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

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61901338
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    26.5万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0116.图像信息处理
  • 结题年份:
    2022
  • 批准年份:
    2019
  • 项目状态:
    已结题
  • 起止时间:
    2020-01-01 至2022-12-31

项目摘要

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。

结项摘要

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。

项目成果

期刊论文数量(3)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(2)
Machine learning-based automatic segmentation of region of interest in dynamic optical imaging
基于机器学习的动态光学成像感兴趣区域自动分割
  • DOI:
    10.1063/5.0033605
  • 发表时间:
    2021-01-01
  • 期刊:
    AIP ADVANCES
  • 影响因子:
    1.6
  • 作者:
    Ren,Shenghan;Luo,Yanxia;Chen,Xueli
  • 通讯作者:
    Chen,Xueli
Effective reconstruction of bioluminescence tomography based on GPU-accelerated inverse Monte Carlo method
基于GPU加速逆蒙特卡罗法的​​生物发光断层扫描有效重建
  • DOI:
    10.1063/5.0027207
  • 发表时间:
    2020
  • 期刊:
    AIP Advances
  • 影响因子:
    1.6
  • 作者:
    Ren Shenghan;Wang Lin;Zeng Qi;Chen Duofang;Chen Xueli;Liang Jimin
  • 通讯作者:
    Liang Jimin
Wide-field Raman spectroscopic imaging with frequency modulation based spatially encoded light illumination
基于频率调制的空间编码光照明的宽视场拉曼光谱成像
  • DOI:
    10.1063/5.0016541
  • 发表时间:
    2020
  • 期刊:
    AIP Advances
  • 影响因子:
    1.6
  • 作者:
    Ren Shenghan;Yan Tianyu;Wang Lin;Wang Nan;Liang Jimin;Zeng Qi;Chen Xueli
  • 通讯作者:
    Chen Xueli

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码