论文部分内容阅读
荧光分子层析成像技术（Fluorescence molecular tomography，FMT）作为最有前景的成像技术之一，在分子成像领域逐渐突显出来。由于FMT成像的物理本质是基于扩散光子的成像，其相邻的投影图相似度高且测量的光学信号不完整，使得FMT重建具有高度的病态性，限制着该技术的临床应用。因此，FMT重建算法的研究一直是研究人员重点研究方向之一。传统代数迭代方法（Algebraic Reconstruction Technique，ART）存在重建速度慢，误差大等缺点。深度学习算法不需要明确FMT重建的前向和逆向问题，从根本上避免了由于线性模型的不准确带来的误差。本文使用栈式自编码网络（Stacked auto-encoder，SAE）实现了FMT重建，并对网络进行优化提高FMT重建精度，主要研究内容包括：
（1）设计用于FMT成像的SAE模型，实现对二维圆域模型中不同位置异质体荧光产率的重建。结合二维圆域模型及FMT成像的原理构建SAE网络模型。改变模型中异质体的位置及大小等参数，基于辐射传输理论及有限元理论完成数据集的积累。实验使用深度学习算法及传统的ART同时重建，并将两者进行对比。结果表明，对于半径为2mm和3mm的小目标异质体重建，深度学习重建图像更加清晰，分辨率更高。
（2）为了优化深度学习重建算法，研究了网络结构对重建结果的影响。选取测试数据的均方误差作为评价指标，结果表明：递增型结构网络模型重建图像更加清晰，精度更高。
（3）通过对节点进行灵敏度分析，确定关键节点；采用过采样技术提升关键节点数据信噪比，提高FMT重建精度。选取直观图作为评价标准，结果表明：对关键节点的过采样处理可以提高数据信噪比，提高FMT重建精度。
研究结果表明，基于SAE的FMT重建算法相较于ART算法，可以更加清晰的重建荧光异质体。此外，本文结合一系列的研究对SAE进行了网络结构的优化，关键节点数据信噪比增强，实现了基于SAE的FMT高精度的重建。
（1）设计用于FMT成像的SAE模型，实现对二维圆域模型中不同位置异质体荧光产率的重建。结合二维圆域模型及FMT成像的原理构建SAE网络模型。改变模型中异质体的位置及大小等参数，基于辐射传输理论及有限元理论完成数据集的积累。实验使用深度学习算法及传统的ART同时重建，并将两者进行对比。结果表明，对于半径为2mm和3mm的小目标异质体重建，深度学习重建图像更加清晰，分辨率更高。
（2）为了优化深度学习重建算法，研究了网络结构对重建结果的影响。选取测试数据的均方误差作为评价指标，结果表明：递增型结构网络模型重建图像更加清晰，精度更高。
（3）通过对节点进行灵敏度分析，确定关键节点；采用过采样技术提升关键节点数据信噪比，提高FMT重建精度。选取直观图作为评价标准，结果表明：对关键节点的过采样处理可以提高数据信噪比，提高FMT重建精度。
研究结果表明，基于SAE的FMT重建算法相较于ART算法，可以更加清晰的重建荧光异质体。此外，本文结合一系列的研究对SAE进行了网络结构的优化，关键节点数据信噪比增强，实现了基于SAE的FMT高精度的重建。