專利名稱：基于人工免疫網(wǎng)絡(luò)的pet分子影像動(dòng)力學(xué)建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種PET分子影像動(dòng)力學(xué)建模方法，尤其涉及一種基于人工免疫網(wǎng) 絡(luò)的PET分子影像動(dòng)力學(xué)建模方法。
背景技術(shù)：
目前，小動(dòng)物PET動(dòng)力學(xué)建模方法在基于圖像的輸入函數(shù)構(gòu)建、微創(chuàng)的采血方 案設(shè)計(jì)方面進(jìn)行了較多的有益探索，但對模型參數(shù)估計(jì)方法的研究不多，主要集中在基 于梯度下降的優(yōu)化方法，如PMOD公司的PKIN軟件和馬薩諸塞州總醫(yī)院、哈佛醫(yī)學(xué)院 開發(fā)的基于Matlab環(huán)境的開源COMKAT軟件。這些方法需用戶給定模型參數(shù)的取值范 圍，并設(shè)定參數(shù)的初始值，且易導(dǎo)致參數(shù)陷入局部最優(yōu)，即對同樣的PET實(shí)驗(yàn)數(shù)據(jù)設(shè)置 不同初始值得出的模型參數(shù)差異很大，從而導(dǎo)致葡萄糖代謝率等生物指標(biāo)的計(jì)算誤差較 大。尤其采用一步建模法同時(shí)擬合血漿TAC及組織TAC觀測數(shù)據(jù)時(shí)，待估計(jì)參數(shù)個(gè)數(shù) 達(dá)10-30之多，此時(shí)要求用戶準(zhǔn)確設(shè)置初始值困難更大。這一實(shí)際問題影響了動(dòng)力學(xué)建 模方法的可靠性，因此需要提出一種基于新型參數(shù)估計(jì)方法的PET分子影像動(dòng)力學(xué)建模 方法，從而提高模型參數(shù)的全局優(yōu)化能力。

發(fā)明內(nèi)容
鑒于上述現(xiàn)有技術(shù)存在的缺陷，本發(fā)明的目的是提出一種基于人工免疫網(wǎng)絡(luò)的 PET分子影像動(dòng)力學(xué)建模方法。本發(fā)明的技術(shù)解決方案是一種基于人工免疫網(wǎng)絡(luò)的PET分子影像動(dòng)力學(xué)建模方法，包括a)對活體注射放射性示蹤劑，后用正電子發(fā)射計(jì)算機(jī)斷層顯像設(shè)備選取掃描間 隔成像；b)通過感興趣區(qū)技術(shù)獲取PET分子影像中若干區(qū)域的時(shí)間_放射性曲線作為模 型的輸出函數(shù)觀測值，通過獲取影像中的心室等區(qū)域的時(shí)間-放射性曲線或者采用有創(chuàng) 采血方式獲得的血液中的時(shí)間-放射性曲線做為模型的輸入函數(shù)觀測值；c)以示蹤劑代謝動(dòng)力學(xué)為基礎(chǔ)選擇數(shù)學(xué)模型結(jié)構(gòu)，定量描述成像期間示蹤劑在 體內(nèi)及組織中代謝的放射性過程；d)對步驟C)中所述模型的參數(shù)進(jìn)行估計(jì)，其中，步驟d)模型參數(shù)的估計(jì)方法為基于人工免疫網(wǎng)絡(luò)PKAIN的模型參數(shù)估計(jì) 方法，其主要包括I)設(shè)定人工免疫網(wǎng)絡(luò)運(yùn)行參數(shù)，初始化人工免疫網(wǎng)絡(luò)，每個(gè)免疫細(xì)胞編碼表示 模型的一組備選參數(shù)；II)計(jì)算人工免疫網(wǎng)絡(luò)中的免疫細(xì)胞的適應(yīng)度，即同時(shí)評價(jià)模型的輸入函數(shù)及輸 出函數(shù)對觀測值的擬合程度；III)執(zhí)行人工免疫網(wǎng)絡(luò)克隆選擇或者分組并發(fā)單純形的克隆選擇過程；
IV)評價(jià)網(wǎng)絡(luò)細(xì)胞相似度，執(zhí)行人工免疫網(wǎng)絡(luò)抑制；V)更新網(wǎng)絡(luò)中一定比例的適應(yīng)度較差的網(wǎng)絡(luò)細(xì)胞并生成新一代人工網(wǎng)絡(luò)免疫細(xì) 胞；VI)判斷終止條件，若滿足條件則執(zhí)行步驟VII)，否則從步驟II)開始重新執(zhí) 行；VII)將適應(yīng)度最佳的人工免疫網(wǎng)絡(luò)細(xì)胞解碼作為動(dòng)力學(xué)模型的一組最優(yōu)參數(shù)輸
