专利名称：基于人工免疫网络的pet分子影像动力学建模方法
技术领域：
本发明涉及一种PET分子影像动力学建模方法，尤其涉及一种基于人工免疫网 络的PET分子影像动力学建模方法。
背景技术：
目前，小动物PET动力学建模方法在基于图像的输入函数构建、微创的采血方 案设计方面进行了较多的有益探索，但对模型参数估计方法的研究不多，主要集中在基 于梯度下降的优化方法，如PMOD公司的PKIN软件和马萨诸塞州总医院、哈佛医学院 开发的基于Matlab环境的开源COMKAT软件。这些方法需用户给定模型参数的取值范 围，并设定参数的初始值，且易导致参数陷入局部最优，即对同样的PET实验数据设置 不同初始值得出的模型参数差异很大，从而导致葡萄糖代谢率等生物指标的计算误差较 大。尤其采用一步建模法同时拟合血浆TAC及组织TAC观测数据时，待估计参数个数 达10-30之多，此时要求用户准确设置初始值困难更大。这一实际问题影响了动力学建 模方法的可靠性，因此需要提出一种基于新型参数估计方法的PET分子影像动力学建模 方法，从而提高模型参数的全局优化能力。
发明内容
鉴于上述现有技术存在的缺陷，本发明的目的是提出一种基于人工免疫网络的 PET分子影像动力学建模方法。本发明的技术解决方案是一种基于人工免疫网络的PET分子影像动力学建模方法，包括a)对活体注射放射性示踪剂，后用正电子发射计算机断层显像设备选取扫描间 隔成像；b)通过感兴趣区技术获取PET分子影像中若干区域的时间_放射性曲线作为模 型的输出函数观测值，通过获取影像中的心室等区域的时间-放射性曲线或者采用有创 采血方式获得的血液中的时间-放射性曲线做为模型的输入函数观测值；c)以示踪剂代谢动力学为基础选择数学模型结构，定量描述成像期间示踪剂在 体内及组织中代谢的放射性过程；d)对步骤C)中所述模型的参数进行估计，其中，步骤d)模型参数的估计方法为基于人工免疫网络PKAIN的模型参数估计 方法，其主要包括I)设定人工免疫网络运行参数，初始化人工免疫网络，每个免疫细胞编码表示 模型的一组备选参数；II)计算人工免疫网络中的免疫细胞的适应度，即同时评价模型的输入函数及输 出函数对观测值的拟合程度；III)执行人工免疫网络克隆选择或者分组并发单纯形的克隆选择过程；
IV)评价网络细胞相似度，执行人工免疫网络抑制；V)更新网络中一定比例的适应度较差的网络细胞并生成新一代人工网络免疫细 胞；VI)判断终止条件，若满足条件则执行步骤VII)，否则从步骤II)开始重新执 行；VII)将适应度最佳的人工免疫网络细胞解码作为动力学模型的一组最优参数输
出ο本发明首次将PKAIN应用于PET分子影像动力学建模中，实现了无需初始值的 建模参数估计，为提供PET分子影像动力学建模方法的可靠性、实用性提供了新型的智 能信息处理技术支持。以下便结合实施例附图，对本发明的具体实施方式
作进一步的详述，以使本发 明技术方案更易于理解、掌握。
图1是实施例中FDG代谢的房室模型；
图2是实施例中小鼠尾静脉的血浆TAC ；图3是实施例中小鼠的肝脏组织TAC。
具体实施例方式本发明提供一种基于人工免疫网络的PET分子影像动力学建模方法，包括a)对活体注射放射性示踪剂，然后用正电子发射计算机断层显像设备选取扫描 间隔成像；b)通过感兴趣区技术获取PET分子影像中若干区域的时间_放射性曲线作为模 型的输出函数观测值，通过获取影像中的心室等区域的时间-放射性曲线或者采用有创 采血方式获得的血液中的时间-放射性曲线做为模型的输入函数观测值；c)以示踪剂代谢动力学为基础选择数学模型结构，定量描述成像期间示踪剂在 体内及组织中代谢的放射性过程；d)对步骤C)中所述模型的参数进行估计。