基于多层感知神经网络的荧光药代动力学层析成像的方法.pdf

《基于多层感知神经网络的荧光药代动力学层析成像的方法.pdf》由会员分享，可在线阅读，更多相关《基于多层感知神经网络的荧光药代动力学层析成像的方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010572800.6 (22)申请日 2020.06.22 (71)申请人 天津大学 地址 300072 天津市南开区卫津路92号 (72)发明人 史珂张丽敏赵志超曹斌 高峰 (74)专利代理机构 天津市北洋有限责任专利代 理事务所 12201 代理人 李丽萍 (51)Int.Cl. G01N 21/64(2006.01) G06T 11/00(2006.01) G06N 3/04(2006.01) A61B 5/00(2006.01) (54)发明名称 基于多层感知神经。

2、网络的荧光药代动力学 层析成像的方法 (57)摘要 本发明公开了一种基于多层感知神经网络 的荧光药代动力学层析成像的方法， 采用多层感 知神经网络模型， 通过生成的训练样本对网络模 型训练， 获得荧光剂在生物组织体内吸收代谢过 程中表面光学测量数据与荧光剂在生物组织内 的荧光药代动力学参数之间的映射关系， 通过荧 光剂在生物组织体内的吸收代谢过程中表面光 学测量数据直接获得基于某种荧光剂动力学模 型下荧光剂在生物组织体中的荧光药代动力学 参数图像。 本发明避免了重建荧光浓度对荧光药 代动力学参数获取的影响， 降低对面向荧光药代 动力学层析成像的动态测量系统的时间分辨率 的高要求。 避免了初始参。

3、数的设置与滤波发散现 象的发生， 从而提高了重建荧光药代动力学参数 图像的精度。 权利要求书1页 说明书8页 附图2页 CN 111795955 A 2020.10.20 CN 111795955 A 1.一种基于多层感知神经网络的荧光药代动力学层析成像的方法， 其特征在于， 采用 多层感知神经网络模型， 通过生成的训练样本对网络模型训练， 获得荧光剂在生物组织体 内吸收代谢过程中表面光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间 的映射关系， 通过荧光剂在生物组织体内的吸收代谢过程中表面光学测量数据直接获得基 于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数图像。 。

4、2.根据权利要求1所述的基于多层感知神经网络的荧光药代动力学层析成像的方法， 其特征在于， 具体步骤如下： 步骤一、 生成训练样本： 构建内嵌异质体的圆形二维仿体模型， 基于二维仿体模型通过仿真获得多组不同目标 体情况下， 荧光剂生物组织体内吸收代谢过程中表面光学测量数据和基于某种荧光剂动力 学模型下荧光剂在生物组织体中的荧光药代动力学参数； 步骤二、 网络模型的搭建： 根据训练样本建立荧光药代动力学层析成像的网络模型； 网络模型包括输入层， 四层 隐藏层、 输出层； 四层隐藏层分别记为第一隐藏层、 第二隐藏层、 第三隐藏层和第四隐藏层； 所述输入层的神经元个数m对应于荧光剂在生物组织体内吸收。

5、代谢过程中表面光学测 量数据量； 所述输出层的神经元个数n对应的是将组织离散化后有限元节点的个数， 每层隐 藏层的神经元个数为 所述输入层与第一隐藏层之间、 相邻的隐藏层之间及第四隐藏层与输出层之间均分别 采用全连接层； 所述全连接层的各神经元之间算法结构为ywx+b， 其中： y为输出， x为输入， w为权重， b为偏置； 每个全连接层后均使用ReLU函数作为激活函数， 在激活函数后加入Dropout层， 所述网 络模型中， Dropout的概率设为0.2； 对输出层的数据， 采用ReLU函数进行修正； 步骤三、 训练网络模型： 以步骤一生成的基于某种荧光剂动力学模型下荧光剂在生物组织体中的。

