CN107184181A - 动态荧光分子断层成像的处理方法和*** - Google Patents
动态荧光分子断层成像的处理方法和*** Download PDFInfo
- Publication number
- CN107184181A CN107184181A CN201710339916.3A CN201710339916A CN107184181A CN 107184181 A CN107184181 A CN 107184181A CN 201710339916 A CN201710339916 A CN 201710339916A CN 107184181 A CN107184181 A CN 107184181A
- Authority
- CN
- China
- Prior art keywords
- fluorescent
- isolated component
- msubsup
- information
- component information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种动态荧光分子断层成像的处理方法及***，包括：针对待分析对象，采集测量数据，测量数据为多光谱的、多时间点的动态荧光测量数据；基于动态荧光测量数据建立每个光谱、每个时间点下的三维荧光分子断层图像；对三维荧光分子断层图像进行分解，得到各个荧光目标的独立分量信息，以及独立分量信息相应的光谱分布信息；根据独立分量信息和光谱分布信息，得到三维代谢参数图像，三维代谢参数图像用于表征荧光分子探针在待分析对象中的代谢过程。本发明实施例有助于降低DFMT问题的病态性，此外，在重建得到FMT图像基础上，先进行多变量分析，再针对各个荧光目标求取代谢参数结果，可以排除其他荧光目标、噪声的干扰，提高重建结果的准确性。
Description
技术领域
本发明涉及动态荧光分子断层成像技术领域，更具体地涉及一种动态荧光分子断层成像的处理方法和***。
背景技术
随着光学成像理论、成像***及探针技术的不断发展，近年来，动态荧光分子成像(Dynamic fluorescence molecular tomography，DFMT)技术已开始引起国内外学者的注意，并已逐渐被应用于生物及医学研究中。与静态荧光分子成像技术不同，DFMT技术更加关注于荧光分子探针在生物体内吸收、分布以及排出的完整过程，是一种可以对生物体的生理、病理过程进行连续监测的动态成像技术。利用DFMT技术可以直接观察荧光分子探针(或标记有荧光分子探针的药物)在生物体内不同器官间的代谢过程，从而可以为生理及病理研究、器官功能评估、肿瘤诊断等提供新的更有力的研究工具。
在DFMT技术中，首先，由于近红外光在生物组织中传播具有强烈的散射特性，这导致FMT(Fluorescence molecular tomography，荧光分子断层成像)逆向问题具有很大的病态性，即重建结果的图像质量受噪声影响很大。其次，由于荧光分子探针在生物体内的代谢过程具有复杂的通路，会通过循环***动态分布到不同器官与组织，这将会加重逆向问题的病态性。因此，传统DFMT方法所获得的代谢参数图像的分辨率和准确性都比较低。
综上，需要提供一种动态荧光分子断层成像的处理方法和***，以至少部分地解决上述问题。
发明内容
考虑到上述问题而提出了本发明一种动态荧光分子断层成像的处理方法和***，可以提高代谢参数图像的分辨率和准确性，以提高对生物组织的病理检测精度。
根据本发明一方面，提供了一种动态荧光分子断层成像的处理方法，所述方法包括：针对待分析对象，采集测量数据，所述测量数据为多光谱的、多时间点的动态荧光测量数据；基于所述动态荧光测量数据建立每个光谱、每个时间点下的三维荧光分子断层图像；对所述三维荧光分子断层图像进行分解，得到各个荧光目标的多个独立分量信息，以及各个所述独立分量信息相应的光谱分布信息；根据所述独立分量信息和所述光谱分布信息，得到三维代谢参数图像，所述三维代谢参数图像用于表征荧光分子探针在所述待分析对象中的代谢过程。
根据本发明另一方面，提供了一种动态荧光分子断层成像的处理***，包括氙灯光源、滤光片轮、激发光滤光片、光纤、波束扩展器、电动旋转台、荧光滤光片、图像采集装置和数据处理装置，所述图像采集装置被配置为针对待分析对象，采集测量数据，所述测量数据为多光谱的、多时间点的动态荧光测量数据；所述数据处理装置被配置为基于所述动态荧光测量数据建立每个光谱、每个时间点下的三维荧光分子断层图像；对所述三维荧光分子断层图像进行分解，得到各个荧光目标的多个独立分量信息，以及各个所述独立分量信息相应的光谱分布信息；根据所述独立分量信息和所述光谱分布信息，得到三维代谢参数图像，所述三维代谢参数图像用于表征荧光分子探针在所述待分析对象中的代谢过程。