出ο本發(fā)明首次將PKAIN應(yīng)用于PET分子影像動(dòng)力學(xué)建模中，實(shí)現(xiàn)了無需初始值的 建模參數(shù)估計(jì)，為提供PET分子影像動(dòng)力學(xué)建模方法的可靠性、實(shí)用性提供了新型的智 能信息處理技術(shù)支持。以下便結(jié)合實(shí)施例附圖，對本發(fā)明的具體實(shí)施方式
作進(jìn)一步的詳述，以使本發(fā) 明技術(shù)方案更易于理解、掌握。


圖1是實(shí)施例中FDG代謝的房室模型；
圖2是實(shí)施例中小鼠尾靜脈的血漿TAC ；圖3是實(shí)施例中小鼠的肝臟組織TAC。
具體實(shí)施例方式本發(fā)明提供一種基于人工免疫網(wǎng)絡(luò)的PET分子影像動(dòng)力學(xué)建模方法，包括a)對活體注射放射性示蹤劑，然后用正電子發(fā)射計(jì)算機(jī)斷層顯像設(shè)備選取掃描 間隔成像；b)通過感興趣區(qū)技術(shù)獲取PET分子影像中若干區(qū)域的時(shí)間_放射性曲線作為模 型的輸出函數(shù)觀測值，通過獲取影像中的心室等區(qū)域的時(shí)間-放射性曲線或者采用有創(chuàng) 采血方式獲得的血液中的時(shí)間-放射性曲線做為模型的輸入函數(shù)觀測值；c)以示蹤劑代謝動(dòng)力學(xué)為基礎(chǔ)選擇數(shù)學(xué)模型結(jié)構(gòu)，定量描述成像期間示蹤劑在 體內(nèi)及組織中代謝的放射性過程；d)對步驟C)中所述模型的參數(shù)進(jìn)行估計(jì)。其中，步驟d)模型參數(shù)的估計(jì)方法為基于人工免疫網(wǎng)絡(luò)PKAIN的模型參數(shù)估計(jì) 方法，其主要包括I)設(shè)定人工免疫網(wǎng)絡(luò)運(yùn)行參數(shù)，初始化人工免疫網(wǎng)絡(luò)，每個(gè)免疫細(xì)胞編碼表示 模型的一組備選參數(shù)；II)計(jì)算人工免疫網(wǎng)絡(luò)中的免疫細(xì)胞的適應(yīng)度，即同時(shí)評價(jià)模型的輸入函數(shù)及輸 出函數(shù)對觀測值的擬合程度；III)執(zhí)行人工免疫網(wǎng)絡(luò)克隆選擇或者分組并發(fā)單純形的克隆選擇過程；IV)評價(jià)網(wǎng)絡(luò)細(xì)胞相似度，執(zhí)行人工免疫網(wǎng)絡(luò)抑制；V)更新網(wǎng)絡(luò)中一定比例的適應(yīng)度較差的網(wǎng)絡(luò)細(xì)胞并生成新一代人工網(wǎng)絡(luò)免疫細(xì) 胞；VI)判斷終止條件，若滿足條件則執(zhí)行步驟VII)，否則從步驟II)開始重新執(zhí)
4行；VII)將適應(yīng)度最佳的人工免疫網(wǎng)絡(luò)細(xì)胞解碼作為動(dòng)力學(xué)模型的一組最優(yōu)參數(shù)輸
出ο本實(shí)施例對注射了 18F-FDG的小鼠進(jìn)行了實(shí)驗(yàn)研究1、小動(dòng)物PET實(shí)驗(yàn)數(shù)據(jù)獲取使用西門子公司Inveon Micro-PET儀，其有四個(gè)探測器晶體環(huán)，軸向視野為 12.7cm，視野中心分辨率為1.4mm。小動(dòng)物選用4只ICR小鼠質(zhì)量28g 34g，血量為 800μ1左右。對處于麻醉狀態(tài)的小鼠注射18F-FDG,選取掃描間隔為lOXls，16X5s,
5 X 10s，6 X 300s, 3 X 600s。用 Inveon Acquisition workplace 數(shù)據(jù)采集軟件處理，并通過 感興趣區(qū)(Regional of interest，ROI)技術(shù)獲取肝臟組織的時(shí)間-放射性曲線(time-activity curve, TAC), η時(shí)刻的觀測值記作Cti (j = 1，2，…，m)，m為PET采樣次數(shù)。成像過 程中在1、5、10、15、30、45min多點(diǎn)采血，每次采血ΙΟμΙ左右。通過r_count獲取尾 靜脈中血漿TAC(Bq/ml)，T1時(shí)刻的觀測值記作Cbl (j = 1，2，…，η), η為采血次數(shù)。