6、荧光药代动 力学参数作为样本标签； 在搭建好的网络模型后加入损失层， 以便训练网络模型， 选用Euclidean Loss函数作 为损失层， 计算上述网络模型的实际输出与样本标签的差的平方和的公式如下： 其中， yi1是样本标签； yi2表示网络模型的实际输出； N表示网络模型的实际输出的神经 元个数， Nn； 设置网络训练过程中的参数， 包括最大迭代次数、 学习率变化过程、 学习率初始值、 梯 度下降方式； 根据步骤一获得的数据通过Loss曲线对步骤二搭建的网络模型进行训练； 步骤四、 重建荧光药代动力学参数图像： 利用面向荧光药代动力学层析成像的动态测量系统， 动态的获得荧光剂在被测生物组。

7、 织体内的吸收代谢过程中表面的光学测量数据， 对数据进行归一化处理后， 输入训练好的 网络模型重建得到荧光剂在被测生物组织体内的吸收代谢的荧光药代动力学参数图像。 权利要求书 1/1 页 2 CN 111795955 A 2 基于多层感知神经网络的荧光药代动力学层析成像的方法 技术领域 0001 本发明属于生物医学光子成像领域， 涉及一种基于多层感知神经网络的荧光药代 动力学层析成像的方法。 背景技术 0002 荧光扩散层析成像(Diffuse Fluorescence Tomography,DFT)属于一种光学成像 技术， 可以对特定生物组织甚至是小动物全身实现细胞分子水平的三维、 定位量化。

8、的成 像1。 在此基础上发展起来的荧光药代动力学可通过分析荧光剂在生物组织体内随时间变 化而发生的吸收， 分布， 代谢等药代动力学过程， 并结合动力学原理和数学模型2， 获得荧 光剂浓度随时间变化的分布图像和与生物组织生理状态相关荧光药代动力学参数(渗透 率， 代谢率等)， 在小动物肿瘤模型的早期检测与治疗评估、 药物临床前筛选等方向具有广 阔的应用前景。 0003 目前， 荧光药代动力学层析成像的研究主要有间接成像方法3-7和直接成像方 法8-12。 荧光药代动力学层析间接成像的研究思路是将获取药代动力学参数图像的过程分 为两步： 第一步是采用DFT图像重建方法， 根据生物组织表面光学测量数。

9、据重建出某些离散 时刻荧光产率在组织的分布图像。 第二步， 通过荧光产率和荧光剂浓度的关系获得荧光剂 浓度在生物组织体中随时间变化的曲线， 结合指数动力学模型或分室动力学模型， 采用基 本拟合的方式或非线性滤波的方法获得荧光剂在生物组织中的吸收代谢曲线， 从而获取荧 光药代动力学参数图像。 0004 在荧光剂动力学模型中， 指数动力学模型4可以定量地分析对荧光剂在生物组织 体内的吸收代谢的动态过程， 获得荧光剂浓度在体内的动态变化规律。 根据分光光度法测 量可知， 组织体内荧光剂浓度在注射后是呈指数形式吸收和代谢。 指数动力学模型有单指 数模型和双指数模型两种动力学模型。 0005 近红外的荧。

10、光剂分室模型5,6可以提供肿瘤检测、 诊断、 分期和药物代谢等相关生 理信息。 分室模型是将组织体中的每个小体元划分为间室， 并采用一系列的耦合偏微分方 程组(Ordinary Differential Equation， ODE)来描述有交互行为的间室之间荧光剂相互 渗透的情况。 其中每一个方程组对应描述每一间室的荧光剂浓度的随时间变化的规律， 其 系数代表各室之间的荧光剂交换律， 被称为药代动力学渗透率。 但是在近红外光学测量手 段只能重建出荧光剂的总浓度， 并不能获得各间室浓度， 且渗透率参数与可测量的总浓度 之间是非线性关系， 因此求解ODE系数需要非线性滤波的方法进行求解， 例如扩展。