其中，步骤d)模型参数的估计方法为基于人工免疫网络PKAIN的模型参数估计 方法，其主要包括I)设定人工免疫网络运行参数，初始化人工免疫网络，每个免疫细胞编码表示 模型的一组备选参数；II)计算人工免疫网络中的免疫细胞的适应度，即同时评价模型的输入函数及输 出函数对观测值的拟合程度；III)执行人工免疫网络克隆选择或者分组并发单纯形的克隆选择过程；IV)评价网络细胞相似度，执行人工免疫网络抑制；V)更新网络中一定比例的适应度较差的网络细胞并生成新一代人工网络免疫细 胞；VI)判断终止条件，若满足条件则执行步骤VII)，否则从步骤II)开始重新执
4行；VII)将适应度最佳的人工免疫网络细胞解码作为动力学模型的一组最优参数输
出ο本实施例对注射了 18F-FDG的小鼠进行了实验研究1、小动物PET实验数据获取使用西门子公司Inveon Micro-PET仪，其有四个探测器晶体环，轴向视野为 12.7cm，视野中心分辨率为1.4mm。小动物选用4只ICR小鼠质量28g 34g，血量为 800μ1左右。对处于麻醉状态的小鼠注射18F-FDG,选取扫描间隔为lOXls，16X5s,
5 X 10s，6 X 300s, 3 X 600s。用 Inveon Acquisition workplace 数据采集软件处理，并通过 感兴趣区(Regional of interest，ROI)技术获取肝脏组织的时间-放射性曲线(time-activity curve, TAC), η时刻的观测值记作Cti (j = 1，2，…，m)，m为PET采样次数。成像过 程中在1、5、10、15、30、45min多点采血，每次采血ΙΟμΙ左右。通过r_count获取尾 静脉中血浆TAC(Bq/ml)，T1时刻的观测值记作Cbl (j = 1，2，…，η), η为采血次数。2、选择动力学模型结构依据房室模型理论，选择示踪剂动力学模型的输入函数Cb (t)和输出函数CT(t) 结构。FDG的代谢过程可用如图1所示房室模型来描述，FDG通过细胞膜进入组织细胞 中，然后在细胞中被已糖激酶磷酸化，转化成FDG-6-P，最终被细胞捕获。图1也描述 了其逆向过程。CM(t)表示FDG-6-P在房室中的浓度，参数Ic1 k4表示房室之间物质 交换的速率系数。输入函数仏⑴的数学模型用公式(1)所示的二房室结构模型表示，A1, A2, A3, A4为模型参数。输出函数仏⑴采用公式(2)的房室模型描述，其中C1Ct)= Ce(t)+Cm(t)，f为PET显像时血液中放射性对周围组织显像的影响因子。
CB{t) = Axe ^ + A3e 々⑴Ct (t) = Q(t)+f · Cb (t) (2)通过对该房室模型的计算，可得到如公式(3)所示关系式，其中 代表卷积，且
，=伏2+w J W、)2-够)"， =WVj(WV2-Y4)Z2O
Ct^ = Jc1 Ka2 _、).[( +k4 -αχ)β ^ +( -kje ^)] Cβ( ) +f-C(3)将式(1)带入式(3)解析求解，利用卷积的性质可将式(3)转化为关系式(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.模型参数估计对于参数估计问题，常采用加权残差平方和(weighted residual sum of squares,WRSS)作为评价标准。WRSS即观测值与模型估计值之差的加权平方和，其值越小表明 模型越好地拟合了 PET实验数据。将所得血浆TAC和肝脏TAC作观测值，通过参数估 计算法求出使WRSS极小的模型参数，即所得最优参数值，进而可计算出葡萄糖代谢率 等评价指标。