基于深度学习和并行蒙特卡洛方法的高精度光学断层重建方法研究

Three-dimensional optical molecular tomography can quantitatively observe the optical probes in vivo, which provides an effective technical support for life science research. Because of light scattering and surface imperfection of measurement data, and optical tomography reconstruction is a seriously ill-posed inverse problem. It is an important challenge for the practical application of three-dimensional optical tomography to ensure the accuracy and robustness of reconstruction. Deep learning technology abandons the imaging model and its system equation of the traditional numerical reconstruction method and greatly reduces the morbidity of reconstruction. This project aims to ensure the accuracy and robustness of image reconstruction for three-dimensional optical tomography and establishes a reconstruction framework with universal applicability based on deep learning technology and parallel accelerated Monte Carlo simulation technology. In order to solve the problems of poor precision and low efficiency of organ segmentation, the segmentation method based on adaptive depth U-net was studied. In order to enhance the precision and robustness for multi-modality optical tomography reconstruction, we carry out the research on tissue reconstruction of optical parameters based on deep learning method and design the deep neural network suitable for the solution of optical transmission inverse problem, Combined with the three-dimensional digital animal atlas and the massive training data obtained by parallel MC simulation, the accurate and robust reconstruction of optical target signals was realized in-vivo.

光学三维断层分子成像可以对生物体内光学探针进行在体的三维定位和量化观测，为生命科学研究提供了有效的研究技术支撑。由于组织对光的散射以及表面测量数据的不完整性，光学断层重建是一个严重病态性的逆向问题。如何确保三维重建的精度鲁棒性，是光学三维断层成像技术实用化面临的重要挑战难题。深度学习技术摒弃了传统数值重建方法的成像模型及其系统方程，极大的减小了重建的病态性。本项目以保障光学三维断层成像图像重建的精度鲁棒性为目标，以深度学习技术和并行加速蒙特卡洛仿真技术为基础，建立具有普遍适用性的重建框架。针对器官分割精度差和效率低的问题，开展基于自适应深度U-net网络的分割方法研究。针对多模态光学断层重建的精度和鲁棒性问题，开展基于深度学习方法的组织光学参数重构研究，设计适用于光传输逆问题求解的深度神经网络，并结合三维数字图谱和并行MC仿真获得的海量训练数据，实现光学靶标信号的在体精确、鲁棒重建。

光学三维断层分子成像可以对生物体内光学探针进行在体的三维定位和量化观测，为生命 科学研究提供了有效的研究技术支撑。由于组织对光的散射以及表面测量数据的不完整性，光学断层重建是一个严重病态性的逆向问题。如何确保三维重建的精度鲁棒性，是光学三维断层成像技术实用化面临的重要挑战难题。在国家自然科学基金青年项目的支持下，本项目以保障光学三维断层成像图像重建的精度鲁棒性为目标，以深度学习技术和并行加速蒙特卡洛仿真技术为基础，建立具有普遍适用性的重建框架。针对器官分割精度差和效率低的问题，开展基于深度学习网络的分割方法研究。针对多模态光学断层重建的精度和鲁棒性问题，开展基于深度学习方法的组织光学参数重构研究。.本项目我们前期构建了基于自适应深度的U-net分割网络，并对小鼠CT数据的各器官进行分割处理，同时将该方法扩展至其它影像数据中，如心脏超声数据的分割，心脏CTA数据的分割过程。研究了基于多任务并行加速的MC仿真方法，搭建分布式计算系统，编写代码实现多尺度体素结构下的MC并行仿真。后期展开了光学动态重建过程中的图像预处理和ROI的自动化计算研究。同时也进行了基于深度学习技术的目标分类和分割研究，在极光图像的分类和分割问题中获得了较高的分割精度。最终建立了深度学习技术和并行加速MC仿真技术为基础的光学断层重建方法体系。为解决光学分子影像三维重建精度和稳定性提供了解决方案。.本项目执行期间共发表SCI论文3篇，获得授权国家发明专利1项，申请发明专利1项，联合培养研究生3名，其中1名博士研究生，完成了预期研究目标。