11、卡尔曼滤 波(Extended Kalman Filter)技术。 0006 目前工程条件下的荧光药代动力学层析间接成像方法存在着两大问题， 首先静态 的DFT荧光重建图像过程中逆问题的求解存在严重的病态性， 导致重建图像的荧光产率值 不准确， 这势必将会影响后续荧光药代动力学参数的求解。 其次， 荧光剂在生物组织体中的 吸收代谢曲线一般是结合动力学模型并采用基本拟合的方式， 而每一帧荧光剂浓度图像都 需要一次完整的扫描测量， 并设定数据测量过程中荧光剂浓度值不发生变化。 因此间接成 说明书 1/8 页 3 CN 111795955 A 3 像的方法需要面向荧光药代动力学层析成像的动态测量系统。

12、具有较高的时间分辨率， 以保 证曲线拟合的结果更加接近真实的代谢曲线。 上述问题使得间接成像方法在荧光药代动力 学层析成像的实际应用中受到很大的限制。 0007 直接成像方法即通过生物组织表面光学测量数据直接获得荧光药代动力学参数 图像， 而不经过中间荧光剂产率值图像的重建过程， 从而避免了中间过程对荧光药代动力 学参数重建的影响。 因此， 直接成像方法在荧光药代动力学层析成像的研究中越来越受到 重视。 0008 但是直接成像方法中多采用分室模型的荧光剂动力学模型结合扩展卡尔曼滤波 技术求解荧光剂的药代动力学参数。 在实际的物理模型与系统数学模型之间有差异， 且非 线性问题线性化的过程带来的误。

13、差和系统初始状态的先验信息不准确时， 卡尔曼滤波将会 发生滤波发散的现象13， 最终影响荧光药代动力学参数的求解， 导致药代动力学参数的不 准确。 0009 参考文献 0010 1Hawrysz D J,Sevick-Muraca E M.Developments Toward Diagnostic Breast Cancer Imaging Using Near-Infrared Optical Measurements and Fluorescent Contrast Agents1J.Neoplasia,2000,2(5):388-417. 0011 2Alander,Kaartinen。

14、 J.T.,Laakso I.,et al,A Review of Indocyanine Green Fluorescent Imaging in Surgery,International Journal of Biomedical Imaging,2012,2012(1):940585-940585. 0012 3Bauer L.A.,Applied Clinical Pharmacokinetics,McGraw-Hill,New York (2008). 0013 4Intes X,Ripoll J,Chen Y,et al.In vivo continuous-wave optic。

15、al breast imaging enhanced with Indocyanine Green,Medical Physics,2003,30(6): 1039-1047. 0014 5Liu X,Guo X,Liu F,et al.Imaging of Indocyanine Green Perfusion in Mouse Liver With Fluorescence Diffuse Optical Tomography,IEEE Transactions on Biomedical Engineering,2011,58(8):2139-2143. 0015 6Alacam B.,。

16、Yazici B.,Intes X.,et al,Extended Kalman Filtering for the Modeling and Analysis of ICG Pharmacokinetics in Cancerous Tumors Using NIR Optical Methods,IEEE Transactions on Biomedical Engineering,2006,53(10): 1861-71. 0016 7Alacam B.,Yazici B.,Intes X.,et al,Pharmacokinetic-rate images of indocyanine。

17、 green for breast tumors using near-infrared optical methods, Physics in Medicine&Biology,2008,53(4):837-59. 0017 8Cuccia D J,Bevilacqua F,Durkin A J,et al.In vivo Quantification of Optical Contrast Agent Dynamics in Rat Tumors by Use of Diffuse Optical Spectroscopy with Magnetic Resonance Imaging C。

18、oregistrationJ.Applied Optics,2003,42(16):2940-2950. 0018 9Milstein A.B.,Webb K.J.,Bouman C.A.,Estimation of kinetic model 说明书 2/8 页 4 CN 111795955 A 4 parameters in fluorescence optical diffusion tomography,Journal of the Optical Society of America A,2005,22(7):1357-68. 0019 10Zhang G.,Liu F.,Pu H.。

