基于免疫激活调节算法的示踪剂动力学模型参数优化方法
【专利摘要】本发明公开了一种基于免疫激活调节算法的示踪剂动力学模型参数优化方法，包括以下步骤：a、对目标受体注射放射性示踪剂；之后使用正电子发射计算机断层技术进行成像；b、获得所探测目标组织中示踪剂的时间?放射性活度曲线作为模型的输出观测值，获得所勾画的动脉组织中示踪剂的时间?放射性活度曲线作为模型的输入观测值；c、利用免疫激活调节算法优化步骤b中的模型的参数；d、对步骤c中模型的参数进行评估，输出模型的参数。本发明设计的基于激活调节的人工免疫网络算法与其他优化算法相比，具有算法简单、收敛速度快的优点，对于解决示踪剂动力学模型这类带有约束条件非线性的反问题非常有效。
【专利说明】
基于免疫激活调节算法的示踪剂动力学模型参数优化方法
技术领域
[0001] 本发明属于人工智能算法应用到药物代谢动力学技术领域，设及示踪剂动力学模 型参数优化方法，具体设及一种基于免疫激活调节算法的示踪剂动力学模型参数优化方 法。
【背景技术】
[0002] PET正电子发射断层影像技术，是动态医学影像用于放射性核素或核素标记药物 (简称示踪剂)完成分子成像，是一种具有动态、灵敏、定量的成像技术。在国际上，特别是欧 美等发达国家，PET正电子发射断层影像技术已经被广泛应用于肺癌的诊断、分期及治疗效 果评测等临床管理中。示踪剂动力学定量分析能够在很短的时间内对放射性分布的变化进 行准确定量具有重要的应用价值。
[0003] 基于示踪剂动力学模型的参数估计定量分析方法能够精确的对人体放射性核素 标记物分布的生理变化进行定量，从而掲示示踪信号表示的生化、生理特征，为疾病的定性 诊断W及疗效评估提供了无创的手段。
[0004] 人工免疫算法是一种新兴的人工智能仿生算法，保留了生物免疫系统的若干特 点，如多样性好，鲁棒性强、智能度高等。在已有的优化设计方法中，具有假设条件较多，寻 优空间较小，寻优能力不强等不足之处。
【发明内容】
[0005] 为克服已有优化算法用于示踪剂动力学模型参数优化的缺陷，达到快速求解优化 示踪剂动力学模型参数的目的，本发明公开了一种基于免疫激活调节算法的示踪剂动力学 模型参数优化方法。
[0006] 本发明的技术方案如下：
[0007] -种基于免疫激活调节算法的示踪剂动力学模型参数优化方法，包括W下步骤： [000引a、对目标受体注射放射性示踪剂；之后使用正电子发射计算机断层技术进行成 像；
[0009] b、获得所探测目标组织中示踪剂的时间-放射性活度曲线作为模型的输出观测 值，获得所勾画的动脉组织中示踪剂的时间-放射性活度曲线作为模型的输入观测值；
[0010] C、利用免疫激活调节算法优化步骤b中的模型的参数；
[0011] d、对步骤C中模型的参数进行评估，输出模型的参数。
[0012] 其进一步的技术方案为，所述步骤C具体包括W下步骤：
[0013] I、初始化免疫调节网络；
[0014] II、计算免疫调节网络中的免疫细胞的适应度，即评价示踪剂动力学模型的输入 函数及输出函数对观测值的拟合程度；
[0015] III、基于树突状细胞机制分离、引导细胞种群进行免疫调节；
[0016] 步骤HI具体包括：
[0017] Ilia、开始免疫调节过程，生成克隆半径；
[0018] mb、引导细胞选择，在抗体群中依据抗体的激励度选择部分抗体的映射；
[0019] II Ic、对当前冷冻细胞进行裁剪，保持冷冻规模；
[0020] IV、根据当前细胞种群数量，执行可变步长克隆选择过程；
[0021 ] V、评价网络细胞相似度，执行免疫网络抑制；
[0022] VI、判别当前种群数量，若小于初始数量，则转到第VII步，否则恢复已冷冻细胞， 对其进行变异，生成新一代网络细胞；
[0023] VII、判断终止条件，若满足条件则执行步骤VIII，否则从步骤HI开始重新执行；
[0024] VIII、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。
