μNeuFMT: Optical-Property-Adaptive Fluorescence Molecular Tomography via Implicit Neural Representation
Shihan Zhao, Jianru Zhang, Yanan Wu, Linlin Li, Siyuan Shen, Xingjun Zhu, Guoyan Zheng, Jiahua Jiang, and Wuwei Ren
荧光分子断层扫描(FMT)是荧光探针的非侵入性3D可视化的一种有前途的技术,但由于固有的不良倾向和对不准确或通常未知的组织光学特性的依赖,其重建仍然具有挑战性。 虽然深度学习方法已经显示出希望,但其监督性质限制了训练数据以外的推广。 为了解决这些问题,我们提出了μNeuFMT,一个自我监督的FMT重建框架,它将隐性基于神经的场景表示与光子传播的显式物理建模集成在一起。 它的主要创新在于共同优化重建过程中的荧光分布和光学特性(μ),消除了对组织光学或预调训练数据进行精确事先知识的需求。 我们证明,μNeuFMT即使具有严重错误的初始值(0.5×至2×的地面真实性),也能可靠地恢复准确的荧光团分布和光学系数。 广泛的数值、幻影和体内验证表明,μNeuFMT在各种异构场景中优于常规和监督的深度学习方法。 我们的工作为稳健和准确的FMT重建建立了新的范例,为在复杂的临床相关场景中(如荧光引导手术)中更可靠的分子成像铺平了道路。
Fluorescence Molecular Tomography (FMT) is a promising technique for non-invasive 3D visualization of fluorescent probes, but its reconstruction remains challenging due to the inherent ill-posedness and reliance on inaccurate or often-unknown tissue optical properties. While deep learning methods have shown promise, their supervised nature limits generalization beyond training data. To address these problems, we propose μNeuFMT, a self-supervised FMT reconstruction framework that integrates impl...
