[发明专利]基于卷积神经网络的无创在体干细胞示踪方法及系统

说明书

本发明属于光学分子影像及生物自发荧光成像技术领域，具体涉及了一种基于卷积神经网络的无创在体干细胞示踪方法及系统，旨在解决现有技术计算复杂度高、无创在体干细胞示踪精度达不到预期的问题。本发明包括：获取无创在体干细胞对应荧光强度向量，并结合生物体表节点进行光子密度强度归一化处理；基于归一化后的体表节点荧光强度向量，通过训练好的无创在体干细胞示踪网络，获取无创在体干细胞的位置向量；基于无创在体干细胞的位置向量，实现无创在体干细胞示踪。本发明进行网络输入向量、输出向量预处理，获得适用于卷积神经网络的数据，并通过仿真数据进行网络训练，网络模型在干细胞示踪领域精度高，速度快。

背景技术

生物自发荧光成像是一种新型的光学分子影像技术。利用一些可以发光的荧光探针标记生物体内某靶标(干细胞，蛋白，核酸或小分子等)，这些发射光穿过生物组织到达生物体的体表。通过采集到的生物体体表的荧光分布信息，来推算出荧光光源在生物体内的三维空间位置分布和能量分布，在干细胞示踪领域有很高的应用价值。

传统方法利用一阶球谐函数对辐射传输方程近似展开来模拟光子传输过程，通过有限元分析等步骤得到生物体体表荧光分布和体内光源分布之间的线性关系，由于光在生物体内传播是一个非线性的过程，所以传统方法不可避免地会产生一些误差。此外，最终得到的病态线性欠定方程组的求解也增加了难度。

近些年有人提出使用全连接神经网络来对生物自发荧光的过程进行建模，利用全连接神经网络中输入向量和输出向量“端对端”的非线性关系，来描述生物体体表荧光分布和光源分布之间的非线性关系，取得了非常好的效果。然而，全连接神经网络将输入图像当成一维向量输入，忽略了图像数据的空间信息，无创在体干细胞示踪的精确度还达不到预期。

发明内容

为了解决现有技术中的上述问题，即现有技术计算复杂度高、无创在体干细胞示踪精度达不到预期的问题，本发明提供了一种基于卷积神经网络的无创在体干细胞示踪方法，该示踪方法包括：

步骤S10，获取无创在体干细胞对应的荧光强度向量，并结合生物体表节点进行光子密度强度归一化处理，获得归一化体表节点荧光强度向量；

步骤S20，基于所述归一化体表节点荧光强度向量，通过训练好的无创在体干细胞示踪网络，获取所述无创在体干细胞的位置向量；

步骤S30，基于所述无创在体干细胞的位置向量实现无创在体干细胞示踪；

其中，所述无创在体干细胞示踪网络为基于卷积神经网络构建的用于获取无创在体干细胞的位置向量并进行无创在体干细胞示踪的神经网络。

在一些优选的实施例中，步骤S10包括：

步骤S21，抽取所述荧光强度向量中生物体表节点对应的荧光强度，获得体表节点荧光强度向量；

步骤S22，对所述体表节点荧光强度向量进行光子密度强度归一化处理，获得归一化体表节点荧光强度向量。

在一些优选的实施例中，所述光子密度强度归一化，其方法为：

其中，Φ_i为第i个生物体表细胞对应的光子密度强度，Φ_max、Φ_min分别代表生物体表细胞对应的光子密度强度的最大值、最小值。

在一些优选的实施例中，所述无创在体干细胞对应的荧光强度向量通过仿真软件生成，其方法为：

步骤F10，采集生物待示踪部位的CT图像，并分割成不同的组织；

步骤F20，通过Amira软件对分割后的CT图像进行离散化，赋予各组织设定的光学参数；

步骤F30，通过MOSE软件对Amira软件处理后的数据进行仿真，获取生物待示踪部位的荧光强度向量集合。