基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法
【專利摘要】本發(fā)明公開了一種基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，包括以下步驟：a、對目標(biāo)受體注射放射性示蹤劑；之后使用正電子發(fā)射計算機斷層技術(shù)進行成像；b、獲得所探測目標(biāo)組織中示蹤劑的時間?放射性活度曲線作為模型的輸出觀測值，獲得所勾畫的動脈組織中示蹤劑的時間?放射性活度曲線作為模型的輸入觀測值；c、利用免疫激活調(diào)節(jié)算法優(yōu)化步驟b中的模型的參數(shù)；d、對步驟c中模型的參數(shù)進行評估，輸出模型的參數(shù)。本發(fā)明設(shè)計的基于激活調(diào)節(jié)的人工免疫網(wǎng)絡(luò)算法與其他優(yōu)化算法相比，具有算法簡單、收斂速度快的優(yōu)點，對于解決示蹤劑動力學(xué)模型這類帶有約束條件非線性的反問題非常有效。
【專利說明】
基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于人工智能算法應(yīng)用到藥物代謝動力學(xué)技術(shù)領(lǐng)域，設(shè)及示蹤劑動力學(xué)模 型參數(shù)優(yōu)化方法，具體設(shè)及一種基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方 法。
【背景技術(shù)】
[0002] PET正電子發(fā)射斷層影像技術(shù)，是動態(tài)醫(yī)學(xué)影像用于放射性核素或核素標(biāo)記藥物 (簡稱示蹤劑)完成分子成像，是一種具有動態(tài)、靈敏、定量的成像技術(shù)。在國際上，特別是歐 美等發(fā)達國家，PET正電子發(fā)射斷層影像技術(shù)已經(jīng)被廣泛應(yīng)用于肺癌的診斷、分期及治療效 果評測等臨床管理中。示蹤劑動力學(xué)定量分析能夠在很短的時間內(nèi)對放射性分布的變化進 行準(zhǔn)確定量具有重要的應(yīng)用價值。
[0003] 基于示蹤劑動力學(xué)模型的參數(shù)估計定量分析方法能夠精確的對人體放射性核素 標(biāo)記物分布的生理變化進行定量，從而掲示示蹤信號表示的生化、生理特征，為疾病的定性 診斷W及療效評估提供了無創(chuàng)的手段。
[0004] 人工免疫算法是一種新興的人工智能仿生算法，保留了生物免疫系統(tǒng)的若干特 點，如多樣性好，魯棒性強、智能度高等。在已有的優(yōu)化設(shè)計方法中，具有假設(shè)條件較多，尋 優(yōu)空間較小，尋優(yōu)能力不強等不足之處。

【發(fā)明內(nèi)容】

[0005] 為克服已有優(yōu)化算法用于示蹤劑動力學(xué)模型參數(shù)優(yōu)化的缺陷，達到快速求解優(yōu)化 示蹤劑動力學(xué)模型參數(shù)的目的，本發(fā)明公開了一種基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué) 模型參數(shù)優(yōu)化方法。
[0006] 本發(fā)明的技術(shù)方案如下：
[0007] -種基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，包括W下步驟： [000引a、對目標(biāo)受體注射放射性示蹤劑；之后使用正電子發(fā)射計算機斷層技術(shù)進行成 像；
[0009] b、獲得所探測目標(biāo)組織中示蹤劑的時間-放射性活度曲線作為模型的輸出觀測 值，獲得所勾畫的動脈組織中示蹤劑的時間-放射性活度曲線作為模型的輸入觀測值；
[0010] C、利用免疫激活調(diào)節(jié)算法優(yōu)化步驟b中的模型的參數(shù)；
[0011] d、對步驟C中模型的參數(shù)進行評估，輸出模型的參數(shù)。