本发明实施例提供的动态荧光分子断层成像的处理方法和***，采用多个波长的激发光进行激发，可以获得目标组织或器官(待分析对象)在多个光谱下的测量数据，有助于降低DFMT问题的病态性，此外，本发明在重建得到FMT图像基础上，先进行多变量分析，得到各个相互独立的分量后，再针对各个分量求取代谢参数结果，最终得到三维代谢参数图像，可以排除其他应该目标、噪声的干扰，提高重建结果的准确性。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1示出根据本发明一个实施例的动态荧光分子断层成像的处理方法的流程示意图；
图2示出根据本发明一个实施例的独立分量分析的原理示意图；
图3示出根据本发明一个实施例的有效分量的荧光分子探针的荧光产额确定的原理示意图之一；
图4示出根据本发明一个实施例的有效分量的荧光分子探针的荧光产额确定的原理示意图之二；
图5示出根据本发明一个实施例的动态荧光分子断层成像的处理***的结构示意图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
荧光分子断层成像(FMT)是一种新型的在体分子成像技术，其通过探测生物体表透射出的荧光光子以重建的方式可以在体无损获取荧光分子探针在生物体内的三维分布信息。动态荧光分子断层成像(DFMT)即将FMT与动态成像相结合的在体分子成像技术，在体地观测荧光分子探针在生物体内的动态变化过程，能够描述荧光分子探针在生物体内吸收、分布和排出的整个过程，因此，DFMT在生理和病理的研究、药物的研发等生物医学应用中具有良好的应用前景。
相关技术的动态荧光分子断层成像的研究，目前主要集中在两个方面：第一，是直接重建方法，也就是将代谢模型与正则化方法相结合，一步重建出代谢参数；第二，是采用其他模态提供的结构先验信息，约束DFMT的重建结果。总体而言，第一类方法能够有效的提高DFMT的时间分辨率，但是空间分辨率仍然受到限制，而且存在运算量过大的问题。第二类方法，采用多模态方法存在自身的缺陷，比如***复杂，成本较高，并且存在各个模态间配准困难的问题。
为了解决上文所述的问题，本发明实施例提出一种动态荧光分子断层成像的处理方法和***，采用多个波长的激发光进行激发，获得目标组织或器官(待分析对象)在多个光谱下的测量数据，此外，在重建得到FMT图像基础上，先进行多变量分析，得到各个相互独立的分量后，再针对各个分量求取代谢参数结果，最终得到三维代谢参数图像，从而可以提高重建结果的准确性。
下面将结合附图对本发明提供的动态荧光分子断层成像的处理方法和***进行详细描述，以使本领域技术人员能够清楚、准确地理解本发明的技术方案。首先，先结合附图对本发明实施例的动态荧光分子断层成像的处理***进行描述，然后在***结构的基础上，进一步对动态荧光分子断层成像的处理方法进行描述。
图5示出根据本发明一个实施例的动态荧光分子断层成像的处理***的结构示意图。
如图5所示，动态荧光分子断层成像的处理***可以包括氙灯光源1、滤光片轮2、激发光滤光片、光纤3、波束扩展器4、电动旋转台5、荧光滤光片6、图像采集装置(例如，CCD相机)7，数据处理装置(例如，计算机)8。成像物体可以置于电动旋转台5上。其中，数据处理装置8可以执行如图1至图4所示的动态荧光分子断层成像的处理方法，实现该处理方法期实现的功能。
为了便于理解，在此需要说明，实施例中涉及的荧光目标为荧光分子探针与待分析对象的结合，例如，荧光分子探针进入人体组织(或细胞)后，该包含有荧光分子探针的人体组织(或细胞)可以称之为荧光目标。以及，在对三维荧光份子断层图像进行分解时，可以将荧光目标分解为多个独立分量信息，独立分量信息中包括有效分量信息和无效分量信息，无效分量信息可以理解为噪声信息，有效分量信息用于分析荧光分子探针在待分析对象的代谢过程，进而作为研究待分析对象病理的依据。
图1示出根据本发明一个实施例的动态荧光分子断层成像的处理方法的流程示意图。本发明实施例提供的动态荧光分子断层成像的处理方法可以包括如下步骤：
步骤110，针对待分析对象，采集测量数据。其中，测量数据为多光谱的、多时间点的动态荧光测量数据。测量数据的采集可以通过图像采集装置实现。
这里涉及的待分析对象例如可以为某一生物体的器官或组织，采集的测量数据可以理解为针对荧光目标的测量数据。基于图5所示的结构，在步骤110可以通过如下方式进行测量数据的采集的操作具体可以为：首先，成像物体固定在电动旋转台5上；然后，针对任一采集角度，氙灯光源1发射的光通过滤光片轮2中特定通带的激发光滤光片，从而产生特定波长的激发光，该特定波长的激发光经过光纤3在波束扩展器4中进行整形，即波束扩展器4根据实际应用形成满足需要的光源形状，如点光源或线光源，再将点光源或者线光源照射到成像物体上。成像物体内部荧光分子探针被激发后发射出的荧光信号，荧光信号通过荧光滤光片6后被例如CCD相机7接收，并传送至数据处理装置(计算机)8。
