[发明专利]一种基于深度学习的多模态扩散光学层析成像重建方法

说明书

本发明公开了一种基于深度学习的多模态扩散光学层析成像重建方法，属于医学图像处理领域，要解决的技术问题是如何将光学信号与核磁共振成像进行融合实现端到端的光学特征参数直接重建，为解决上述技术问题，本发明分析并构建Z‑Net神经网络将光学信号与核磁共振图像同时作为网络输入，通过网络训练直接建立光学信号与光学特性参数之间的非线性关系，实现光学信号到光学特性参数的端到端重建，设计仿真实验模拟肿瘤情况，在训练过程中选择合适的网络参数，并测试模型性能，最后展示了本发明对DOT重建的表现，证明本发明可应用于扩散光学层析成像重建工作。

技术领域

本发明属于医学图像处理领域，涉及一种基于深度学习的多模态扩散光学层析成像重建方法。

背景技术

扩散光学层析成像(Diffusion optical tomography,DOT)是一种新兴的非侵入性光学成像技术，该技术的主要依据是生物体内不同的组织内血氧、血红蛋白及水等物质含量有所差异，从而导致不同组织对近红外光的吸收系数μ_a及其他光学参数产生差别[1]，扩散光学层析成像通过用近红外光对生物组织照射并检测含有组织光学信息的出射光进行病灶成像或考察生物光学参数的相对变化。

相比其他医学成像模态，扩散光学层析成像具有成像时间短、非侵入、无损伤、成像深度深、特异性强、能获得待测组织的功能信息和结构等优点[2-4]。但在DOT图像重建中，由于光在生物组织中的传播受到介质的强散射特性的影响，加之测量值数量有限，导致DOT图像重建具有严重的病态性和不适定性。以X射线、超声以及核磁共振成像(MagneticResonance Imaging，MRI)等高分辨率成像技术提供结构信息引导的DOT图像重建[5-7]，具有较高的计算效率和重建图像精度；但此过程需要精准分割其他成像模态所提供的结构图像，导致重建结果很大程度依赖于分割精度，例如目前乳腺图像大多数是由人工分割的，这十分耗费人力和资源。

得益于神经网络和深度学习技术快速发展，为生物医学成像领域带来了新的研究思路。[8]中的U-net神经网络实现了医学图像的自动分割，但仍需将分割结果结合到后续的重建工作中，并未实现光学信号到图像域的端到端直接重建。[9]将两层的神经网络应用到DOT图像重建中，但该方法的重建结果只能粗略定位异常区位置，且需要分别训练两个神经网络；[10]提出了基于卷积神经网络的DOT图像重建方法，该方法的网络输出仅为仿体吸收系数和散射系数的单个数值，而非整个待重建区域的光学参数分布，同样没有实现直接从探测器采集的光学信号到图像域的端到端重建。因此，如何将其他模态与光学信号进行融合实现端到端的光学特征参数直接重建变得十分有意义。

参考文献：

[1]郭伟.生物自发荧光断层成像的稀疏重建方法研究[D].北京工业大学,2013.

[2]Alex H.Barnett,Joseph P.Culver,A,Gregory Sorensen,Anders Dale,David A.Boas.Robust inference ofbaseline optical properties ofthe human headwith three-dimensional segmentation frommagneticresonanceimaging.AppliedOptics,2003,42(16)：3095～3108.

[3]汪立宏，吴新一.生物医学光学原理和成像[M].安徽：中国科学技术大学出版社，2017:229.

[4]David,A,Boas.,et al.,Diffuse optical imaging ofbrain activation:approaches to optimizing image sensitivity,resolution,andaccuracy[J].Neuroimage,2004.