基于低秩矩阵填充的背景荧光噪声抑制方法 下载: 967次
1 引言
荧光分子断层成像(FMT)在分子影像领域是一个重要的研究分支。与其他分子断层成像技术相比,FMT具有副作用小、成本低、精度高、稳定性强等特点,在肿瘤的早期检测、新药物研发等领域具有巨大的应用价值。FMT通过光源重建定位荧光分子探针,从而达到检测早期肿瘤的目的。而背景荧光(BF)是影响FMT光源重建效果的重要因素。这些背景荧光通常有两个来源[1],第一个来源是那些分布在非目标区域的荧光探针,第二个来源是生物体自身产生的自体荧光。由于FMT逆问题的病态性,这些背景荧光通常对光源重建精度影响很大。因此,研究减小或消除这些背景荧光的方法就显得非常有价值。
很多研究者致力于减小或消除这些背景荧光,所使用的方法大致可以分为3类。
第一类方法是估计单幅视图的背景荧光能量,并将其从外表面观测中减去[2-4]。Gao等[2]和Soubret等[3]利用物理模型估计背景荧光的能量,Ale等[4]使用Gao等[2]和Soubret等[3]给出的物理模型,并为将要减去的背景荧光项增加一个比例因子,这个因子是依据当前外表面观测结果按照一定公式计算获得的。
第二类是采用谱解混的方法[5-6],这类方法主要用于多光谱荧光图像的去噪,与FMT有紧密的关系,其中的方法值得借鉴。Qin等[5]利用非负矩阵分解的方法将观测到的多光谱荧光图像分解成不同的端元谱矩阵和丰度分数矩阵的乘积,背景荧光可以被认为是含在某一个端元谱中。Xu等[6]采用多变量曲线的方法来寻找多光谱荧光图像中的不同谱成分。当然,也有文献采用物理方法测量并形成端元谱矩阵[7],该方法只需用最小二乘方法计算丰度分数矩阵即可。尽管计算简单,但Qin等[5]指出,Plaza等[7]使用的矩阵分解方法效果并不理想。也有些学者将成分分离的方法用于FMT光源重建后的处理[8],如Pu等[8]采用独立成分分析的方法将重建出的非目标区域的荧光能量去除。
第三类方法是利用重建算法的稳健性克服背景荧光噪声[1]。Zhang等[1]采用L2-范数正则方法构建FMT逆问题,将前一次逆问题获得的重建结果用3D离散余弦滤波,然后用L1-范数正则方法抑制目标函数的能量,重复这一过程若干次后,算法停止。Zhang等[1]采用的方法是专门为克服背景荧光噪声而设计的算法,该算法的重建质量很高。此外,一些基于稀疏正则项的FMT逆问题也具有一定的抑制背景荧光噪声的作用,如基于L1-范数正则的逆问题[9]、基于L
本文的目标是利用低秩矩阵填充方法抑制由分布在非目标区域的荧光探针产生的背景荧光噪声。FMT的光源重建是根据多激发光源点产生的多角度观测协同完成的。每一个激发光源产生的外表面荧光分布可以变形成一个列向量,不同激发光源产生的列向量排在一起可以形成一个外表面观测矩阵。由于采集设备的限制,只能观测到与激发光源相反方向的外表面,可视区域的范围一般为120°或150°。因此,外表面观测矩阵的大部分元素都是缺失的。通过推导可以证明外表面观测矩阵具有低秩属性,因此可以通过矩阵低秩填充的方法恢复,在恢复这些缺失元素的同时,背景荧光噪声将被大幅降低。利用去噪后的外表面观测重建的FMT光源质量将会获得极大改善。
从上一段的描述可以看出,本文提出的方法是利用矩阵这一数学工具,结合生物体外表面荧光分布的先验信息,通过优化方法来达到去除或抑制背景荧光噪声的目的。在本质上讲,本方法应该属于前面提到的第二类去噪方法。当然,本方法与前面提到的方法相比[1-10],也有非常多的不同之处,概括起来主要为:
首先,在去噪原理方面,本研究证明外表面观测矩阵具有低秩属性,并依据这一属性进行背景荧光去噪。本方法的去噪原理与基于物理模型和端元谱的去除背景荧光方法不同。
其次,在去噪策略方面,本研究采用多视角外表面观测联合背景荧光去噪策略。本方法的去噪测量与单视角外表面观测图像去噪及稳健重建算法去噪有所不同。
再次,在去噪工具方面,本研究创新性地将矩阵低秩填充技术这一数学工具用于背景荧光去噪。本方法去噪所用数学工具与非负矩阵分解、独立成分分析、3D离散余弦滤波等技术不同。
本研究通过仿真实验对所提方法加以验证。实验结果表明,对于不同的噪声强度和不同的光源数量,光源的重建效果都获得了很大提高。
2 原理与方法
2.1 光辐射传输模型及其简化方程
在生物断层成像领域,通常使用扩散方程(DE)来近似模拟光在生物组织中的传输过程[11]。而FMT有激发和发射两个过程,因此能完整描述这两个光传输过程的方程为
式中:
式中:
直接求解 CDEs并不容易,因此常使用数值的方法求CDEs的近似解。其中,有限元方法是最常用的数值方法[12-13],该类方法用很小的四面体网格将生物体划分成不同的单元,每一个单元中光子流密度函数用线性函数做近似处理,再结合Robin边界条件[14-15]就可以将CDEs转换成两个线性方程组:
式中:
FMT逆问题的构建将在下面两小节详细介绍。
2.2 外表面观测矩阵的低秩属性