根据本发明的可选实施例，假设荧光分子探针在待分析对象中浓度是不变的，采集多光谱下的测量数据，具体操作可以如下：假设有S个不同的激发光谱(可以通过调节S次滤光片轮2实现对激发光滤光片进行选择实现)，针对每一激发光谱，通过转动电动旋转台5旋转待分析对象，直至旋转360°，例如总共采集24个角度的测量数据。然而，在实际中，荧光分子探针在待分析对象中浓度是动态变化的，即荧光团的浓度是随着时间不断变化的。因此，在采集测量数据时，引入了动态概念，具体地，在荧光团的浓度是随着时间不断变化的状态下，采集多光谱下的、多时间点的测量数据，具体操作可以如下：在每一个时间点，依次采用S个激发光谱进行激发，且对于每一个激发光谱，将待分析对象旋转一圈，采集相应的测量数据；最后，重复上述步骤，直到所有时间点采集结束。时间点可以根据荧光团的浓度变化情况确定，例如，荧光团可以有10个浓度变化状态，则可以采集该10个浓度变化状态对应时间点的测量数据。
步骤120，基于动态荧光测量数据建立每个光谱、每个时间点下的三维荧光分子断层图像。该步骤可以通过数据处理装置实现。
该步骤可以通过如下步骤实现：
首先，针对每个光谱、每个时间点下的动态荧光测量数据，构建荧光分子探针在待分析对象的辐射传输方程。
示例性地，辐射传输方程描述了光子在生物体内的传输过程，然而荧光光子探针从待分析对象体外向体内传输时，会有反射、折射等现象，这个过程是辐射传输方程无法描述的，因此，需要引入边界条件。边界条件一般包括两种：Robin边界条件和外插边界条件。在本发明实施例中主要采用Robin边界条件。设定边界目标之后，辐射传输方程可以表述为如下的公式：
Um(rd,rs)＝Θ∫ΩG(rd,r,λf)x(r,λe)G(r,rs,λe)d3r 式(1)
其中，G(r,rs,λe)描述在激发波长为λe时，光子从激发光源rs传输到介质内一点r所产生的光场；x(r,λe)代表点r处的荧光产额；G(rd,r,λf)则描述了介质内一点r所产生的荧光分子探针传输到测量点rd的过程。
然后，对辐射传输方程进行离散化处理，得到对应的线性方程。
示例性地，对前述步骤的辐射传输方程进行离散化处理，得到的线性方程如下：
其中，W为权重矩阵，u为观测结果，而x则为待求的荧光产额。s(s＝1,2,...,S)代表第s个光谱，k(k＝1,2,...,K)则表示第k个时间点。
即式(2)是式(1)离散化后的另一种形式，其中，式(2)左边的u对应式(1)左边的U，式(2)右边的x项对应式(1)右边的x项，公式(2)右边的W，是由公式(1)右边的G(rd,r,λf)和G(rd,r,λe)两项组合计算得到。主要的区别在于，式(1)是连续形式，式(2)是离散形式。在式(2)中，u和W是已知项，x是未知项，u＝Wx求解x，是反问题的一般形式。
最后，采用正则化方法求解线性方程，得到三维荧光分子断层图像。
求解式(2)，可以称为求解反问题。u＝Wx，u和W已知，求解x，是反问题的一般形式。如果W是可逆的，那么可以得到解析解x＝W-1u。然而在实际应用中，W往往不可逆，因此无法求得x的解析解，这种时候就需要采用正则化的方法，对x求近似解。
在本发明实施例中，即采用正则化方法求解式(2)，建立目标函数：
其中，λ为正则化参数，可以用一系列方法，如L-curve、U-curve、unbiasedpredictive risk estimator(UPRE)、discrepancy principle(DP)、generalized crossvalidation(GCV)等方法获得。L为正则化矩阵，本发明中设置为单位矩阵。从而求解得到x的最优解，即得到三维荧光分子断层图像。
步骤130，对三维荧光分子断层图像进行分解，得到各个荧光目标的独立分量信息，以及独立分量信息相应的光谱分布信息。该步骤可以通过数据处理装置实现。
根据本发明实施例中，采用独立分量分析(independent component analysis，ICA)技术，对步骤120得到的三维荧光分子断层图像组成的观测矩阵进行分解，获得各个荧光目标的多个相互独立的分量(包括独立分量信息和与其对应的光谱分布信息)。该过程可以由如下公式描述：
式(4)左边为观测矩阵，该矩阵由式(3)中求得的FMT图像组集而成。SC为光谱分布(spectrum course)信息，反映了荧光目标对及发光的吸收能力。IC为独立分量(independent component)信息，反映了各个荧光目标的空间位置和结构信息。SC和IC是通过ICA分解求得的。ICA分解有很多种方法，最终的结果都是获得SC和IC。可选地，在本发明实施例中采用最大逆熵法进行求解。
其中，ICA具体实现可以表述如下：
ICA的一般形式为：
XS×N＝ES×P·IP×N 式(5)