19、,et al,A direct method with structural priors for imaging pharmacokinetic parameters in dynamic fluorescence molecular tomography,IEEE Trans Biomed Eng,2015,106(8):986-990. 0020 11Zhang G .,Pu H.,He W.,et al,Full-direct method for imaging pharmacokinetic parameters in dynamic fluorescence molecular 。

20、tomography, Appl.Phys.Lett.,106,2015,081110. 0021 12Zhang G.,Pu H.,He W.,et al,Bayesian Framework Based Direct Reconstruction of Fluorescence Parametric Images,IEEE Transactions on Medical Imaging,2015,34(6):1378-1391. 0022 13李娇,高峰,易茜,等.基于二维圆域解析模型的时域扩散荧光层析原理与实 验研究J.中国激光,2010(11):57-62. 发明内容 0023 针对上。

21、述现有技术， 本发明提出一种基于多层感知神经网络的荧光药代动力学层 析成像方法， 拟解决当前技术工程下荧光药代动力学层析成像所面临的问题。 荧光药代动 力学层析间接成像方法中静态DFT成像受制于逆问题的病态性， 导致重建的荧光剂浓度图 像的精度较差， 这将严重的影响后续荧光药代动力学参数的求解。 且每一帧荧光剂浓度图 像都需要完整的扫描过程， 这要求面向荧光药代动力学层析的动态测量系统有着较高的时 间分辨率， 否则将会丢失荧光剂在生物组织体吸收代谢信息。 而在直接成像方法中， 荧光剂 药代动力学参数的准确性易受系统先验信息影响， 导致初始参数设置较为繁琐。 且卡尔曼 滤波方法会因为模型、 误差。

22、和先验信息的影响发生滤波发散现象。 0024 为了解决上述技术问题， 本发明提出的一种基于多层感知神经网络的荧光药代动 力学层析成像的方法， 本方法通过有监督学习的方式， 采用多层感知神经网络模型， 经过生 成的大量的训练样本对网络模型训练， 获得了荧光剂在生物组织体内吸收代谢过程中表面 光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间的映射关系， 可直接快速 并准确的通过荧光剂在生物组织体内的吸收代谢过程中表面光学测量数据获得基于某种 荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数图像。 0025 具体步骤如下： 0026 步骤一、 生成训练样本： 构建内嵌异质体的圆形二。

23、维仿体模型， 基于二维仿体模型 通过仿真获得多组不同目标体情况下， 荧光剂生物组织体内吸收代谢过程中表面光学测量 数据和基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数； 0027 步骤二、 网络模型的搭建： 根据训练样本建立荧光药代动力学层析成像的网络模 型； 网络模型包括输入层， 四层隐藏层、 输出层； 四层隐藏层分别记为第一隐藏层、 第二隐藏 层、 第三隐藏层和第四隐藏层； 所述输入层的神经元个数m对应于荧光剂在生物组织体内吸 收代谢过程中表面光学测量数据量； 所述输出层的神经元个数n对应的是将组织离散化后 有限元节点的个数， 每层隐藏层的神经元个数为所述输入层与第一隐。

24、藏 层之间、 相邻的隐藏层之间及第四隐藏层与输出层之间均分别采用全连接层； 所述全连接 说明书 3/8 页 5 CN 111795955 A 5 层的各神经元之间算法结构为ywx+b， 其中： y为输出， x为输入， w为权重， b为偏置； 每个全 连接层后均使用ReLU函数作为激活函数， 在激活函数后加入Dropout层， 所述网络模型中， Dropout的概率设为0.2； 对输出层的数据， 采用ReLU函数进行修正； 0028 步骤三、 训练网络模型： 以步骤一生成的基于某种荧光剂动力学模型下荧光剂在 生物组织体中的荧光药代动力学参数作为样本标签； 在搭建好的网络模型后加入损失层， 以便训。