[0012] 其進一步的技術(shù)方案為，所述步驟C具體包括W下步驟：
[0013] I、初始化免疫調(diào)節(jié)網(wǎng)絡(luò)；
[0014] II、計算免疫調(diào)節(jié)網(wǎng)絡(luò)中的免疫細胞的適應(yīng)度，即評價示蹤劑動力學(xué)模型的輸入 函數(shù)及輸出函數(shù)對觀測值的擬合程度；
[0015] III、基于樹突狀細胞機制分離、引導(dǎo)細胞種群進行免疫調(diào)節(jié)；
[0016] 步驟HI具體包括：
[0017] Ilia、開始免疫調(diào)節(jié)過程，生成克隆半徑；
[0018] mb、引導(dǎo)細胞選擇，在抗體群中依據(jù)抗體的激勵度選擇部分抗體的映射；
[0019] II Ic、對當(dāng)前冷凍細胞進行裁剪，保持冷凍規(guī)模；
[0020] IV、根據(jù)當(dāng)前細胞種群數(shù)量，執(zhí)行可變步長克隆選擇過程；
[0021 ] V、評價網(wǎng)絡(luò)細胞相似度，執(zhí)行免疫網(wǎng)絡(luò)抑制；
[0022] VI、判別當(dāng)前種群數(shù)量，若小于初始數(shù)量，則轉(zhuǎn)到第VII步，否則恢復(fù)已冷凍細胞， 對其進行變異，生成新一代網(wǎng)絡(luò)細胞；
[0023] VII、判斷終止條件，若滿足條件則執(zhí)行步驟VIII，否則從步驟HI開始重新執(zhí)行；
[0024] VIII、將適應(yīng)度最佳的人工免疫網(wǎng)絡(luò)細胞解碼作為動力學(xué)模型的一組最優(yōu)參數(shù)輸 出。
[0025] 其進一步的技術(shù)方案為，所述步驟II中，適應(yīng)度計算公式為：
[0026]
[0027] 上式中C表示觀測值濃度，表示觀測值濃度所對應(yīng)的時間采樣序列，表 示當(dāng)前細胞編碼帶入目標(biāo)函數(shù)在時間采樣序列上所求濃度值，Wj為相鄰兩次采樣時間差。 [00%]其進一步的技術(shù)方案為，所述步驟IIIa中，克隆半徑al化的具體公式為：
[0029] alfa = (1/0) ? 6即（-fitness*) ? N(0,1);
[0030]
[0031] 上式中，e表示克隆步長控制參數(shù);N(0,1)是均值為0,標(biāo)準(zhǔn)差為I的高斯隨機分布； fitness^J適應(yīng)度的歸一化結(jié)果;a、b是變異步長的基本范圍；t為當(dāng)前迭代次數(shù);S為控制 參數(shù)變化的速率。
[0032] 其進一步的技術(shù)方案為，所述步驟IIIb中，設(shè)定當(dāng)前種群最優(yōu)細胞，定義HU的 激勵度F(HU)函數(shù)為：
[0033]
[0034]
[0035] 上式中，Il ? Il表示歐式距離;Di為Hii的濃度;O為最優(yōu)種群細胞所對應(yīng)適應(yīng)度值。
[0036] 其進一步的技術(shù)方案為，所述步驟IV具體為：
[0037] 設(shè)克隆種群細胞為Cl,根據(jù)克隆半徑可得：
[003引 ci=mi+alfa
[0039] 其中克隆個數(shù)為N。，實行每代動態(tài)克隆過程，其克隆個數(shù)根據(jù)克隆步長控制參數(shù)0 和初始細胞種群N數(shù)量決定：
[0040]
[0041] 上式中，i為記憶細胞適應(yīng)度從高到低排序的序號，roundO是取整操作。
[0042] 其進一步的技術(shù)方案為，所述步驟V中，相似度計算公式為：
[0043]
[0044] 上式表示了兩細胞mi、mj的相似度，mik、mjk為兩細胞的第k維空間向量，Upper、Low 為該維參數(shù)的取值范圍。
[0045] 本發(fā)明的有益技術(shù)效果是：