其中S为激发光波长的数量，N为测量物体离散化后的体素个数，P为ICA分解的独立分量个数。X＝(x1,...xi,...xS)T为输入的观测矩阵，该矩阵由重建所得的FMT图像组集而成。xi是一个N维向量，表示第i个激发光下的FMT图像。I＝(IC1,...,ICj,...,ICP)T是独立分量(independent component，IC)矩阵。该矩阵的第j行ICj是一个N维向量，包含第j个独立分量的空间位置和结构信息。E＝(SC1,...,SCj,...,SCP)是光谱分布(spectrum course，SC)矩阵。该矩阵的第j列SCj是一个S维的向量，代表了第j个分量对于各个光谱的吸收特性。
整个过程可以参考图2所示，假设X和I的维度是相同的，亦即P＝S。因此，式(5)在第k个时间点的ICA分解可以改写为：
式(6)可以扩展为：
式(7)与式(4)相同。
步骤140，根据独立分量信息和光谱分布信息，得到三维代谢参数图像，三维代谢参数图像用于表征荧光分子探针在待分析对象中的代谢过程。该步骤可以通过数据处理装置实现。
根据本发明实施例，步骤140可以通过如下方式实现：
首先，根据独立分量信息和与其相应的光谱分布信息确定各个荧光目标的荧光产额。
示例性地，确定荧光产额可以实现如下：
步骤A，针对各个荧光目标，从独立分量信息中确定候选分量信息。
根据本发明实施例，针对各个荧光目标，当其任一个独立分量信息在多个不同时间点重复出现，可以确定该荧光目标为候选分量信息。
候选分类信息应该重复且稳定的出现在不同时间点的ICA分量上，对于有效分量而言，不同分量的分布是不一样的。如图3所示，每一行代表一个时间点的4个ICA分量，总共有4个时间点，分别为1分钟、5分钟、10分钟和20分钟，OC为待选目标(Object Candidate，OC)，有三个OC，重复出现在4个不同时间的ICA结果中，分别用方框、圆圈和三角标识。这三个OC被选为候选分量信息，进行后续的分析。
步骤B，根据该候选分量信息和光谱分布信息确定该荧光目标的荧光产额。
示例性地，可以通过如下公式确定荧光目标的荧光产额：
其中，为重构之后的、在第k个时间点和第s个激发光波长下的荧光产额，Z则代表零向量，表示第k个时间点上第d个分量的独立分量信息。
根据本发明另一实施例，在确定候选分量信息后，仍然可以通过上述公式计算得到候选荧光产额，进一步地，针对每个荧光目标的所述候选荧光产额，进行二房室模型拟合处理，得到荧光目标的代谢曲线；当确定代谢曲线符合特定曲线走势，便可以确定该候选荧光产额为荧光目标的有效荧光产额。反之，代谢曲线不符合特定曲线走势的候选荧光产额可以确定为无效荧光产额，或者说为噪声荧光产额。在本发明实施例中，对每一个OC，恢复出在不同时间点的荧光产额，然后根据二房室模型拟合，得到其代谢曲线，如图4所示。对于一个真实的(有效的)荧光目标来说，随着时间推移，荧光分子探针的浓度会有先上升，再下降的代谢过程，即代谢曲线的走势是先上升再下降。如图4所示，第一个和第二个荧光目标都符合这样的代谢过程，因此可以判定为真实荧光目标(有效荧光目标)。而第三个目标不符合，因此应该将该目标舍弃。
然后，基于荧光产额计算出在待分析对象中的各个荧光目标的代谢参数。
示例性地，可以通过如下公式实现计算各个荧光目标的代谢参数：
其中，表示第k个时间点、第s个激发光波长下的荧光产额，表示所述待分析对象对所述荧光分子探针的吸收过程，表示所述待分析对象对所述荧光分子探针的排出过程，以及A、B、α和β分别为各个荧光目标的代谢参数，以及采用曲线拟合方法求解上述公式，从而求出代谢参数。
最后，合并各个荧光目标的代谢参数，以得到三维代谢参数图像。
根据本发明一实施例，可以将不同的荧光目标的代谢参数直接进行相加，且将重合的区域求平均，最终得到三维代谢参数图像。根据本发明另一实施例，可以对各个不同的荧光目标取不同的权重然后相加，最终得到三维代谢参数图像。
综上所述，本发明实施例提供的一种动态荧光分子断层成像的处理方法和***，具有如下有益效果：
1)本发明实施例采用多个波长的激发光谱进行激发，可以获得目标组织或器官(待分析对象)在多个光谱下的测量信息，有助于降低DFMT问题的病态性。此外，还可以获得目标组织或器官在各个光谱下不同的代谢特征。
2)本发明在重建得到各个时间和各个光谱的FMT图像之后，再进行多变量分析，分解出各个相互独立的分量(荧光目标)，然后对各个独立分量的荧光产额进行重构，最后再对各个荧光目标进行曲线拟合，获得代谢参数结果。这种方法能够排除其他荧光目标和噪声的干扰，提高重建结果的准确性。
3)本发明实施例不需要其他成像模态的辅助，仅采用光学分子影像单一模态，避免了多模态成像中各模态间图像匹配的问题。
尽管本文已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的导线悬挂点定位装置中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的组件或步骤。位于组件之前的单词“一”或“一个”不排除存在多个这样的组件。本发明可以借助于包括有若干不同组件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种动态荧光分子断层成像的处理方法，其特征在于，所述方法包括：