25、练网络模型， 选用Euclidean Loss函数作为损失层， 计算上述网络模型的实际输出 与样本标签的差的平方和的公式如下： 0029 0030 其中， yi1是样本标签； yi2表示网络模型的实际输出； N表示网络模型的实际输出的 神经元个数， Nn； 设置网络训练过程中的参数， 包括最大迭代次数、 学习率变化过程、 学习 率初始值、 梯度下降方式； 根据步骤一获得的数据通过Loss曲线对步骤二搭建的网络模型 进行训练； 0031 步骤四、 重建荧光药代动力学参数图像： 利用面向荧光药代动力学层析成像的动 态测量系统， 动态的获得荧光剂在被测生物组织体内的吸收代谢过程中表面的光学测量数 据。

26、， 对数据进行归一化处理后， 输入训练好的网络模型重建得到荧光剂在被测生物组织体 内的吸收代谢的荧光药代动力学参数图像。 0032 与现有技术相比， 本发明的有益效果是： 0033 采用多层感知神经网络模型， 通过建立荧光剂在生物组织体内吸收代谢过程中表 面光学测量数据与荧光剂在生物组织内的荧光药代动力学参数之间的映射关系， 直接获得 荧光剂在生物组织内吸收代谢过程中荧光药代动力学参数图像。 相比于间接成像方法， 本 发明采用直接成像方式， 不经过荧光浓度图像的重建过程， 避免了中间过程给荧光药代动 力学参数求解带来的误差。 其次采用多层感知神经网络的方式可以降低对面向荧光药代动 力学层析成像。

27、的动态测量系统的时间分辨率的高要求。 相比于直接成像方法， 本发明不会 受到扩展卡尔曼滤波求解过程初始化参数设置和滤波发散现象对荧光药代动力学参数求 解的影响， 从而提高了求解精度。 同时本发明并不局限于某一种动力学模型， 对于指数动力 学模型和分室模型都可很好地应用。 附图说明 0034 图1是本发明中训练样本仿体模型示意图； 0035 图2是本发明中多层感知神经网络的训练网络模型； 0036 图3本发明面向荧光药代层析成像的并行速检的动态测量系统。 具体实施方式 0037 下面结合附图及具体实施例对本发明做进一步的说明， 但下述实施例绝非对本发 明有任何限制。 0038 本发明提出的基于多。

28、层感知神经网络的荧光药代动力学层析成像方法， 具体方法 流程如下： 0039 1、 生成训练样本： 说明书 4/8 页 6 CN 111795955 A 6 0040 构建内嵌异质体的圆形二维仿体模型， 基于二维仿体模型通过仿真获得多组不同 目标体情况下， 荧光剂生物组织体内吸收代谢过程中表面光学测量数据和基于某种荧光剂 动力学模型下荧光剂在生物组织体中的荧光药代动力学参数。 0041 2、 网络模型的搭建： 0042 根据训练样本建立荧光药代动力学层析成像的网络模型； 网络模型包括输入层， 四层隐藏层、 输出层； 四层隐藏层分别记为第一隐藏层、 第二隐藏层、 第三隐藏层和第四隐 藏层； 00。

29、43 所述输入层的神经元个数m对应于荧光剂在生物组织体内吸收代谢过程中表面光 学测量数据量； 所述输出层的神经元个数n对应的是将组织离散化后有限元节点的个数， 每 层隐藏层的神经元个数为 0044 所述输入层与第一隐藏层之间、 相邻的隐藏层之间及第四隐藏层与输出层之间均 分别采用全连接层； 0045 所述全连接层的各神经元之间算法结构为ywx+b， 其中： y为输出， x为输入， w为 权重， b为偏置； 0046 每个全连接层后均使用ReLU函数作为激活函数， 在激活函数后加入Dropout层， 所 述网络模型中， Dropout的概率设为0.2； 对输出层的数据， 采用ReLU函数进行修正。

30、。 0047 3、 训练网络模型： 0048 以步骤一生成的基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药 代动力学参数作为样本标签； 0049 在搭建好的网络模型后加入损失层， 以便训练网络模型， 选用Euclidean Loss函 数作为损失层， 计算上述网络模型的实际输出与样本标签的差的平方和的公式如下： 0050 0051 其中， yi1是样本标签； yi2表示网络模型的实际输出； N表示网络模型的实际输出的 神经元个数， Nn。 0052 设置网络训练过程中的参数， 包括最大迭代次数、 学习率变化过程、 学习率初始 值、 梯度下降方式； 根据步骤一获得的数据通过Loss曲线对。