(4)式和(5)式分别是模拟单个激发光源
(6)式中的
将(7)式中的
下面证明外表面观测矩阵
首先给出两个假设,这两个假设在后面的证明中将被用到。假设1:真实发射光光源(荧光团)近似于点光源,激发光在每个真实光源上的分布近似为常数。假设2:在真实发射光光源处的转换效率
假设2显然是合理的,因为在目标区域(如肿瘤部位)荧光分子探针的密度会非常大,因此更多的激发光被转换为发射光。而在非目标区域,尽管可能存在荧光分子探针,但是其密度一定是非常低的,因此转换效率也必然很低。对于假设1,现实中可能有部分荧光团体积较大而不能近似成为点光源,但是可以通过拆分的形式将其等效为几个点光源,这不会影响后面的推导结果。
为了更直观地展示,这里使用一个2D仿真模型(
设1号光源节点对应的
对于第
式中:
对于所有
式中:
从以上推导可以看出,对于
2.3 提出方法
由于硬件的限制,外表面观测矩阵
上述分析说明,
式中:
式中:
从2.2节的讨论中可以看到,背景荧光将会导致噪声矩阵
在人工智能和图像处理等很多领域,矩阵的低秩填充技术一直是研究的热点,如缺损图像的修复[16]、电影用户的偏好分析与电影推荐[17]等。一个相对简单的矩阵低秩填充算法OR1MP[18]常被用于恢复外表面观测矩阵
为了叙述简洁,首先给出一些记号。
OR1MP算法[18]的步骤如下:
步骤1:输入
步骤2:对矩阵
步骤3: 计算
步骤4:计算权向量
步骤5:计算
步骤6:如果迭代次数未达到最大迭代次数
为了便于理解OR1MP算法,
对于含背景荧光噪声且有元素缺失的外表面观测矩阵
对于去噪后的外表面观测矩阵
所提算法并没用采用填充后的完整外表面观测矩阵构建FMT逆问题,原因有两个。第一,由完整外表面观测矩阵构建的FMT逆问题规模比逆问题[(17)式]大很多,求解速度会很慢。第二,在仿真实验中,真实的外表面观测是可以获得的,不妨设可视域内的真实观测为
如果采用填充后的完整外表面观测矩阵构建FMT逆问题,则将没有办法获得相对应的含噪外表面的相对误差,因为可视域外的含噪观测是缺失的,是不能参与FMT光源重建的。
3 仿真实验
3.1 实验设计
采用两组非匀质数字鼠仿真实验验证所提方法的有效性。一组实验对单目标光源进行重建,另一组对双目标光源进行重建。实验采用的数字鼠模型由南加利福尼亚大学生物医学影像组提供[19]。为了计算方便,实验中依据惯例[20]对数字鼠模型进行了简化,沿
表 1. 数字鼠器官光学参数
Table 1. Optical parameters of the organs of digital mouse
|
实验采用的激发平面对应的
式中:
使用两个客观指标来评价上述两种方法的优劣。第一个指标是定位误差(LE),即重建目标的中心与真实目标中心的距离(单位为mm)。第二个指标是对比噪声比(CNR)
式中:
IVTCG算法有两个参数,一个是正则参数
在实验中,真实目标都是圆柱体,其底面半径为1 mm,高为2 mm。真实目标位置的荧光产额设置为0.06。实验假设荧光探针在肝和肾部位富集,且分布均匀,由它们产生背景噪声,这两个器官处的背景荧光产额被设置为0.06/50、0.06/60、0.06/70、0.06/80、0.06/90、0.06/100共6个级别的不同噪声。不同噪声级别、不同光源个数下的重建结果将在后文分别说明。
这一研究的所有实验都在惠普Z420工作站上进行,该工作站的中央处理器(CPU)为至强E5-1680v2,其主频为3.0 GHz,内存为32 G。使用的程序在Windows 7环境下由MATLAB 2013b软件编写并运行。
3.2 单光源实验结果
下面通过重建单荧光目标检验所提方法的效果。在仿真实验中,需要使用两个有限元网格离散截取的数字鼠躯干部分。一个网格较细,用于模拟激发光在数字鼠体内的传播、激发光在真实光源和背景光源处转化形成发射光以及发射光在数字鼠体内传播的过程,目的是获得外表面观测数据。这个网格被称为前向网格。另一个网格相对较粗,被称为逆向网格,利用这个网格和前面获得的外表面观测数据,可以通过FMT逆问题重建光源。本实验将单光源设置在肝脏处,真实中心坐标为(17,14.3,15),前向网格含有25271个节点和141126个四面体,逆向网格含有2981个节点和15553个四面体。重建结果如
表 2. 不同噪声级别下两种方法的重建结果
Table 2. Reconstruction using two methods at different noise levels
|
图 4. 单光源实验中,0.06/50噪声级别下两种方法的2D和3D重建结果。(a) IVTCG-NO方法的2D重建结果;(b) IVTCG-LR方法的2D重建结果; (c) IVTCG-NO方法的3D重建结果; (d) IVTCG-LR方法的3D重建结果