本研究应用人工免疫网络算法估计模型参数。人工免疫网络PKAIN算法已应用于药物的药代动力学模型的参数估计研究中， 执行过程详见文献。因此，PKAIN算法是一种可拓展的动力学模型参数估计方法，不 同的估计问题由不同的适应度评价及人工免疫细胞编码表达。本文以PKAIN算法为基 础，设计无需人工设定模型参数初始值的小动物PET动力学模型参数估计方法。首先 根据PET分子影像动力学数学模型及建模对象，定义算法中人工免疫细胞的编码方式及 搜索空间。算法自动生成参数取值范围内的多组模型参数，编码为人工免疫网络细胞种 群，其中每个细胞代表所选模型的一组参数，适应度由模型评价标准值WRSS的相反数 表示。然后，执行人工免疫网络算法的估计机制完成网络细胞的进化，实现模型参数的 全局估计搜索。直到适应度达到极大，人工免疫网络趋于稳定，这时参数Ai A4，ki k4，f的值即为最优的模型参数。WRSS的定义见公式(5)，输入模型的WRSS记为WRSSb,输出模型的WRSS 记为WRSST。采用PKAIN算法一步参数估计同时估计输入和输出模型参数时，适应度 为WRSSbt, Wl、W2是拟合因子，为
之间的随机数。其中，为减少TAC曲线高 低悬殊对参数结果的影响，残差平方和的权重系数分别采用1/Cbl2和1/Ct/。
权利要求
1. 一种基于人工免疫网络的PET分子影像动力学建模方法，包括a)对活体注射放射性示踪剂，然后用正电子发射计算机断层显像设备选取扫描间隔 成像；b)通过感兴趣区技术获取PET分子影像中若干区域的时间-放射性曲线作为模型的 输出函数观测值，通过获取影像中的心室等区域的时间-放射性曲线或者采用有创采血 方式获得的血液中的时间-放射性曲线做为模型的输入函数观测值；c)以示踪剂代谢动力学为基础选择数学模型结构，定量描述成像期间示踪剂在体内 及组织中代谢的放射性过程；d)对步骤C)中所述模型的参数进行估计，其特征在于步骤d)中模型参数的估计方法为基于人工免疫网络PKAIN的模型参数 估计方法，包括I)设定人工免疫网络运行参数，初始化人工免疫网络，每个免疫细胞编码表示模型 的一组备选参数；II)计算人工免疫网络中的免疫细胞的适应度，即同时评价模型的输入函数及输出函 数对观测值的拟合程度；III)执行人工免疫网络克隆选择或者分组并发单纯形的克隆选择过程；IV)评价网络细胞相似度，执行人工免疫网络抑制；V)更新网络中一定比例的适应度较差的网络细胞并生成新一代人工网络免疫细胞；VI)判断终止条件，若满足条件则执行步骤VII)，否则从步骤II)开始重新执行；VII)将适应度最佳的人工免疫网络细胞解码为模型的一组最优参数输出。
全文摘要
本发明揭示了一种基于人工免疫网络的PET分子影像动力学建模方法。对活体注射放射性示踪剂并用PET设备扫描成像，数据处理后获得PET分子影像中若干区域的时间-放射性曲线作为模型的输出函数观测值，将影像中的心室等区域的时间-放射性曲线或者采用有创采血方式获得的血液中的时间-放射性曲线作为模型的输入函数观测值，以示踪剂代谢动力学为基础选择数学模型结构，定量描述成像期间示踪剂在体内及组织中代谢的放射过程，并对模型参数用基于人工免疫网络PKAIN的模型参数估计方法进行估计。本发明实现了无需初始值的建模参数估计，为提高PET分子影像动力学建模方法的可靠性、实用性提供了新型的智能信息处理技术支持，可广泛应用于PET分子影像动力学建模。
文档编号G06N3/00GK102012976SQ20101053712
公开日2011年4月13日 申请日期2010年11月9日 优先权日2010年11月9日
发明者刘丽 申请人:刘丽