31、步骤二搭建的网络模型进行训 练； 0053 4、 重建荧光药代动力学参数图像： 0054 利用面向荧光药代动力学层析成像的动态测量系统， 动态的获得荧光剂在被测生 物组织体内的吸收代谢过程中表面的光学测量数据， 对数据进行归一化处理后， 输入训练 好的网络模型重建得到荧光剂在被测生物组织体内的吸收代谢的荧光药代动力学参数图 像。 0055 实施例： 0056 本发明的荧光药代动力学层析成像是用于荧光剂药代动力学的动态成像方法， 通 过研究荧光剂在组织体体中随时间变化的吸收代谢等动态变化过程， 结合动力学模型和数 学方法分析生物组织体对于荧光剂的分布、 浓度与时间的关系， 并给予荧光剂在生物组织。

32、 体中浓度随时间变化的曲线获得荧光剂药代动力学参数(渗透率、 代谢率等)信息， 在小动 物模型的肿瘤诊断、 分期等应用方面提供极大价值的信息。 该荧光药代动力学层析成像的 说明书 5/8 页 7 CN 111795955 A 7 方法主要包括以下步骤 0057 1生成训练样本 0058 基于动力学模型获得荧光剂生物组织体内吸收代谢过程中表面光学测量数据和 基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药代动力学参数。 本实例以指 数动力学模型为例。 0059 如图1所示， 使用半径为15mm的圆形二维仿体产生模拟数据， 并将仿体离散为2030 个有限元的节点和3901个三角形单元， 采用。

33、1616源探均匀的分布于仿体一周， 完成一周 的测量可获得1612192个数据， 共完成120圈的测量。 目标体的半径设有2mm、 3mm和4mm。 目标体与仿体的圆心距设为0-13mm。 在一种目标体大小的情况下产生150个随机位置。 0060 在同一个目标体大小的某个确定位置下， 假设荧光剂只在目标体区域有吸收与代 谢， 且目标体各处吸收代谢相同。 由指数动力学模型C(t)-Ae- t+Be- t， 其中A、 B为曲线上 每一指数段C(t)的截距， 为荧光剂的吸收率， 为荧光剂的代谢率， 设 的值有0.8min-1、 1.0min-1、 1.2min-1、 1.4min-1、 1.6min。

34、-1； 的值有0.05min-1、 0.06min-1、 0.07min-1； A1， B 1。 采用双指数模型计算可得荧光剂随时间变化的曲线C(t)， 之后基于荧光剂浓度与荧光吸 收系数的线性关系 af(t)ln10 C(t)可通过荧光剂浓度计算获得荧光吸收系数随时间变 化的曲线 af(t)， 其中 是荧光剂的消光系数。 最后采用基于有限元方法的荧光扩散层析成 像的正向模型获得在表面激发光和荧光的光子数。 0061 2网络模型的搭建： 0062 根据训练样本建立荧光药代动力学层析成像的网络模型， 网络模型包括输入层， 四层隐藏层、 输出层； 四层隐藏层分别记为第一隐藏层、 第二隐藏层、 第三。

35、隐藏层和第四隐 藏层； 输入层神经元个数m由荧光剂生物组织吸收代谢过程中表面的光学测量数据确定。 由 步骤一可知， m为19212023040。 输出层的神经元个数n对应的是将组织离散化后有限元 节点的个数， 由步骤一可知， n2030。 根据经验公式其中s为隐藏层神经元 个数， m为输入层神经元个数， n为输出层神经元个数， 则可得出每层隐藏层神经元个数， 即s 6843。 0063 所述输入层与第一隐藏层之间、 相邻的隐藏层之间及第四隐藏层与输出层之间均 分别采用全连接层； 所述全连接层的各神经元之间算法结构为ywx+b， 其中y为输出， x为 输入， w为权重， b为偏置。 并在每层设置。

