基于贝耶斯压缩感知理论的生物发光断层成像重建方法关键技术研究

生物发光断层成像是在体光学分子影像的一种主要成像模态，它可以在临床病变之前实现疾病的诊断和治疗，具有广泛的医学应用前景，但其应用潜力依赖于重建算法的新进展。本课题重点研究基于贝耶斯压缩感知理论的生物发光断层成像重建方法。首先，基于贝耶斯压缩感知理论，利用多级稀疏先验信息构建荧光光源的稀疏先验信息，以提高生物发光断层成像重建算法的成像质量；其次，利用最大期望算法自适应估计重建算法中的相关参数，增强重建算法的鲁棒性；第三，利用高阶的辐射传输方程描述光在生物组织中的传输规律，进一步提高重建算法的准确性，尝试解决目前重建方法无法在非匀质生物体中精确定位的难题；最后，针对利用辐射传输方程进行生物发光断层成像重建方法研究时具有数据量大、计算非常耗时的难题，提出一种支持大数据量、快速的求解算法。此项目对于阐明疾病的发病机制、诊断和治疗，以及在药物疗效评估等方面具有重要的基础与应用价值。

生物发光断层成像是分子影像的一种新兴模态，在疾病的早期检测和药物研发等领域有着广泛的医学应用前景。但其应用潜力依赖于重建算法研究的最新进展，因此开展重建算法的研究是非常必要的。本课题重点研究基于贝耶斯压缩感知理论的生物发光断层成像重建算法，取得的主要研究进展包括：1. 本项目开展了基于辐射传输方程高阶近似的重建算法研究，并基于Bregman迭代方法进行优化求解改善重建结果质量。2. 提出了基于贝耶斯压缩感知理论的生物发光断层成像重建算法。该方法通过利用多级稀疏先验信息构建了表征荧光光源稀疏特性的先验函数，以提供比目前最流行的L1范数更稀疏的先验信息。进一步，方法中的参数可以通过最大期望算法自适应估计得到，因此该算法很大程度上避免了参数的人工选择，极大地增加了算法的鲁棒性。3. 为克服重建算法中正则化参数大多采用经验选择的缺点，本项目基于模型函数实现了正则化参数的自适应选择，有效地提高了重建算法的鲁棒性。4. 考虑到基于L1正则化的重建方法可以导致重建的荧光光源过渡稀疏和基于L2正则化的重建算法导致重建的荧光光源过渡平滑，本项目提出了基于总变分正则化的光源重建算法，并基于Bregman迭代分离方法实现了优化求解，提高了重建图像的质量。5. 提出了基于对偶和变量分裂的光源重建算法，该算法通过融合光源的稀疏先验信息，获得了稳定的光源重建结果，同时该算法具有快速的优点。6. 提出了基于拟贪婪技术的光源重建算法，通过建立搜索树找到对于求解光源分布有影响的列向量的集合，从而得到最优的光源区域，并在此基础上实现光源重建。概括而言，本课题共取得成果13项，其中SCI检索论文7篇，EI论文5篇，申请发明专利1项。