针对待分析对象，采集测量数据，所述测量数据为多光谱的、多时间点的动态荧光测量数据；
基于所述动态荧光测量数据建立每个光谱、每个时间点下的三维荧光分子断层图像；
对所述三维荧光分子断层图像进行分解，得到各个荧光目标的多个独立分量信息，以及各个所述独立分量信息相应的光谱分布信息；
根据所述独立分量信息和所述光谱分布信息，得到三维代谢参数图像，所述三维代谢参数图像用于表征荧光分子探针在所述待分析对象中的代谢过程。
2.根据权利要求1所述的处理方法，其特征在于，所述对所述三维荧光分子断层图像进行分解，得到各个荧光目标的多个独立分量信息，以及各个所述独立分量信息相应的光谱分布信息包括：
采用独立分量分析技术对所述三维荧光分子断层图像进行分解，得到各个荧光目标的多个独立分量信息，以及各个所述独立分量信息相应的光谱分布信息。
3.根据权利要求1或2所述的处理方法，其特征在于，所述对所述三维荧光分子断层图像进行分解，得到各个荧光目标的多个独立分量信息，以及各个所述独立分量信息相应的光谱分布信息包括：
通过如下公式实现对所述三维荧光分子断层图像的分解：
XS×N＝ES×P·IP×N
其中，X＝(x1,...xi,...xS)T为输入的观测矩阵，由重建所得的三维荧光分子断层图像组集而成，E＝(SC1,...,SCj,...,SCP)为光谱分布矩阵，用于表征光谱分布信息，I＝(IC1,...,ICj,...,ICP)T为独立分量矩阵，用于表征独立分量信息，以及S为多光谱的激发光波长的数量，N为所述待分析对象离散化后的体素个数，P为分解的独立分量个数。
4.根据权利要求1所述的处理方法，其特征在于，所述根据所述独立分量信息和所述光谱分布信息，得到三维代谢参数图像，所述三维代谢参数图像用于表征荧光分子探针在所述待分析对象中的代谢过程包括：
根据所述独立分量信息和与其相应的所述光谱分布信息确定各个荧光目标的荧光产额；
基于所述荧光产额计算出在所述待分析对象中的各个荧光目标的代谢参数；
合并所述各个荧光目标的代谢参数，以得到所述三维代谢参数图像。
5.根据权利要求4所述的处理方法，其特征在于，所述根据所述独立分量信息和与其相应的所述光谱分布信息确定各个荧光目标的荧光产额包括：
针对各个荧光目标，从所述独立分量信息中确定候选分量信息；
根据所述候选分量信息和与其对应的光谱分布信息确定所述荧光目标的荧光产额。
6.根据权利要求5所述的处理方法，其特征在于，所述从所述独立分量信息中确定候选分量信息包括：
针对各个荧光目标，判断任一个所述独立分量信息是否在多个不同时间点重复出现；
若是，则确定该独立分量信息为候选分量信息。
7.根据权利要求4所述的处理方法，其特征在于，所述根据所述独立分量信息和与其相应的所述光谱分布信息确定各个荧光目标的荧光产额包括：
针对各个荧光目标，通过如下公式确定荧光产额：
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>S</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>SC</mi>
<mn>1</mn>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>SC</mi>
<mi>S</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>IC</mi>
<mi>d</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>Z</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中，为重构之后的、在第k个时间点和第s个激发光波长下的荧光产额，Z则代表零向量，表示第k个时间点上第d个荧光目标的独立分量信息，表示第k个时间点上第s个独立分量信息相应的光谱分布信息。
8.根据权利要求5所述的处理方法，其特征在于，所述根据所述候选分量信息和与其对应的光谱分布信息确定所述荧光目标的荧光产额包括：
基于所述候选分量信息和与其相应的所述光谱分布信息，通过如下公式确定所述荧光目标的候选荧光产额：
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>S</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>SC</mi>
<mn>1</mn>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>SC</mi>
<mi>S</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>IC</mi>