2、選擇動(dòng)力學(xué)模型結(jié)構(gòu)依據(jù)房室模型理論，選擇示蹤劑動(dòng)力學(xué)模型的輸入函數(shù)Cb (t)和輸出函數(shù)CT(t) 結(jié)構(gòu)。FDG的代謝過程可用如圖1所示房室模型來描述，F(xiàn)DG通過細(xì)胞膜進(jìn)入組織細(xì)胞 中，然后在細(xì)胞中被已糖激酶磷酸化，轉(zhuǎn)化成FDG-6-P，最終被細(xì)胞捕獲。圖1也描述 了其逆向過程。CM(t)表示FDG-6-P在房室中的濃度，參數(shù)Ic1 k4表示房室之間物質(zhì) 交換的速率系數(shù)。輸入函數(shù)仏⑴的數(shù)學(xué)模型用公式(1)所示的二房室結(jié)構(gòu)模型表示，A1, A2, A3, A4為模型參數(shù)。輸出函數(shù)仏⑴采用公式(2)的房室模型描述，其中C1Ct)= Ce(t)+Cm(t)，f為PET顯像時(shí)血液中放射性對周圍組織顯像的影響因子。
CB{t) = Axe ^ + A3e 々⑴Ct (t) = Q(t)+f · Cb (t) (2)通過對該房室模型的計(jì)算，可得到如公式(3)所示關(guān)系式，其中 代表卷積，且
，=伏2+w J W、)2-夠)"， =WVj(WV2-Y4)Z2O
Ct^ = Jc1 Ka2 _、).[( +k4 -αχ)β ^ +( -kje ^)] Cβ( ) +f-C(3)將式(1)帶入式(3)解析求解，利用卷積的性質(zhì)可將式(3)轉(zhuǎn)化為關(guān)系式(4)。
KAB -a,t -A^t AB ^at _At二3—1 -e 2 )+ 3 1 (g 14 ) +
1 2 ~a\ 1 ~al4 ~al(4)
AiB0-a^tA7B7-a,t - A.t - Ant -A.t, 1 2(e 2 -β 2 )+^ 3 2(e 2 -e 4 )] + fx(A e 2 +A 4 )
A2-a2AA ~a23.模型參數(shù)估計(jì)對于參數(shù)估計(jì)問題，常采用加權(quán)殘差平方和(weighted residual sum of squares,WRSS)作為評價(jià)標(biāo)準(zhǔn)。WRSS即觀測值與模型估計(jì)值之差的加權(quán)平方和，其值越小表明 模型越好地?cái)M合了 PET實(shí)驗(yàn)數(shù)據(jù)。將所得血漿TAC和肝臟TAC作觀測值，通過參數(shù)估 計(jì)算法求出使WRSS極小的模型參數(shù)，即所得最優(yōu)參數(shù)值，進(jìn)而可計(jì)算出葡萄糖代謝率 等評價(jià)指標(biāo)。本研究應(yīng)用人工免疫網(wǎng)絡(luò)算法估計(jì)模型參數(shù)。人工免疫網(wǎng)絡(luò)PKAIN算法已應(yīng)用于藥物的藥代動(dòng)力學(xué)模型的參數(shù)估計(jì)研究中， 執(zhí)行過程詳見文獻(xiàn)。因此，PKAIN算法是一種可拓展的動(dòng)力學(xué)模型參數(shù)估計(jì)方法，不 同的估計(jì)問題由不同的適應(yīng)度評價(jià)及人工免疫細(xì)胞編碼表達(dá)。本文以PKAIN算法為基 礎(chǔ)，設(shè)計(jì)無需人工設(shè)定模型參數(shù)初始值的小動(dòng)物PET動(dòng)力學(xué)模型參數(shù)估計(jì)方法。首先 根據(jù)PET分子影像動(dòng)力學(xué)數(shù)學(xué)模型及建模對象，定義算法中人工免疫細(xì)胞的編碼方式及 搜索空間。算法自動(dòng)生成參數(shù)取值范圍內(nèi)的多組模型參數(shù)，編碼為人工免疫網(wǎng)絡(luò)細(xì)胞種 群，其中每個(gè)細(xì)胞代表所選模型的一組參數(shù)，適應(yīng)度由模型評價(jià)標(biāo)準(zhǔn)值WRSS的相反數(shù) 表示。然后，執(zhí)行人工免疫網(wǎng)絡(luò)算法的估計(jì)機(jī)制完成網(wǎng)絡(luò)細(xì)胞的進(jìn)化，實(shí)現(xiàn)模型參數(shù)的 全局估計(jì)搜索。直到適應(yīng)度達(dá)到極大，人工免疫網(wǎng)絡(luò)趨于穩(wěn)定，這時(shí)參數(shù)Ai A4，ki k4，f的值即為最優(yōu)的模型參數(shù)。WRSS的定義見公式(5)，輸入模型的WRSS記為WRSSb,輸出模型的WRSS 記為WRSST。采用PKAIN算法一步參數(shù)估計(jì)同時(shí)估計(jì)輸入和輸出模型參數(shù)時(shí)，適應(yīng)度 為WRSSbt, Wl、W2是擬合因子，為
