切伦科夫激发的荧光扫描断层成像重建方法研究

Cherenkov-excited luminescence scanned tomography (CELST) is a new emerging molecular imaging modality, which provides a new noninvasive tool to in vivo monitor biological characteristics of tumour during radiology therapy. In this project, CELST is firstly proposed, and key techniques for CELST will be studied. 1) First, the theories and methods for CELST will be studied and then the performances of CELST will be fully evaluated; 2) Based on the Jacobian matrix and the image quality metric, the methods of selecting light-sheet scanned mode and the methods of optimizing the number of light-sheet scanned will be proposed to ensure the reconstructed image quality; meanwhile, the methods of optimizing to choose boundary measured data will be developed to reduce the computational burden and to improve the computational efficiency; 3) A direct regularization method to incorporate structural a priori information without the segmentation will be developed. Furthermore, a composite regularization term with Lp-norm (0<p<1) will be constructed by combining the direct regularization term and total variation regularization term. Then a reconstruction method based on deep learning will be firstly proposed to solve the optimization problem to improve the quality and accuracy of reconstructed image. The results of the project will provide theories and algorithms for further study of CELST, which will greatly promote the developments and applications of CELST in radiation therapy.

切伦科夫激发的荧光扫描断层成像（Cherenkov-Excited Luminescence Scanned Tomography,CELST）是一种刚被提出的分子影像新技术，为在体监测放射治疗中恶性肿瘤细胞的生物学特性提供了一种无创手段。本项目围绕CELST的关键内容展开研究：1)率先开展CELST成像理论和重建方法研究，并对其性能进行全面评估；2)基于雅克比矩阵和图像质量评价准则选择光片扫描模式和优化光片扫描数量，在保证重建图像质量的同时尽可能降低放射照射量；优化选择边界测量数据，降低断层重建的计算量提高重建速度；3)研究直接融入结构先验信息而不需要组织分割的直接正则化方法，同时结合总变分方法构建基于p范数(0<p<1)的复合稀疏正则项，在此基础上首次提出基于深度学习的重建方法。其研究成果将为CELST技术的进一步研究提供理论和方法学基础，并推动该技术在恶性肿瘤放射治疗中的发展和应用。

切伦科夫激发的荧光扫描断层成像（Cherenkov-Excited Luminescence Scanned Tomography,CELST）是一种新的分子影像新技术，为在体监测放射治疗中恶性肿瘤细胞的生物学特性提供了一种无创手段。本项目围绕CELST成像理论和成像方法进行深入研究，首先评估了CELST成像性能，并基于雅克比矩阵和总灵敏度分析了光片扫描模式、光片扫描数量等对重建结果的影响；其次，开展基于稀疏正则化的重建方法研究，提出了基于近似消息传递和基于三维块匹配算法的图像重建方法，有效去除荧光目标位置较深(超过60mm)时重建图像中存在的伪影；再次，基于深度学习对CELST图像重建方法进行研究，提出了基于Transformer和卷积神经网络的端到端、基于自监督深度学习的重建方法，极大地提高了CELST成像的重建精度和计算效率。最后，本项目提出了一种基于深度学习不需要分割生物组织图像便可直接融合结构先验信息的图像重建方法。数值仿真、物理仿体和在体实验用来验证本项目所提出的方法。总之，本项目对切伦科夫激发的荧光扫描断层成像的重建算法进行了深入研究，发表学术论文20篇，其中SCI检索论文11篇，申请发明专利2项，其中授权发明专利1项。其研究成果将为CELST技术的进一步研究提供理论和方法学基础，并推动该技术在恶性肿瘤放射治疗中的发展和应用。