<mi>d</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>Z</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中，为重构之后的、在第k个时间点和第s个激发光波长下的候选荧光产额，Z则代表零向量，表示第k个时间点上第d个荧光目标的候选分量信息，表示第k个时间点上第s个独立分量信息相应的光谱分布信息；
针对每个荧光目标的所述候选荧光产额，进行二房室模型拟合处理，得到代谢曲线；
判断所述代谢曲线是否符合特定曲线走势；
若是，则确定所述候选荧光产额为所述荧光目标的有效荧光产额。
9.根据权利要求4所述的处理方法，其特征在于，所述基于所述荧光产额计算出在所述待分析对象中的各个荧光目标的代谢参数包括：
基于如下公式：
其中，表示第k个时间点、第s个激发光波长下的荧光产额，表示所述待分析对象对所述荧光分子探针的吸收过程，表示所述待分析对象对所述荧光分子探针的排出过程，以及A、B、α和β分别为各个分量的代谢参数；
采用曲线拟合方法计算所述公式，以求出所述代谢参数。
10.根据权利要求1所述的处理方法，其特征在于，所述基于所述动态荧光测量数据建立每个光谱、每个时间点下的三维荧光分子断层图像包括：
针对每个光谱、每个时间点下的动态荧光测量数据，构建所述荧光分子探针在所述待分析对象的辐射传输方程；以及
对所述辐射传输方程进行离散化处理，得到对应的线性方程；
采用正则化方法求解所述线性方程，得到所述三维荧光分子断层图像。
11.一种动态荧光分子断层成像的处理***，其特征在于，包括氙灯光源、滤光片轮、激发光滤光片、光纤、波束扩展器、电动旋转台、荧光滤光片、图像采集装置和数据处理装置，
所述图像采集装置被配置为针对待分析对象，采集测量数据，所述测量数据为多光谱的、多时间点的动态荧光测量数据；
所述数据处理装置被配置为基于所述动态荧光测量数据建立每个光谱、每个时间点下的三维荧光分子断层图像；对所述三维荧光分子断层图像进行分解，得到各个荧光目标的多个独立分量信息，以及各个所述独立分量信息相应的光谱分布信息；根据所述独立分量信息和所述光谱分布信息，得到三维代谢参数图像，所述三维代谢参数图像用于表征荧光分子探针在所述待分析对象中的代谢过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710339916.3A CN107184181A (zh) | 2017-05-15 | 2017-05-15 | 动态荧光分子断层成像的处理方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710339916.3A CN107184181A (zh) | 2017-05-15 | 2017-05-15 | 动态荧光分子断层成像的处理方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107184181A true CN107184181A (zh) | 2017-09-22 |
Family
ID=59873421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710339916.3A Pending CN107184181A (zh) | 2017-05-15 | 2017-05-15 | 动态荧光分子断层成像的处理方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107184181A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112229827A (zh) * | 2020-09-07 | 2021-01-15 | 南京大学 | 一种实时的多光谱层析拍摄方法和装置 |
| CN112734872A (zh) * | 2020-12-30 | 2021-04-30 | 天津工业大学 | 一种基于多波长并发重建的荧光分子断层成像方法及*** |
| CN113951831A (zh) * | 2021-11-19 | 2022-01-21 | 复旦大学 | 基于随机重构策略的超高分辨荧光分子断层成像方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008025006A2 (en) * | 2006-08-24 | 2008-02-28 | Xenogen Corporation | Spectral unmixing for in-vivo imaging |
| CN102670180A (zh) * | 2012-06-06 | 2012-09-19 | 北京大学 | 立式旋转荧光分子成像*** |