Fig. 4. Reconstruction using two methods at noise level of 0.06/50 in single light source experiment. (a) 2D reconstruction using IVTCG-NO method; (b) 2D reconstruction using IVTCG-LR method; (c) 3D reconstruction using IVTCG-NO method; (d) 3D reconstruction using IVTCG-LR method
下面在视觉上展示两种方法的重建结果。受篇幅所限,本组实验只给出0.06/50噪声级别下,5次实验的第1次实验的对比结果。
从
最后给出去噪前和去噪后外表面观测的平均相对误差和OR1MP算法的平均运行时间,两个误差分别利用(18)式和(19)式进行计算,结果如
表 3. OR1MP算法的运行时间和去噪前后外表面观测的相对误差
Table 3. Running time of OR1MP algorithm and relative errors of the boundary observation vectors before and after denoising operation
|
3.3 双光源实验结果
下面通过重建双荧光目标检验IVTCG-LR的效果。该实验将两个光源均设置在肝脏处,真实光源的中心坐标分别为(19,10.5,15)和(15,13.5,15),两个圆柱体光源的边缘相距3 mm。前向网格包含26246个节点和146735个四面体,逆向网格包含2981个节点和15553个四面体。对于每个实验,两种方法均运行5次,重建结果如
下面在视觉上展示两种方法的重建结果。与3.2节的做法类似,本组实验也只给出0.06/50噪声级别下,5次实验中第1次实验的对比结果。
表 4. 不同噪声级别条件下两种方法的重建结果
Table 4. Reconstruction using two methods at different noise levels
|
表 5. 光源1和光源2的LE
Table 5. LE of light source 1 and light source 2 mm
|
图 5. 双光源实验中,0.06/50噪声级别下两种方法的重建结果。(a) IVTCG-NO方法的2D重建结果; (b) IVTCG-LR方法的2D重建结果; (c) IVTCG-NO方法的2D重建结果; (d) IVTCG-LR方法的3D重建结果
Fig. 5. Reconstruction using two methods at noise level of 0.06/50 in double light sources. (a) 2D reconstruction using IVTCG-NO method; (b) 2D reconstruction using IVTCG-LR method; (c) 3D reconstruction using IVTCG-NO method; (d) 3D reconstruction using IVTCG-LR method
最后给出双荧光目标条件下,去噪前和去噪后外表面观测的平均相对误差和OR1MP算法的平均运行时间,两个误差分别利用(18)、(19)式计算。
表 6. OR1MP算法的运行时间和去噪前后外表面观测的相对误差
Table 6. Running time of OR1MP algorithm and relative errors of the boundary observation vectors before and after denoising operation
|
4 结论
提出了一种基于低秩矩阵填充技术的背景荧光噪声去除方法,该方法在较高背景荧光噪声条件下能很好地重建FMT荧光目标。本课题组深入研究了利用有限元方法重建FMT荧光目标的基础理论,通过一系列推导,得出了外表面观测矩阵是一个具有缺失元素的低秩矩阵这一结论,这使得利用低秩矩阵填充方法抑制或去除外表面背景荧光噪声的方法有了充分的理论基础。与以往的去除背景荧光的方法相比,这是一个解决该类问题的全新视角。数值实验表明,利用低秩矩阵填充方法去噪后,外表面观测矩阵包含的背景荧光噪声有了较大幅度降低,重建的荧光目标精度有了显著提高。
本课题组使用一个通用的低秩矩阵填充方法来重建外表面观测矩阵。从
[7] Plaza J. Hendrix E M T, Garcia I, et al. On endmember identification in hyperspectral images without pure pixels: a comparison of algorithms[J]. Journal of Mathematical Imaging and Vision, 2012, 42(2/3): 163-175.