[0025] 其进一步的技术方案为，所述步骤II中，适应度计算公式为：
[0026]
[0027] 上式中C表示观测值浓度，表示观测值浓度所对应的时间采样序列，表 示当前细胞编码带入目标函数在时间采样序列上所求浓度值，Wj为相邻两次采样时间差。 [00%]其进一步的技术方案为，所述步骤IIIa中，克隆半径al化的具体公式为：
[0029] alfa = (1/0) ? 6即（-fitness*) ? N(0,1);
[0030]
[0031] 上式中，e表示克隆步长控制参数;N(0,1)是均值为0,标准差为I的高斯随机分布； fitness^J适应度的归一化结果;a、b是变异步长的基本范围；t为当前迭代次数;S为控制 参数变化的速率。
[0032] 其进一步的技术方案为，所述步骤IIIb中，设定当前种群最优细胞，定义HU的 激励度F(HU)函数为：
[0033]
[0034]
[0035] 上式中，Il ? Il表示欧式距离;Di为Hii的浓度;O为最优种群细胞所对应适应度值。
[0036] 其进一步的技术方案为，所述步骤IV具体为：
[0037] 设克隆种群细胞为Cl,根据克隆半径可得：
[003引 ci=mi+alfa
[0039] 其中克隆个数为N。，实行每代动态克隆过程，其克隆个数根据克隆步长控制参数0 和初始细胞种群N数量决定：
[0040]
[0041] 上式中，i为记忆细胞适应度从高到低排序的序号，roundO是取整操作。
[0042] 其进一步的技术方案为，所述步骤V中，相似度计算公式为：
[0043]
[0044] 上式表示了两细胞mi、mj的相似度，mik、mjk为两细胞的第k维空间向量，Upper、Low 为该维参数的取值范围。
[0045] 本发明的有益技术效果是：
[0046] 本发明设计的基于激活调节的人工免疫网络算法与其他优化算法相比，具有算法 简单、收敛速度快的优点，对于解决示踪剂动力学模型运类带有约束条件非线性的反问题 非常有效。
【附图说明】
[0047] 图1是FDG的房室模型图。
[0048] 图2是本发明的流程图。
[0049] 图3是免疫激活调节算法参数优化的流程图
【具体实施方式】
[0050] 1、示踪剂动力学模型建立
[0051] 药物代谢动力学模型是为了定量研究药物在体内代谢过程的速度规律而建立的 模拟数学模型。房室模型是目前常用的示踪剂药物代谢动力学模型，称为示踪剂动力学模 型。
[0052] W氣代脱氧葡萄糖(FDG)的示踪剂动力学模型为例，它是一个临床常用的模型。它 W药物动力学模型中的房室模型为基础，刻画了示踪剂进入体内的过程、规律，将整个机体 视为一个系统并将药物的分布过程描述为多个房室之间的吸收和转运过程，每个房室代表 吸收及转运速率相同的组织。
[00对图1是抑G的房室模型图。如图1所示，左边的房室表示的是血液空间中的抑G，中间 的房室表示组织中的抑G，右边的房室表示抑G在组织中被憐酸化W后的产物抑G-6-P (抑G- 6-phosph曰te)O
[0054] FDG通过细胞膜进入组织细胞中，然后在组织细胞中被已糖激酶憐酸化，转化成 抑G-6-P，最终被组织细胞捕获。Cb、Ce和Cm分别表示FDG或FDG-6-P在运3个房室中的浓度。由 此可知，CB(t)等于血液中浓度随时间变化的曲线。模型的动力学参数ki~k4表示房室之间 物质交换的速率系数。
[0055] 另外，在示踪剂动力学研究中还有另一个参数f，它表示的是血液里的放射性活度 对周围组织显像的影响系数。
[0化6] 令；
[0057] Cx(t)=Ci(t)+f ? CB(t)；
[0化引上式中有：
[0059] Ci(t)=CE(t)+CM(t);
[0060] 则，打(t)为TTAC曲线函数，CB(t)为BTAC曲线函数。
[0061] 通过对该房室模型的计算，可W得到如下所示的关系式，
[0062]
[0063] 置由@化亲棠巧.日有.
