基于模型驱动深度展开网络的FMT重建算法研究-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于模型驱动深度展开网络的FMT重建算法研究认领

作者：

杨逸

学位授予单位：

南昌大学

摘要：

荧光分子层析成像(Fluorescence Molecular Tomography,FMT)是一种新兴的光学分子影像技术,它具有高灵敏度、无创、无辐射等优点,近年来在理论和实际应用中发展迅速。然而,由于传统FMT重建技术受到逆问题重建过程中的不适定性影响,因此在实际求解中重建算法的空间分辨率和定量性存在不足,需要做进一步的研究分析。不同于传统的FMT重建方法,本文提出了基于物理模型驱动的深度展开网络的方法优化FMT逆问题的求解,充分利用FMT的领域知识、迭代算法以及被标记的数据来实现FMT的精确重建。其主要的学习和研究内容如下:1、FMT前向问题求解与逆问题的建立。通过光与组织的相互作用关系,联系生物组织内光的传输规律,建立光子传输模型。由辐射传输方程简化得到扩散方程,利用有限元方法,结合方程的边界条件对扩散方程进行前向求解,并通过已知的表面荧光分布数据与体内目标光源之间的线性关系建立逆问题模型。2、基于模型驱动深度展开的ISTA-UNet重建算法研究。传统FMT求解方法受到前向模型简化和逆问题不适定性的限制,重建结果的空间分辨率和定量反演精度都有所欠缺。对此,本文提出了一种模型驱动的深度展开网络ISTA-UNet。通过将模型驱动的迭代收缩/阈值过程与UNet网络模型结合,ISTA-UNet框架既保证可解释性又能利用深度神经网络的去噪和细节恢复能力。此外,为了提高模型精度,本文将预训练模块融入ISTA-UNet网络中,测试FMT的重建效果。3、基于ISTA-UNet算法的FMT实验结果分析。为了验证提出的ISTA-UNet算法在FMT重建问题上的有效性,首先设计了两种不同光源-探测器排布的仿真数据集,并分别测试。在模拟实验中,设置四组实验证明ISTA-UNet算法重建均匀光源-探测器排布的数据时可以获得很好的空间分辨率,能够精确重建目标;在仿CT扫描模式的模拟实验中,通过设置两组实验证明融入预训练模型的ISTA-UNet算法在非均匀排布的光源-探测器数据重建中获得了很高的空间分辨率和定量性。其次,在仿体实验中,设置两组实验表明该算法能够对真实FMT数据进行高质量重建。

摘要译文

关键词：

荧光分子层析成像; 模型驱动; 深度展开网络; 空间分辨率; 图像重建

学位年度：

2023

学位类型：

硕士

学科专业：

电子信息硕士（专业学位）

导师：

周辉林王子青

中图分类号：

TP391.41[图形图像识别];R318[生物医学工程]

学科分类号：

081104[模式识别与智能系统];081205[人工智能];081206[计算机应用技术];0835[软件工程];080404[生物医学仪器及技术];083101[健康医学工程];083104[生物材料与组织工程]

D O I：

10.27232/d.cnki.gnchu.2023.003590