[发明专利]基于分组注意力残差网络的锥束X射线发光断层成像方法

说明书

本发明涉及一种基于分组注意力残差网络的锥束X射线发光断层成像方法，包括下列步骤:1)生成模拟数据集：根据锥束XLCT成像系统，构建相应的仿真系统，包括仿体构建及光源探测器布配方案设计；2)数据集预处理：将仿真实验光通量密度值Φ作为分组注意力残差网络的输入特征，纳米荧光粒子的密度分布ρ作为标签数据，对输入数据即仿真实验光通量密度值Φ进行归一化处理；3)基于ResNet18残差网络进行改进，搭建分组注意力残差网络；4)训练网络；5)重建图像：通过实验获取不同情况下CCD探测器的仿体实验光通量密度值，并进行归一化处理，并输入到保存好的网络模型，实现XLCT图像三维重建。

技术领域

本发明属于生物医学工程及医学影像学领域，涉及一种基于分组注意力残差网络的锥束X射线发光断层成像方法。该成像方法可在小动物实验中获取靶向目标的强度分布信息，在未来的人体肿瘤检测上有广泛的应用发展前景。

背景技术

光学分子影像作为分子成像技术的重要分支，因具有成本低、灵敏度高等优势得到了广泛的关注。光学分子影像主要包括生物发光断层成像、荧光分子断层成像、扩散光学断层成像和X射线发光断层成像等技术，其中，XLCT是基于X射线微型断层成像的成像机理，借助于目前快速发展的现代光学分子探针合成技术，利用具有X射线激发发光性质的纳米荧光颗粒合成的分子探针，构建一种基于micro-CT的新型光学分子成像系统。这种成像技术相比于其他光学分子影像技术而言，是一种可以同时实现结构性成像和光学分子的功能信息成像的双模态成像技术，具有高空间分辨率、高成像灵敏度和更深的探测深度等优势，受到国内外学者的广泛关注。同时，这种成像模态能够克服光学分子成像的缺陷，实现任意角度的数据采集，并且不会受到外界信号的干扰，为肿瘤的早期发现提供了重要依据，具有广泛的发展前景。

目前，XLCT成像系统根据激发模式的不同，可分为窄束XLCT和锥束XLCT。窄束XLCT利用窄形X射线束扫描物体，X射线束只有照射到具有荧光纳米粒子的位置才会激发其产生近红外光。因此，窄束XLCT可利用“激发先验”的优势获取高分辨率的重建结果，但是过长的扫描时间限制了其临床应用的发展；而锥束XLCT由于其扫描时间短会更加高效和实用，自从2013年提出以后，其发展迅速，越来越受到重视。但相比于窄束XLCT，锥束XLCT由于缺乏“激发先验”信息，图像重建质量不高一直是其痛点问题，因此提高图像重建质量是锥束XLCT迫切需要解决的关键问题。

近年来，深度学习算法是生物医学图像领域关注度很高的一类算法，深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度学习的本质是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的识别有很大的帮助。其中，深度学习在语音和图像识别方面取得的效果，远远超过如支持向量机、高斯混合模型等相关技术。深度学习模型可以直接处理原始数据，可以采用自动提取特征的深层神经网络系统，以便其充分提取数据的复杂特征，解决了人工提取特征不完整的问题。

发明内容

目前发展的锥束XLCT成像技术在扫描效率方面具有优势，但其成像分辨率不高，如何在保证较少的扫描时间的前提下提高图像重建质量是锥束XLCT需要解决的痛点问题。本发明的目的是克服现有技术的上述不足，提供一种基于分组注意力残差网络的锥束X射线发光断层成像方法，可以在较少的投影角度且信噪比较低的环境下，有效的提高图像重建质量。。本发明提出的基于分组注意力残差网络的锥束XLCT重建算法，将领域知识(纳米荧光粒子的正确密度分布范围)集成到深度网络的模型训练中，使得锥束XLCT在训练数据稀疏(使用较少投影视图-四视图)、信噪比较低的环境中，也可显著提高重建图像分辨率，即准确获取成像物体内部的纳米荧光粒子的空间分布图像。技术方案如下：

一种基于分组注意力残差网络的锥束X射线发光断层成像方法，包括下列步骤:

1)生成模拟数据集：根据锥束XLCT成像系统，构建相应的仿真系统，包括仿体构建及光源探测器布配方案设计，方法如下：