[0046] 本發(fā)明設(shè)計的基于激活調(diào)節(jié)的人工免疫網(wǎng)絡(luò)算法與其他優(yōu)化算法相比，具有算法 簡單、收斂速度快的優(yōu)點，對于解決示蹤劑動力學(xué)模型運類帶有約束條件非線性的反問題 非常有效。
【附圖說明】
[0047] 圖1是FDG的房室模型圖。
[0048] 圖2是本發(fā)明的流程圖。
[0049] 圖3是免疫激活調(diào)節(jié)算法參數(shù)優(yōu)化的流程圖
【具體實施方式】
[0050] 1、示蹤劑動力學(xué)模型建立
[0051] 藥物代謝動力學(xué)模型是為了定量研究藥物在體內(nèi)代謝過程的速度規(guī)律而建立的 模擬數(shù)學(xué)模型。房室模型是目前常用的示蹤劑藥物代謝動力學(xué)模型，稱為示蹤劑動力學(xué)模 型。
[0052] W氣代脫氧葡萄糖(FDG)的示蹤劑動力學(xué)模型為例，它是一個臨床常用的模型。它 W藥物動力學(xué)模型中的房室模型為基礎(chǔ)，刻畫了示蹤劑進入體內(nèi)的過程、規(guī)律，將整個機體 視為一個系統(tǒng)并將藥物的分布過程描述為多個房室之間的吸收和轉(zhuǎn)運過程，每個房室代表 吸收及轉(zhuǎn)運速率相同的組織。
[00對圖1是抑G的房室模型圖。如圖1所示，左邊的房室表示的是血液空間中的抑G，中間 的房室表示組織中的抑G，右邊的房室表示抑G在組織中被憐酸化W后的產(chǎn)物抑G-6-P (抑G- 6-phosph曰te)O
[0054] FDG通過細胞膜進入組織細胞中，然后在組織細胞中被已糖激酶憐酸化，轉(zhuǎn)化成 抑G-6-P，最終被組織細胞捕獲。Cb、Ce和Cm分別表示FDG或FDG-6-P在運3個房室中的濃度。由 此可知，CB(t)等于血液中濃度隨時間變化的曲線。模型的動力學(xué)參數(shù)ki~k4表示房室之間 物質(zhì)交換的速率系數(shù)。
[0055] 另外，在示蹤劑動力學(xué)研究中還有另一個參數(shù)f，它表示的是血液里的放射性活度 對周圍組織顯像的影響系數(shù)。
[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] 則，打(t)為TTAC曲線函數(shù)，CB(t)為BTAC曲線函數(shù)。
[0061] 通過對該房室模型的計算，可W得到如下所示的關(guān)系式，
[0062]

[0063] 置由@化親棠巧.日有.
[0064]
[00 化]
[0066] 因此，給定BTAC曲線函數(shù)CB(t)和TTAC曲線函數(shù)CT(t)分別作輸入函數(shù)和輸出函數(shù)， 就可W利用參數(shù)擬合方法求得BTA對莫型W及TTA對莫型中的參數(shù)。
[0067] 2、優(yōu)化模型的參數(shù)kl，k2，k3，k4，f
[0068] 此部分就是本發(fā)明的主要內(nèi)容，在下文中，示蹤劑動力學(xué)模型均簡稱為"模型"。圖 2是本發(fā)明的流程圖，結(jié)合圖2,本發(fā)明的具體步驟如下：
[0069] a、設(shè)定采樣協(xié)議，對目標(biāo)受體注射放射性示蹤劑，經(jīng)過特定時間后，使用正電子發(fā) 射計算機斷層技術(shù)成像。
[0070] b、經(jīng)感興趣區(qū)（Region Of Interest R0I)技術(shù)獲得所探測目標(biāo)組織中示蹤劑的 時間-放射性活度曲線(TTAC)作為模型的輸出觀測值，獲得所勾畫的動脈組織中示蹤劑的 時間-放射性活度曲線(BTAC)作為模型的輸入觀測值。
[0071] C、利用免疫激活調(diào)節(jié)算法（InspirecLai化t)優(yōu)化步驟b中的模型參數(shù)。
[0072] d、對步驟C中模型的參數(shù)進行評估，輸出模型的參數(shù)。
[0073] 圖3是免疫激活調(diào)節(jié)算法參數(shù)優(yōu)化的流程圖，參考圖3,步驟C的具體步驟為：