| CN103188989A (zh) * | 2012-04-28 | 2013-07-03 | 清华大学 | 一种动态荧光分子断层图像的重建方法 |
| CN103284694A (zh) * | 2013-05-22 | 2013-09-11 | 西安电子科技大学 | 一种活体动物血管新生定量分析方法 |
| CN103622673A (zh) * | 2013-11-11 | 2014-03-12 | 西安电子科技大学 | 一种磁共振兼容的自发荧光断层分子影像设备 |
| CN105326475A (zh) * | 2015-09-16 | 2016-02-17 | 西北大学 | 一种基于多光源分辨的生物发光断层成像重建方法 |
-
2017
- 2017-05-15 CN CN201710339916.3A patent/CN107184181A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008025006A2 (en) * | 2006-08-24 | 2008-02-28 | Xenogen Corporation | Spectral unmixing for in-vivo imaging |
| CN103188989A (zh) * | 2012-04-28 | 2013-07-03 | 清华大学 | 一种动态荧光分子断层图像的重建方法 |
| CN102670180A (zh) * | 2012-06-06 | 2012-09-19 | 北京大学 | 立式旋转荧光分子成像*** |
| CN103284694A (zh) * | 2013-05-22 | 2013-09-11 | 西安电子科技大学 | 一种活体动物血管新生定量分析方法 |
| CN103622673A (zh) * | 2013-11-11 | 2014-03-12 | 西安电子科技大学 | 一种磁共振兼容的自发荧光断层分子影像设备 |
| CN105326475A (zh) * | 2015-09-16 | 2016-02-17 | 西北大学 | 一种基于多光源分辨的生物发光断层成像重建方法 |
Non-Patent Citations (4)
| Title |
|---|
| XIN LIU, FEI LIU, YI ZHANG, AND JING BAI: "Unmixing Dynamic Fluorescence Diffuse Optical", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| 宿涵，张久楼，陈毛毛，高阳，周源，白净，罗建文: "Research on the Reconstruction Algorithms and Imaging Systems for", 《中国医疗设备》 * |
| 张光磊，刘飞，张宾，白净: "动态荧光分子成像技术研究进展", 《国际生物医学杂志》 * |
| 张瑞等: "动态荧光断层成像技术及在药代动力学的仿真研究", 《中国优秀硕士学位论文数据库 信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112229827A (zh) * | 2020-09-07 | 2021-01-15 | 南京大学 | 一种实时的多光谱层析拍摄方法和装置 |
| CN112229827B (zh) * | 2020-09-07 | 2022-02-08 | 南京大学 | 一种实时的多光谱层析拍摄方法和装置 |
| CN112734872A (zh) * | 2020-12-30 | 2021-04-30 | 天津工业大学 | 一种基于多波长并发重建的荧光分子断层成像方法及*** |
| CN112734872B (zh) * | 2020-12-30 | 2022-10-04 | 天津工业大学 | 一种基于多波长并发重建的荧光分子断层成像方法及*** |
| CN113951831A (zh) * | 2021-11-19 | 2022-01-21 | 复旦大学 | 基于随机重构策略的超高分辨荧光分子断层成像方法 |
| CN113951831B (zh) * | 2021-11-19 | 2023-08-29 | 复旦大学 | 基于随机重构策略的超高分辨荧光分子断层成像方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102488493B (zh) | 小动物活体多模态分子成像***和成像方法 | |
| AU2010286592B2 (en) | Systems and methods for tomographic imaging in diffuse media using a hybrid inversion technique | |
