面向肝癌精准检测的多光谱荧光分子断层重建关键技术研究

Multispectral fluorescence molecular tomography (MsFMT) plays an important role in accurate detection of hepatocellular carcinoma (HCC) by simultaneous imaging of multi-target probes on HCC in situ. In order to further improve the detection accuracy of hepatocellular carcinoma, this proposal focuses on the following three key issues. Firstly, according to the inherent law of fluorescent photons propagating in tissues, a multi-spectral feature extraction method is proposed, and stepped-wavelength reconstruction and concurrent-wavelength reconstruction are applied to the reconstruction process to improve the accuracy of tumor imaging. Secondly, a method of MsFMT reconstruction based on stack self-coding (SAE) deep learning network is proposed to study the expansion method of artificial data sets to make full use of multi-spectral information and effectively solve the ill-posed inverse problem in MsFMT process for further improving the detection accuracy of hepatocellular carcinoma. Thirdly, according to the obtained SAE model, a comprehensive model validity analysis is carried out from the aspects of model adaptability, robustness and neuron sensitivity, so as to realize the visualization and quantitative evaluation of the in-depth learning model. The results of this study will provide a non-invasive, advanced and reliable molecular imaging method for the accurate detection of hepatocellular carcinoma, and will promote the development of early accurate detection of hepatocellular carcinoma, as well as provide a new research idea and method for researchers in the cross-field of biomedical engineering.

多光谱荧光分子断层成像（MsFMT）可对原位肝癌上多靶点探针同时成像，在肝癌精准检测上发挥着重要作用。本课题以进一步提高肝癌检测精度为研究目标，重点开展以下三方面关键问题研究。首先，结合各波长发射荧光光子在组织内传播的固有规律，提出多光谱特征提取方法，并以步进波长重建和并发波长重建方式运用到重建过程中，提高肿瘤重建精度；其次，提出基于栈式自编码（SAE）深度学习网络的MsFMT重建方法，研究人工数据集的扩增方法，并实现对多光谱信息的充分利用，有效解决MsFMT过程中的病态逆问题，进一步提高肝癌的检测精度；第三，针对所获得的SAE模型，从模型鲁棒性、神经元敏感性等方面进行全面的模型有效性分析，实现对深度学习模型的可视化、定量化评估。本研究成果将为肝癌的精准检测提供一种无创、先进、可靠的分子影像方法，必将推动肝癌早期精准检测的发展，也为生物医学工程交叉领域的研究人员提供一个新的研究思路和方法。

光学分子成像作为新兴的分子影像技术，可实现对生物体内大分子和细胞的特异性成像，同时，多发射光谱荧光探针的发展对肝癌等恶性肿瘤的早期检测有着重要意义。尤其是多光谱荧光分子断层成像（Multi-spectral Fluorescence Molecule Tomography，MsFMT）技术，将多光谱与荧光分子断层成像技术相结合，利用多波长荧光发射光谱丰富断层成像中的组织光学信息，已经成为肝癌早期无创检测领域最有发展前景的成像技术之一。但是MsFMT图像重建病态性严重。基于此，本项目采用栈式自编码神经网络研究 MsFMT 重建方法，可有效解决 MsFMT 肝癌成像过程中的病态逆问题，大幅度提高成像精度。.本项目的主要研究内容和结果包括以下三部分：.（1）多光谱信息特征提取方法研究。本项目为有效提高重建精度，提出并建立了多维特征参量特征提取方法(multi-dimensional characteristic parameters, MDCP)，并将其与常规的二维光强方法建立的PLS分析模型进行对比。研究结果表明多维特征参量特征提取方法能够有效的提高重建精度。为了进一步优化光谱特征提取方法，本研究又提出了多维径向距离特征提取(Multi-dimensional radial distance, MDRD)方法，研究结果表明，多维径向距离特征提取方法不仅能够降低计算的复杂度，而且有效提高了重建精度。基于波长重组的数据降维方法表现出更好的性能。.（2）建模人工数据采集方法研究。本项目采用正问题工具获得进行人工数据集的扩增。并分别对单目标异质体和双目标异质体进行数据样本集积累。最终可以得到多组不同光学参数、不同大小、不同位置异质体的样本数据集用于后续神经网络模型的训练。.（3）基于深度学习的MsFMT建模方法研究。本项目选择 SAE 深度学习网络为基础网络。分别进行单一目标异质体仿真模型和双目标异质体仿真模型的建立。并对两个重建模型的有效性评估，通过比对单一波长和多波长、不同水平信噪比噪声模型重建效果，研究结果表明多波长重建模型有效提高了重建精度。.通过本项目的研究，不仅推动了荧光分子断层成像的技术发展，同时也为近红外散射光学断层成像和磁感应断层成像等相关研究中的逆问题解决提供了参考方案。