2011年数学方法对图像和表面
把这个特殊的问题一个>
研究文章| 晶晶,方Liu l . c .焦书院杨他小韦有限元网格聚合多个源重建生物发光断层扫描方法
文摘
提出了一种有限元网格聚合方法重建图像的多个内部生物荧光的来源。而不是假设网格节点之间的独立性,提出重建策略利用空间结构的节点上的密度分布和聚合特性有限元网格自适应确定来源的数量和提高重建图像的质量。与拟议的战略集成regularization-based重建过程,重建算法不需要先验知识的来源数量;更重要的是,它们可以自动重建多个源密度或权力有很大的不同。
1。介绍
生物发光断层扫描(BLT)是一个快速增长的领域的研究在光学分子成像中,它允许可视化的正常与异常细胞过程的活物,在分子或基因水平(<一个href="#B1">1一个>- - - - - -<一个href="#B4">4一个>]。BLT,我们寻求恢复生物发光光源的空间分布在一个小动物从外部的无创性测量(<一个href="#B5">5一个>]。一般来说,内部源强度密切相关的分子/细胞活动,例如基因表达(<一个href="#B6">6一个>]。因此,这种成像方法可以提供深入的信息有关生物来源的内部纵向监测和定量评估的变化和有效性,从而进一步促进我们理解生物分子过程发生在活的动物。
当使用BLT技术测量效率的基因治疗或观察癌细胞的增长或迁移,准确检测不同来源不同的密度或能力大大工具性;例如,它可能产生大量的关于肿瘤的信息传播和在各种网站开发总疾病负担(<一个href="#B1">1一个>, 大多数BLT重建方法可分为基于模型的重建(<一个href="#B9">9一个>]。在这种情况下,给定一个光传播模型,边界上的通量可以预测与数值方法,如有限元法(FEM)通过结合结构信息和光学参数对不同的器官。然后BLT被制定为一个优化问题最小化的边界之间的差异测量和预测组织表面的光强度(<一个href="#B10">10一个>]。
在重建过程中,病人posedness BLT问题并构成挑战的决定一个独特的解决问题的层析。提出了不同的策略来应对不良posedness BLT逆问题。这些研究获得稳定重建通过增加数量的独立测量幽灵似地解决方法(<一个href="#B11">11一个>- - - - - -<一个href="#B13">13一个>),或者通过减少未知数的数目<一个href="#B10">10一个>, 现有regularization-based重建计划迄今在生物荧光成像可以大致分为三类: BLT在大多数应用程序中,例如,监测癌症转移,资源数量和适当的全局阈值很容易确定。这主要是由于这一事实发光灯通常是软弱和扩散,因此潜在来源的数量很难估计只有表面光子分布。此外,全球区分阈值策略是不可行的多个来源有明显差异。特别是在 在本文中,我们开发一个有限元网格为多个源重建BLT聚合方法。摘要BLT重建的贡献包括以下。首先,我们提出一个多个源检测策略。而不是假设网格节点之间的独立性,提出重建策略利用空间结构节点和能量衰减的特征自适应地确定来源的数量和提高重建图像的质量。其次,我们提出的重建策略集成regularization-based逆算法构建一个统一的框架,解决BLT逆问题。数值模拟和幽灵的实验证明了该框架的有效性。
本文组织如下。节<一个href="#sec2">2一个>多个源重建框架,强调finite-element-mesh-aggregating-based源检测策略。节<一个href="#sec3">3一个>我们评估该方法与数值模拟。部分<一个href="#sec4">4一个>提出了一种幻影实验进一步测试了该方法的有效性。简短的讨论和结论给出本文的末尾。
辐射传递方程(RTE)在图像重建中扮演一个重要的角色通过预测组织边界上的生物荧光光强度(<一个href="#B20">20.一个>解决RTE),但仍然是一个棘手的任务与空间非均匀生物组织光学特性和复杂的组织几何图形(<一个href="#B21">21一个>]。相反,一些近似RTE已经建立了直接解决RTE克服的困难。其中,扩散近似(DA)模型被广泛用于描述光子在组织传播,有散射主要吸收(<一个href="#B5">5一个>- - - - - -<一个href="#B14">14一个>]。在这里,我们限制我们的讨论的DA模型简单。罗宾的稳态扩散方程与边界条件可以表示如下(<一个href="#B10">10一个>]: 遵循标准的有限元分析[<一个href="#B22">22一个>),支持领域 基于(<一个href="#EEq1">1一个>)- (<一个href="#EEq4">3一个>),一个矩阵方程的线性源分布和边界测量之间的关系可以推导出<一个href="#B10">10一个>第二节): 就像前面提到的<一个href="#sec1">1一个>,边界上的通量密度可以根据预测模型,从而重建自然选择来源是最小化预测数据和测量之间的错配,也就是说, 使用一个通用 基于解决方案(一个源密度矢量)获得的部分<一个href="#sec2.2">2。2一个>源定位和影像是由结合有限元网格的信息。面对阈值选择的困境中提到的部分<一个href="#sec1">1一个>,我们希望一个自适应的方法,可以避免阈值选择的困难,同时去除工件在重建图像相对较低的计算成本。
BLT认为在大多数应用程序中,例如,检测事件发生在疾病进展的早期阶段,生物荧光的来源我们想恢复通常是本地化的一些小亚区域。另一方面,因为在生物组织光强度严重减毒和脱落指数从照明角度,一个发光的扩散范围由源是有限的力量源泉。因此,当考虑到网格节点的空间结构,源密度向量应该有一个空间聚合网,这也说明在实验部分<一个href="#sec3">3一个>(图<一个href="//www.newsama.com/journals/ijbi/2011/210428/fig4/" target="_blank">4一个>)。发现,在一个很小的局部区域,如果一个节点在网格的最大密度值,其相邻节点有一个非常高的概率也更大的密度。它是发现,在一个很小的局部区域,如果一个节点在网格的最大密度值,有一个非常高的概率其相邻节点也与一个更大的密度。我们也注意到,有一些较小的节点密度附近的节点与更大的密度。这些观察有助于识别pseudosource网格节点的集群和消除工件的图像。根据上面的分析,一个迭代的多个源检测策略(MSDS)提出了以下步骤。
步骤1。我>获得正规化的解决方案(源密度向量 步骤2。我>阈值预处理。在不可避免的存在噪声,通常有许多非常小的非零组件的解决方案。因此,与一小阈值的预处理方案 步骤3。我>定义一组 步骤4。我>最初的来源数量 第5步。我>计算节点索引 步骤6。我>如果设置 上面定义的步骤,我们提供一个自动的方法来估计迭代重建结果的来源。最终结果包含 基于上述改造方案,我们建立一个统一的正则化框架重建通过集成多个源的化学物质2。多个源重建框架
2.1。有限元逆模型
2.2。一般
2.3。多个源检测策略
2.4。多个源重建正则化框架