[0064]
[00 化]
[0066] 因此，给定BTAC曲线函数CB(t)和TTAC曲线函数CT(t)分别作输入函数和输出函数， 就可W利用参数拟合方法求得BTA对莫型W及TTA对莫型中的参数。
[0067] 2、优化模型的参数kl，k2，k3，k4，f
[0068] 此部分就是本发明的主要内容，在下文中，示踪剂动力学模型均简称为"模型"。图 2是本发明的流程图，结合图2,本发明的具体步骤如下：
[0069] a、设定采样协议，对目标受体注射放射性示踪剂，经过特定时间后，使用正电子发 射计算机断层技术成像。
[0070] b、经感兴趣区（Region Of Interest R0I)技术获得所探测目标组织中示踪剂的 时间-放射性活度曲线(TTAC)作为模型的输出观测值，获得所勾画的动脉组织中示踪剂的 时间-放射性活度曲线(BTAC)作为模型的输入观测值。
[0071] C、利用免疫激活调节算法（InspirecLai化t)优化步骤b中的模型参数。
[0072] d、对步骤C中模型的参数进行评估，输出模型的参数。
[0073] 图3是免疫激活调节算法参数优化的流程图，参考图3,步骤C的具体步骤为：
[0074] I、设定免疫激活调节网络运行参数，初始化免疫激活调节网络，每个免疫细胞编 码表示模型的一组备选参数。
[0075] 根据需要优化目标函数，进行免疫种群编码，并随机在模型的参数取值范围内初 始化;模型的参数取值范围根据药物特性的范围标准选取。
[0076] 假设算法的捜索空间为D维，免疫激活调节网络的种群规模为N，每个免疫细胞编 码包含W下信息：
[0077] IHi= (mil,mi2, ... ,miD);
[0078] 目标函数为CT(t)，在第0代迭代网络周期，记种群M为mW。
[0079] 在种群M中第i个细胞nil表示的被优化目标函数CT(t)的一组可行解，其中mil表示 可行解的一项参数。
[0080] II、计算免疫激活调节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；
[0081 ]适应度函数即为加权残差和公式：
[0082]
[0083] 上式中C表示观测值浓度，表示观测值浓度所对应的时间采样序列，表 示当前细胞编码带入目标函数在时间采样序列上所求浓度值，Wj为相邻两次采样时间差。
[0084] III、基于树突状细胞机制有选择性的分离、引导细胞种群进行免疫调节，此步骤 具体为：
[0087]
[00化]II la、开始免疫调节过程，生成克隆半径al化：[0086] alfa=(l/0) ? exp(-fitness*) ? N(0,1);
[0088] T，P巧小化RMZFK旺刚参数;N(0，I)是均值为0，标准差为I的高斯随机分布； fitness^J适应度的归一化结果;a、b是变异步长的基本范围；t为当前迭代次数;S为控制 参数变化的速率。
[0089] mb、引导细胞选择。在抗体群中依据抗体的激励度选择部分抗体映射。
[0090] m*为当前种群最优细胞，定义HH的激励度F(Hii)函数为：
[0091]
[0092]
[0093] 上式中，Il ? Il表示欧式距离;Di为HU的浓度;O为最优种群细胞所对应适应度值。激 励度的定义表明，对与最优个体有较好匹配但浓度高的抗体将会受到抑制;对既与最优个 体有较好匹配，又有较低浓度的抗体将会获得鼓励;对既与最优个体有较差匹配，浓度又较 高的抗体将会受到排斥。
[0094] II Ic、对当前冷冻细胞数量进行裁剪，保持冷冻规模。
[00M] IV、根据当前细胞种群数量，执行可变步长克隆选择过程
[0096] 设克隆种群细胞为Cl,根据克隆半径可得：
[0097] ci=mi+alfa
[0098] 其中克隆个数为N。，实行每代动态克隆过程，其克隆个数根据克隆步长控制参数0 和初始细胞种群N数量决定
[0099]
[0100] 上式中，i为记忆细胞适应度从高到低排序的序号，roundO是取整操作。
[0101] V、评价网络细胞相似度，执行免疫网络抑制；
[0102]网络细胞mi, mj相似度按公式所示，mik、mjk为两细胞的第k维空间向量，UppeiNLow 为该维参渐'CA而估品困.