之間的隨機(jī)數(shù)。其中，為減少TAC曲線高 低懸殊對參數(shù)結(jié)果的影響，殘差平方和的權(quán)重系數(shù)分別采用1/Cbl2和1/Ct/。
權(quán)利要求
1. 一種基于人工免疫網(wǎng)絡(luò)的PET分子影像動(dòng)力學(xué)建模方法，包括a)對活體注射放射性示蹤劑，然后用正電子發(fā)射計(jì)算機(jī)斷層顯像設(shè)備選取掃描間隔 成像；b)通過感興趣區(qū)技術(shù)獲取PET分子影像中若干區(qū)域的時(shí)間-放射性曲線作為模型的 輸出函數(shù)觀測值，通過獲取影像中的心室等區(qū)域的時(shí)間-放射性曲線或者采用有創(chuàng)采血 方式獲得的血液中的時(shí)間-放射性曲線做為模型的輸入函數(shù)觀測值；c)以示蹤劑代謝動(dòng)力學(xué)為基礎(chǔ)選擇數(shù)學(xué)模型結(jié)構(gòu)，定量描述成像期間示蹤劑在體內(nèi) 及組織中代謝的放射性過程；d)對步驟C)中所述模型的參數(shù)進(jìn)行估計(jì)，其特征在于步驟d)中模型參數(shù)的估計(jì)方法為基于人工免疫網(wǎng)絡(luò)PKAIN的模型參數(shù) 估計(jì)方法，包括I)設(shè)定人工免疫網(wǎng)絡(luò)運(yùn)行參數(shù)，初始化人工免疫網(wǎng)絡(luò)，每個(gè)免疫細(xì)胞編碼表示模型 的一組備選參數(shù)；II)計(jì)算人工免疫網(wǎng)絡(luò)中的免疫細(xì)胞的適應(yīng)度，即同時(shí)評價(jià)模型的輸入函數(shù)及輸出函 數(shù)對觀測值的擬合程度；III)執(zhí)行人工免疫網(wǎng)絡(luò)克隆選擇或者分組并發(fā)單純形的克隆選擇過程；IV)評價(jià)網(wǎng)絡(luò)細(xì)胞相似度，執(zhí)行人工免疫網(wǎng)絡(luò)抑制；V)更新網(wǎng)絡(luò)中一定比例的適應(yīng)度較差的網(wǎng)絡(luò)細(xì)胞并生成新一代人工網(wǎng)絡(luò)免疫細(xì)胞；VI)判斷終止條件，若滿足條件則執(zhí)行步驟VII)，否則從步驟II)開始重新執(zhí)行；VII)將適應(yīng)度最佳的人工免疫網(wǎng)絡(luò)細(xì)胞解碼為模型的一組最優(yōu)參數(shù)輸出。
全文摘要
本發(fā)明揭示了一種基于人工免疫網(wǎng)絡(luò)的PET分子影像動(dòng)力學(xué)建模方法。對活體注射放射性示蹤劑并用PET設(shè)備掃描成像，數(shù)據(jù)處理后獲得PET分子影像中若干區(qū)域的時(shí)間-放射性曲線作為模型的輸出函數(shù)觀測值，將影像中的心室等區(qū)域的時(shí)間-放射性曲線或者采用有創(chuàng)采血方式獲得的血液中的時(shí)間-放射性曲線作為模型的輸入函數(shù)觀測值，以示蹤劑代謝動(dòng)力學(xué)為基礎(chǔ)選擇數(shù)學(xué)模型結(jié)構(gòu)，定量描述成像期間示蹤劑在體內(nèi)及組織中代謝的放射過程，并對模型參數(shù)用基于人工免疫網(wǎng)絡(luò)PKAIN的模型參數(shù)估計(jì)方法進(jìn)行估計(jì)。本發(fā)明實(shí)現(xiàn)了無需初始值的建模參數(shù)估計(jì)，為提高PET分子影像動(dòng)力學(xué)建模方法的可靠性、實(shí)用性提供了新型的智能信息處理技術(shù)支持，可廣泛應(yīng)用于PET分子影像動(dòng)力學(xué)建模。
文檔編號(hào)G06N3/00GK102012976SQ20101053712
公開日2011年4月13日 申請日期2010年11月9日 優(yōu)先權(quán)日2010年11月9日
發(fā)明者劉麗 申請人:劉麗