[11] Ntziachristos V. Fluorescence molecular imaging[J]. Annual Review of Biomedical Engineering, 2006, 8(1): 1-33.
[15] 易黄建. 基于正则化的荧光分子断层成像重建方法研究[D]. 西安: 西安电子科技大学, 2013: 15- 31.
Yi HJ. Regularization based reconstruction algorithms for fluorescence molecular tomography[D]. Xi’an: Xidian University, 2013: 15- 31.
[17] Bhaskar S. Probabilistic low-rank matrix completion from quantized measurements[J]. Journal of Machine Learning Research, 2016, 17(1): 1-34.
[18] Wang Z, Lai M J, Lu Z S, et al. Orthogonal rank-one matrix pursuit for low rank matrix completion[J]. SIAM Journal on Scientific Computing, 2015, 37(1): A488-A514.
[19] Dogdas B, Stout D, Chatziioannou A, et al. Digimouse: a 3D whole body mouse atlas from CT and cryosection data[J]. Physics in Medicine & Biology, 2007, 52(3): 577-587.
[20] He X L, Wang X D, Yi H J, et al. Laplacian manifold regularization method for fluorescence molecular tomography[J]. Journal of Biomedical Optics, 2017, 22(4): 045009.
[21] Zhang X F, Badea C T, Johnson G A. Three-dimensional reconstruction in free-space whole-body fluorescence tomography of mice using optically reconstructed surface and atlas anatomy[J]. Journal of Biomedical Optics, 2009, 14(6): 064010.
[22] Shi J W, Liu F, Zhang G L, et al. Enhanced spatial resolution in fluorescence molecular tomography using restarted L1-regularized nonlinear conjugate gradient algorithm[J]. Journal of Biomedical Optics, 2014, 19(4): 046018.
[23] Ye J Z, Chi C W, Xue Z W, et al. Fast and robust reconstruction for fluorescence molecular tomography via a sparsity adaptive subspace pursuit method[J]. Biomedical Optics Express, 2014, 5(2): 387-406.
[24] Guo H B, Yu J J, He X W, et al. Improved sparse reconstruction for fluorescence molecular tomography with L1/2 regularization[J]. Biomedical Optics Express, 2015, 6(5): 1648-1664.
[25] Feng J C, Qin C H, Jia K B, et al. Total variation regularization for bioluminescence tomography with the split Bregman method[J]. Applied Optics, 2012, 51(19): 4501-4512.
[26] 张海波, 耿国华, 赵映程, 等. 基于非凸L1-2正则子的锥束X射线发光断层成像[J]. 光学学报, 2017, 37(6): 0617001.
[27] He X W, Liang J M, Wang X R, et al. Sparse reconstruction for quantitative bioluminescence tomography based on the incomplete variables truncated conjugate gradient method[J]. Optics Express, 2010, 18(24): 24825-24841.
[28] Wang X D, Liu F, Jiao L C, et al. Incomplete variables truncated conjugate gradient method for signal reconstruction in compressed sensing[J]. Information Sciences, 2014, 288: 387-411.
[29] Zhang H, Geng G, Wang X, et al. Fast and robust reconstruction for fluorescence molecular tomography via L1-2 regularization[J]. BioMed Research International, 2016, 2016: 5065217.
[30] Liu M, Guo H, Liu H, et al. In vivo pentamodal tomographic imaging for small animals[J]. Biomedical Optics Express, 2017, 8(3): 1356-1371.
[31] 张旭, 易黄建, 侯榆青, 等. 基于局部保留投影的荧光分子断层成像快速重建[J]. 光学学报, 2016, 36(7): 0717001.
[32] Song X M, Pogue B W, Jiang S D, et al. Automated region detection based on the contrast-to-noise ratio in near-infrared tomography[J]. Applied Optics, 2004, 43(5): 1053-1062.
Article Outline
王晓东, 耿国华, 易黄建, 何雪磊, 贺小伟. 基于低秩矩阵填充的背景荧光噪声抑制方法[J]. 光学学报, 2018, 38(10): 1017003. Xiaodong Wang, Guohua Geng, Huangjian Yi, Xuelei He, Xiaowei He. Low-Rank-Matrix-Completion-Based Method for Suppressing Background Fluorescence[J]. Acta Optica Sinica, 2018, 38(10): 1017003.