[0103] ；
[0104] VI、判别当前种群数量，若小于初始数量，则转到步骤VII，否则恢复已冷冻细胞， 对其进行高突变柯西变异，生成新一代人工网络免疫细胞；
[0105] VII、判断终止条件，若满足条件则执行步骤VIII，否则从步骤III开始重新执行； 判断终止条件可W是一个指定的最大迭代次数），
[0106] VIII、将适应度最佳的人工免疫网络细胞解码作为模型的一组最优参数输出。
[0107] W上所述的仅是本发明的优选实施方式，本发明不限于W上实施例。可W理解，本 领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变 化，均应认为包含在本发明的保护范围之内。
【主权项】
1. 一种基于免疫激活调节算法的示踪剂动力学模型参数优化方法，其特征在于，包括 以下步骤： a、 对目标受体注射放射性示踪剂;之后使用正电子发射计算机断层技术进行成像； b、 获得所探测目标组织中示踪剂的时间-放射性活度曲线作为模型的输出观测值，获 得所勾画的动脉组织中示踪剂的时间-放射性活度曲线作为模型的输入观测值； c、 利用免疫激活调节算法优化步骤b中的模型的参数； d、 对步骤c中模型的参数进行评估，输出模型的参数。2. 如权利要求1所述的基于免疫激活调节算法的示踪剂动力学模型参数优化方法，其 特征在于，所述步骤c具体包括以下步骤： I、 初始化免疫调节网络； II、 计算免疫调节网络中的免疫细胞的适应度，即评价示踪剂动力学模型的输入函数 及输出函数对观测值的拟合程度； III、 基于树突状细胞机制分离、引导细胞种群进行免疫调节； 步骤III具体包括： II Ia、开始免疫调节过程，生成克隆半径； IIlb、引导细胞选择，在抗体群中依据抗体的激励度选择部分抗体映射； III c、对当前冷冻细胞进行裁剪，保持冷冻规模； IV、 根据当前细胞种群数量，执行可变步长克隆选择过程； V、 评价网络细胞相似度，执行免疫网络抑制； VI、 判别当前种群数量，若小于初始数量，则转到第VII步，否则恢复已冷冻细胞，对其 进行变异，生成新一代网络细胞； VII、 判断终止条件，若满足条件则执行步骤VIII，否则从步骤III开始重新执行； VIII、 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。3. 如权利要求2所述的基于免疫激活调节算法的示踪剂动力学模型参数优化方法，其 特征在于，所述步骤II中，适应度计算公式为：上式中C表示观测值浓度，b表示观测值浓度所对应的时间采样序列，表示当前 细胞编码带入目标函数在时间采样序列k上所求浓度值，为相邻两次采样时间差。4. 如权利要求2所述的基于免疫激活调节算法的示踪剂动力学模型参数优化方法，其 特征在于，所述步骤IIla中，克隆半径alfa的具体公式为： alfa=(l/P) · exp(-fitness*) · N(0,1)；上式中，β表示克隆步长控制参数；N(0，1)是均值为Ο，标准差为1的高斯随机分布； fitness#为适应度的归一化结果;a、b是变异步长的基本范围；t为当前迭代次数;s为控制 参数变化的速率。5. 如权利要求2所述的基于免疫激活调节算法的示踪剂动力学模型参数优化方法，其 特征在于，所述步骤IIlb中，设定为当前种群最优细胞，定义mi的激励度F(mi)函数为：上式中，II · II表示欧式距离;DiSnu的浓度;σ为最优种群细胞所对应适应度值。6. 如权利要求2所述的基于免疫激活调节算法的示踪剂动力学模型参数优化方法，其 特征在于，所述步骤IV具体为： 设克隆种群细胞为Cl，根据克隆半径可得： Ci -Hli+alf a 其中克隆个数为N。，实行每代动态克隆过程，其克隆个数根据克隆步长控制参数β和初 始细胞种群Ν数量决定：上式中，i为记忆细胞适应度从高到低排序的序号，round()是取整操作。7. 如权利要求2所述的基于免疫激活调节算法的示踪剂动力学模型参数优化方法，其 特征在于，所述步骤V中，相似度计算公式为：上式表示了两细胞mi、mj的相似度，mik、mjk为两细胞的第k维空间向量，[Low，Upper ]为 该维参数的取值范围。
【文档编号】G06F19/12GK105956414SQ201610281227
【公开日】2016年9月21日
【申请日】2016年4月29日
【发明人】刘丽, 何艾玲
【申请人】江南大学