好的荧光产率预测模型，利用训练好的荧光产率预测模型对待成像物体的荧光产率值进行预测，根据荧光产率值预测结果确定待成像物体的重建图像，通过对不同波长激发光下的荧光光强值进行数据扩增，并利用训练数据集进行深度学习，采用神经网络对待成像物体的荧光产率值进行预测，实现了对fmt病态逆问题的有效求解，同时也提高了成像准确度。