[0074] I、設(shè)定免疫激活調(diào)節(jié)網(wǎng)絡(luò)運行參數(shù)，初始化免疫激活調(diào)節(jié)網(wǎng)絡(luò)，每個免疫細胞編 碼表示模型的一組備選參數(shù)。
[0075] 根據(jù)需要優(yōu)化目標(biāo)函數(shù)，進行免疫種群編碼，并隨機在模型的參數(shù)取值范圍內(nèi)初 始化;模型的參數(shù)取值范圍根據(jù)藥物特性的范圍標(biāo)準(zhǔn)選取。
[0076] 假設(shè)算法的捜索空間為D維，免疫激活調(diào)節(jié)網(wǎng)絡(luò)的種群規(guī)模為N，每個免疫細胞編 碼包含W下信息：
[0077] IHi= (mil,mi2, ... ,miD);
[0078] 目標(biāo)函數(shù)為CT(t)，在第0代迭代網(wǎng)絡(luò)周期，記種群M為mW。
[0079] 在種群M中第i個細胞nil表示的被優(yōu)化目標(biāo)函數(shù)CT(t)的一組可行解，其中mil表示 可行解的一項參數(shù)。
[0080] II、計算免疫激活調(diào)節(jié)網(wǎng)絡(luò)中的免疫細胞的適應(yīng)度，即同時評價模型的輸入函數(shù) 及輸出函數(shù)對觀測值的擬合程度；
[0081 ]適應(yīng)度函數(shù)即為加權(quán)殘差和公式：
[0082]
[0083] 上式中C表示觀測值濃度，表示觀測值濃度所對應(yīng)的時間采樣序列，表 示當(dāng)前細胞編碼帶入目標(biāo)函數(shù)在時間采樣序列上所求濃度值，Wj為相鄰兩次采樣時間差。
[0084] III、基于樹突狀細胞機制有選擇性的分離、引導(dǎo)細胞種群進行免疫調(diào)節(jié)，此步驟 具體為：
[0087]
[00化]II la、開始免疫調(diào)節(jié)過程，生成克隆半徑al化：[0086] alfa=(l/0) ? exp(-fitness*) ? N(0,1);
[0088] T，P巧小化RMZFK旺剛參數(shù);N(0，I)是均值為0，標(biāo)準(zhǔn)差為I的高斯隨機分布； fitness^J適應(yīng)度的歸一化結(jié)果;a、b是變異步長的基本范圍；t為當(dāng)前迭代次數(shù);S為控制 參數(shù)變化的速率。
[0089] mb、引導(dǎo)細胞選擇。在抗體群中依據(jù)抗體的激勵度選擇部分抗體映射。
[0090] m*為當(dāng)前種群最優(yōu)細胞，定義HH的激勵度F(Hii)函數(shù)為：
[0091]
[0092]
[0093] 上式中，Il ? Il表示歐式距離;Di為HU的濃度;O為最優(yōu)種群細胞所對應(yīng)適應(yīng)度值。激 勵度的定義表明，對與最優(yōu)個體有較好匹配但濃度高的抗體將會受到抑制;對既與最優(yōu)個 體有較好匹配，又有較低濃度的抗體將會獲得鼓勵;對既與最優(yōu)個體有較差匹配，濃度又較 高的抗體將會受到排斥。
[0094] II Ic、對當(dāng)前冷凍細胞數(shù)量進行裁剪，保持冷凍規(guī)模。
[00M] IV、根據(jù)當(dāng)前細胞種群數(shù)量，執(zhí)行可變步長克隆選擇過程
[0096] 設(shè)克隆種群細胞為Cl,根據(jù)克隆半徑可得：
[0097] ci=mi+alfa
[0098] 其中克隆個數(shù)為N。，實行每代動態(tài)克隆過程，其克隆個數(shù)根據(jù)克隆步長控制參數(shù)0 和初始細胞種群N數(shù)量決定
[0099]
[0100] 上式中，i為記憶細胞適應(yīng)度從高到低排序的序號，roundO是取整操作。
[0101] V、評價網(wǎng)絡(luò)細胞相似度，執(zhí)行免疫網(wǎng)絡(luò)抑制；
[0102]網(wǎng)絡(luò)細胞mi, mj相似度按公式所示，mik、mjk為兩細胞的第k維空間向量，UppeiNLow 為該維參漸'CA而估品困.