36、权重与偏置的初始化方式， 权重初始化方式为 xavier初始化， 偏置的初始化方式为常量初始化。 0064 在每个全连接层后加入ReLU函数作为激活函数。 ReLU函数是一个非线性函数， 如 果输入小于0则输出为0， 如果输入大于0则输出该值。 使用了ReLU函数的神经元将会输出y max(0,wx+b)。 0065 在激活函数后加入Dropout层， Dropout层是在网络的训练过程中， 按照一定的概 率将一部分中间层的单元暂时从网络中丢弃， 通过把该单元输出设置为0使其不工作， 来避 免过拟合， 在本网络模型中， Dropout的概率设为0.2。 0066 输出层的输出结果理论上不可能为。

37、负值， 在输出层后采用ReLU函数对输出结果进 行修正。 0067 3训练网络模型 0068 以步骤一生成的基于某种荧光剂动力学模型下荧光剂在生物组织体中的荧光药 说明书 6/8 页 8 CN 111795955 A 8 代动力学参数作为样本标签； 0069 如图2所示， 在搭建好的网络模型后加入损失层， 以便训练网络模型。 选用 Euclidean Loss函数作为损失层， 计算上述网络模型的实际输出与样本标签的差的平方和 的公式如下： 0070 0071 其中， yi1是样本标签； yi2表示网络模型的实际输出； N表示网络模型的实际输出的 神经元个数， Nn； 0072 设置网络训练过程。

38、中的最大迭代次数， 学习率变化过程， 学习率初始值和梯度下 降方式。 本次训练中梯度下降方式采用Adam最优化进行迭代训练， 输入层中的含有荧光剂 在生物组织体内吸收代谢过程中测得表面的光学测量数据的神经元会传递到第一隐藏层 的每一神经元， 上一隐藏层中每一神经元又将数据传递到下一隐藏层的每一神经元， 共经 历4层隐藏层后， 第四隐藏层会将每一神经元的数据传递到输出层的每一神经元中。 由输出 层实际输出和样本标签做Loss计算， 并将误差反向传播， 以便调整各隐藏层的权重与偏置。 在迭代过程中， Loss持续下降并最终趋于稳定， 表明荧光剂在生物组织吸收代谢过程中表 面光子测量数据与荧光药代动。

39、力学参数之间的映射关系网络模型训练完成。 0073 4重建荧光药代动力学参数图像 0074 采用面向荧光药代动力学层析成像的系统获得荧光剂在生物组织体中的吸收代 谢过程中表面光学测量数据， 对数据进行归一化处理后， 输入训练好的网络模型重建得到 荧光剂在被测生物组织体内的吸收代谢的荧光药代动力学参数图像。 本发明将采用面向荧 光药代层析成像的并行速检的动态测量系统获取荧光剂ICG在小鼠肝部吸收代谢的过程中 的表面光学测量数据。 0075 4-1面向荧光药代层析成像的并行速检的动态测量系统 0076 如图3所示， 面向荧光药代层析成像的并行速检的动态测量系统主要由LD光源系 统， 成像腔系统， 。

40、光路传输系统和基于FPGA平台开发的方波发生器和数字锁相光子计数模 块构成。 成像腔系统主要有光纤架、 成像腔、 升降台。 光路传输系统由光纤、 光开关、 滤光轮， 准直器组成。 16根源探同轴Y形双芯光纤经光纤架固定后均匀环绕于成像周围且紧贴外壁， 光源光纤端接于LD光源系统输出端， 探测光纤端接于光开关输入端。 此系统采用4源同时激 励、 源探分时复用的探测方案， 具体工作过程如下： 4组被编码的光源由LD组成的光源系统 出射， 经源光纤引导投射在被测物体的表面， 在被测物体内经过吸收散射等作用后出射； 12 组探测光纤将成像平面内不同探测角度的散射光信号接受后传送至光开关， 经光开关的3。

