一种基于LSTM神经网络的荧光寿命还原算法

为解决宽寿命范围内荧光寿命成像效果不佳的问题,提出了一种基于长短时记忆神经网络的荧光寿命还原算法。该算法采用具备时序记忆功能的长短时记忆神经网络来实现对时间相关单光子计数的荧光寿命衰减直方图的特征提取,利用深度学习技术进行荧光寿命衰减信息的学习。采用网格搜索法选取神经网络模型的超参数并进行模型的训练和测试,以1~100 ns荧光寿命进行预测的精确度作为评价标准,选取最优模型进行荧光寿命还原,最终实现宽寿命范围的荧光寿命成像。蒙特卡罗仿真结果表明,所提出的还原算法在1~90 ns的荧光寿命范围内的还原准确度可达95%,与质心法相比可还原的荧光寿命范围提升了4.5倍,与最小二乘法相比有更高的长荧光寿命还原精度,同时还原速度提高了8倍。该算法适用于不同应用领域的精确时域荧光寿命成像。