[发明专利]一种基于深度神经网络的回归分析模型构建方法

说明书

本发明公开了一种基于深度神经网络的回归分析模型构建方法，并将其应用到光学分子成像领域。本发明的主要研究成果如下：(1)提出基于深度神经网络的回归分析模型，克服了人工智能方法只能在同一个网格上进行目标重建的限制，实现了由不同结构的网格产生的生物组织表面光分布信息到光源信息的重建；(2)提出基于点云技术的研究方法，克服了传统重建方法中重建出的光源形状受限于网格剖分情况的限制，实现了光源在形态学上的高精度重建。本发明在医学分子影像、重建方法等领域有重要的应用价值。

技术领域

本发明属于计算机视觉、分子影像学等领域，涉及一种基于深度神经网络的回归分析模型以及基于点云技术的研究方法，适用于图像处理及光学分子成像等领域。

背景技术

光学分子影像是一个快速发展的生物医学成像领域，将光学过程与一定的分子性质相结合，利用特异性探针的光学性质，反映活体状态下分子水平变化，用于组织病理变化的早期检测。该成像方式具有无辐射、灵敏度高、时空分辨率高等优点，常被用于小动物研究中的分子、细胞和基因表达成像，促进药物开发、疾病研究和治疗干预。

常见的光学分子成像模态，根据成像过程是否需要外部能量激发，分为直接光学分子成像和间接光学分子成像。直接光学分子成像是无需外部能量激发的成像技术，主要通过探测特异性分子探针或放射性核素释放的光子实现成像，包括生物发光断层成像和契伦科夫光学成像。间接光学分子成像是需要外部能量激发的成像技术，如用激光作为外部能量源的荧光分子断层成像，用X射线作为激发源的X射线发光断层成像。

在医学上，为了非侵入式地获得生物体内病灶信息，可将适合成像的纳米发光探针与病灶结合。结合到病灶部位的特异性纳米探针自发或受激辐射发出光子。光线在由内向外的传输过程中经历了反射、吸收、散射等复杂的物理过程，传输到生物体表面形成光分布信息。为了模拟光在生物组织中的传输过程，前人已经进行了大量的富有成果的研究，研究策略通常是在精度和效率之间进行合适的取舍。这种研究策略，不但工作繁杂，而且其计算精度和效率的缺陷，制约了光学分子断层成像中光源的快速精确重建。人工智能方法只能在同一个网格或相同结构的网格上进行重建，这一局限性严重制约了其应用范围。传统重建方法重建时间长、重建效率低，重建出的光源在形态学上严重受限于网格结构，不能准确地反映真实光源的形态。因此，探究一种易于实现同时也具备良好的定位能力和形态学重建能力的端到端的能够在不同结构的网格上进行重建的融合点云研究方法的基于深度神经网络的回归分析模型极为必要。

发明内容

针对现有技术中的缺陷和不足，本发明提供了一种融合点云研究方法的基于深度神经网络的回归分析模型，解决了现有重建方法的两个缺陷：一、人工智能方法只能在同一个网格或相同结构的网格上进行重建；二、传统重建方法重建出的光源形状严重受限于网格剖分的疏密程度。

为达到上述目的，本发明采取如下的技术方案：

一种基于深度神经网络的回归分析模型构建方法，包括以下步骤：

步骤一，训练集和测试集的构造：在生物体仿真模型内植入给定坐标和半径的光源，获得实际光源坐标和实际光源半径，光源在生物体表面形成生物体表面光分布信息，生物体表面光分布信息包括光分布坐标和光亮度；光分布坐标和光亮度为训练集的样本数据，实际光源坐标和实际光源半径为训练集的标签数据；

测试集的构造过程与训练集的构造过程相同；

步骤二、模型训练：

将步骤一得到的训练集输入到深度神经网络的回归分析模型中进行训练，获得训练集的样本数据和训练集的标签数据之间的非线性映射关系，测试集用于模型检测。

可选的，所述的深度神经网络的回归分析模型包含线性层、卷积层、最大池化层和激活层。

可选的，所述的深度神经网络的回归分析模型以MSEloss为损失函数，用于评估预测值和真实值间的误差。