| Colak et al. | Clinical optical tomography and NIR spectroscopy for breast cancer detection | |
| CA2810822C (en) | Systems and methods for virtual index-matching of diffusive media | |
| Pogue et al. | Characterization of hemoglobin, water, and NIR scattering in breast tissue: analysis of intersubject variability and menstrual cycle changes | |
| Pogue et al. | Image analysis methods for diffuse optical tomography | |
| US20110142316A1 (en) | Tomography-Based and MRI-Based Imaging Systems | |
| CN106455972A (zh) | 功能性光学相干断层成像的装置、方法和*** | |
| WO2013134949A1 (zh) | 内窥式x射线发光断层成像装置及方法 | |
| CN103300829B (zh) | 一种基于迭代重加权的生物自发荧光断层成像方法 | |
| CN111915733B (zh) | 基于LeNet网络的三维锥束X射线发光断层成像方法 | |
| CN104305957B (zh) | 头戴式分子影像导航*** | |
| CN107184181A (zh) | 动态荧光分子断层成像的处理方法和*** | |
| Turchin | Methods of biomedical optical imaging: from subcellular structures to tissues and organs | |
| CN114209278B (zh) | 一种基于光学相干层析成像的深度学习皮肤病诊断*** | |
| Liu et al. | Detection of heterogeneity in multi-spectral transmission image based on spatial pyramid matching model and deep learning | |
| Di Sciacca et al. | Evaluation of a pipeline for simulation, reconstruction, and classification in ultrasound-aided diffuse optical tomography of breast tumors | |
| Zheng et al. | Quantitative photoacoustic tomography with light fluence compensation based on radiance Monte Carlo model | |
| CN111970960A (zh) | 使用短波红外(swir)投影层析成像对解剖器官和内含物进行3d重建的***和方法 | |
| US20230260172A1 (en) | Deep learning for sliding window phase retrieval | |
| Aspri et al. | Mathematical and numerical challenges in diffuse optical tomography inverse problems | |
| Wang et al. | A hybrid reconstruction algorithm for fluorescence tomography using Kirchhoff approximation and finite element method | |
| Pogue et al. | Forward and inverse calculations for near-infrared imaging using a multigrid finite difference method | |
| CN114468998B (zh) | 单视角反射式近红外二区荧光动态断层成像***及方法 | |
| CN114159021B (zh) | 基于双输入-单输出深度学习的切伦可夫激发的荧光扫描断层成像重建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |
|
| RJ01 | Rejection of invention patent application after publication |