41、 次切换后的光信号依次传送到4个PMT中， PMT将光信号转化为与光强信号有关的时变密度 型电脉冲信号， 最后传送到基于FPGA开发的具有频率鉴别作用的多通道并行检测功能的数 字锁相光子计数模块， 经过4组源探切换并重复完成上述过程便可快速的获得小动物组织 体表面的光学测量数据。 另外， 通过切换滤光轮可以实现实验中分别对激发光信号和荧光 信号的采集， 且在滤光轮前加准直器可使探测光准直入射到滤光片， 以达到更好的滤光效 果。 0077 4-2小鼠肝代谢实验设置与流程 0078 小鼠选用三到四周龄的健康昆明小鼠， 实验具体流程如下： 说明书 7/8 页 9 CN 111795955 A 9 0。

42、079 (1)麻醉： 在测量过程中， 为保证成像的准确性， 小鼠应处于静息状态下且固定于 成像腔内。 所以采用4的水合氯醛对小鼠进行腹腔注射以达到麻醉的效果。 所用剂量应严 格按照与小鼠体重成比例进行注射(0.01ml/g)。 0080 (2)脱毛： 因为小鼠的体毛将严重影响光信号的探测， 因此需对小鼠躯干使用脱毛 膏进行脱毛处理。 0081 (3)确定肝平面： 根据小鼠解剖结构， 将剑突下方1mm处做为肝脏成像扫描平面， 并 将小鼠装筒固定。 0082 (4)荧光剂物质注射： 荧光剂材料选用吲哚菁绿(Indocyanine Green,ICG)， 将其 溶于生理盐水中配置成浓度为50 g/m。

43、l的ICG溶液。 将溶液通过尾静脉注射到小鼠体内， 注 射剂量为0.5-0.7ml。 0083 (5)测量： 注射成功后， 快速将小鼠固定在成像腔中， 加入1的脂肪乳匹配液以填 满成像筒与小鼠之间的空气间隙后， 开始连续测20min， 获得120圈的测量数据。 0084 4-3重建荧光药代动力学参数图像 0085 将获得的小鼠表面光学测量数据进行归一化处理， 将处理好后的数据输入训练好 的网络模型中， 重建可获得荧光剂在小鼠体内的药代动力学参数 及 图像。 从图像中很好 地反映了荧光剂在小鼠成像切面下各处的药代动力学参数值， 直观地反映了荧光剂在小鼠 体内的吸收与代谢情况。 0086 综上， 。

44、本发明的荧光药代动力学层析成像的方法是一种经过大量的荧光药代动力 学的训练样本得到荧光剂在生物组织体内吸收代谢过程中表面光学测量数据与荧光剂在 生物组织内的荧光药代动力学参数之间的映射关系的方法。 可通过荧光剂在生物组织体内 的吸收代谢过程中表面光学测量数据直接快速并准确地获得基于某种荧光剂动力学模型 下荧光剂在生物组织体中的荧光药代动力学参数图像。 有别于间接的荧光药代动力学成像 方法， 本方法无需重建荧光剂在生物组织体中的荧光剂浓度图像， 因此也避免了重建荧光 浓度对荧光药代动力学参数获取的影响。 采用多层感知神经网络的方式降低对面向荧光药 代动力学层析成像的动态测量系统的时间分辨率的高要。

45、求。 同样区别于荧光药代动力学直 接成像方法， 避免了初始参数的设置与滤波发散现象的发生， 从而提高了重建荧光药代动 力学参数图像的精度。 0087 尽管上面结合附图对本发明进行了描述， 但是本发明并不局限于上述的具体实施 方式， 上述的具体实施方式仅仅是示意性的， 而不是限制性的， 本领域的普通技术人员在本 发明的启示下， 在不脱离本发明宗旨的情况下， 还可以做出很多变形， 这些均属于本发明的 保护之内。 说明书 8/8 页 10 CN 111795955 A 10 图1 图2 说明书附图 1/2 页 11 CN 111795955 A 11 图3 说明书附图 2/2 页 12 CN 111795955 A 12 。