[0103] ；
[0104] VI、判別當(dāng)前種群數(shù)量，若小于初始數(shù)量，則轉(zhuǎn)到步驟VII，否則恢復(fù)已冷凍細胞， 對其進行高突變柯西變異，生成新一代人工網(wǎng)絡(luò)免疫細胞；
[0105] VII、判斷終止條件，若滿足條件則執(zhí)行步驟VIII，否則從步驟III開始重新執(zhí)行； 判斷終止條件可W是一個指定的最大迭代次數(shù)），
[0106] VIII、將適應(yīng)度最佳的人工免疫網(wǎng)絡(luò)細胞解碼作為模型的一組最優(yōu)參數(shù)輸出。
[0107] W上所述的僅是本發(fā)明的優(yōu)選實施方式，本發(fā)明不限于W上實施例。可W理解，本 領(lǐng)域技術(shù)人員在不脫離本發(fā)明的精神和構(gòu)思的前提下直接導(dǎo)出或聯(lián)想到的其他改進和變 化，均應(yīng)認為包含在本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，其特征在于，包括 以下步驟： a、 對目標(biāo)受體注射放射性示蹤劑;之后使用正電子發(fā)射計算機斷層技術(shù)進行成像； b、 獲得所探測目標(biāo)組織中示蹤劑的時間-放射性活度曲線作為模型的輸出觀測值，獲 得所勾畫的動脈組織中示蹤劑的時間-放射性活度曲線作為模型的輸入觀測值； c、 利用免疫激活調(diào)節(jié)算法優(yōu)化步驟b中的模型的參數(shù)； d、 對步驟c中模型的參數(shù)進行評估，輸出模型的參數(shù)。2. 如權(quán)利要求1所述的基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，其 特征在于，所述步驟c具體包括以下步驟： I、 初始化免疫調(diào)節(jié)網(wǎng)絡(luò)； II、 計算免疫調(diào)節(jié)網(wǎng)絡(luò)中的免疫細胞的適應(yīng)度，即評價示蹤劑動力學(xué)模型的輸入函數(shù) 及輸出函數(shù)對觀測值的擬合程度； III、 基于樹突狀細胞機制分離、引導(dǎo)細胞種群進行免疫調(diào)節(jié)； 步驟III具體包括： II Ia、開始免疫調(diào)節(jié)過程，生成克隆半徑； IIlb、引導(dǎo)細胞選擇，在抗體群中依據(jù)抗體的激勵度選擇部分抗體映射； III c、對當(dāng)前冷凍細胞進行裁剪，保持冷凍規(guī)模； IV、 根據(jù)當(dāng)前細胞種群數(shù)量，執(zhí)行可變步長克隆選擇過程； V、 評價網(wǎng)絡(luò)細胞相似度，執(zhí)行免疫網(wǎng)絡(luò)抑制； VI、 判別當(dāng)前種群數(shù)量，若小于初始數(shù)量，則轉(zhuǎn)到第VII步，否則恢復(fù)已冷凍細胞，對其 進行變異，生成新一代網(wǎng)絡(luò)細胞； VII、 判斷終止條件，若滿足條件則執(zhí)行步驟VIII，否則從步驟III開始重新執(zhí)行； VIII、 將適應(yīng)度最佳的人工免疫網(wǎng)絡(luò)細胞解碼作為動力學(xué)模型的一組最優(yōu)參數(shù)輸出。3. 如權(quán)利要求2所述的基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，其 特征在于，所述步驟II中，適應(yīng)度計算公式為：上式中C表示觀測值濃度，b表示觀測值濃度所對應(yīng)的時間采樣序列，表示當(dāng)前 細胞編碼帶入目標(biāo)函數(shù)在時間采樣序列k上所求濃度值，為相鄰兩次采樣時間差。4. 如權(quán)利要求2所述的基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，其 特征在于，所述步驟IIla中，克隆半徑alfa的具體公式為： alfa=(l/P) · exp(-fitness*) · N(0,1)；上式中，β表示克隆步長控制參數(shù)；N(0，1)是均值為Ο，標(biāo)準(zhǔn)差為1的高斯隨機分布； fitness#為適應(yīng)度的歸一化結(jié)果;a、b是變異步長的基本范圍；t為當(dāng)前迭代次數(shù);s為控制 參數(shù)變化的速率。5. 如權(quán)利要求2所述的基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，其 特征在于，所述步驟IIlb中，設(shè)定為當(dāng)前種群最優(yōu)細胞，定義mi的激勵度F(mi)函數(shù)為：上式中，II · II表示歐式距離;DiSnu的濃度;σ為最優(yōu)種群細胞所對應(yīng)適應(yīng)度值。6. 如權(quán)利要求2所述的基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，其 特征在于，所述步驟IV具體為： 設(shè)克隆種群細胞為Cl，根據(jù)克隆半徑可得： Ci -Hli+alf a 其中克隆個數(shù)為N。，實行每代動態(tài)克隆過程，其克隆個數(shù)根據(jù)克隆步長控制參數(shù)β和初 始細胞種群Ν數(shù)量決定：上式中，i為記憶細胞適應(yīng)度從高到低排序的序號，round()是取整操作。7. 如權(quán)利要求2所述的基于免疫激活調(diào)節(jié)算法的示蹤劑動力學(xué)模型參數(shù)優(yōu)化方法，其 特征在于，所述步驟V中，相似度計算公式為：上式表示了兩細胞mi、mj的相似度，mik、mjk為兩細胞的第k維空間向量，[Low，Upper ]為 該維參數(shù)的取值范圍。
【文檔編號】G06F19/12GK105956414SQ201610281227
【公開日】2016年9月21日
【申請日】2016年4月29日
【發(fā)明人】劉麗, 何艾玲
【申請人】江南大學(xué)