CN117291920B - 基于oct成像的脂质斑块检测分析方法及系统 - Google Patents
基于oct成像的脂质斑块检测分析方法及系统 Download PDFInfo
- Publication number
- CN117291920B CN117291920B CN202311584776.8A CN202311584776A CN117291920B CN 117291920 B CN117291920 B CN 117291920B CN 202311584776 A CN202311584776 A CN 202311584776A CN 117291920 B CN117291920 B CN 117291920B
- Authority
- CN
- China
- Prior art keywords
- data
- lipid
- oct
- distribution
- light absorption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 150000002632 lipids Chemical class 0.000 title claims abstract description 134
- 238000003384 imaging method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 230000031700 light absorption Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000010521 absorption reaction Methods 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000001427 coherent effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000002980 postoperative effect Effects 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 4
- 208000007536 Thrombosis Diseases 0.000 description 3
- 238000002513 implantation Methods 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Abstract
本发明公开了一种基于OCT成像的脂质斑块检测分析方法及系统，包括获取多帧原始光谱OCT数据；根据构建的滤波器对原始光谱OCT数据中，每一帧A‑line数据剔除投影遮挡；将剔除投影遮挡后的数据作为真实光谱数据。根据真实光谱数据得到轴向OCT强度信号，计算不同波段的光吸收系数；根据不同波段的光吸收系数，获得血管内腔的脂质斑块可视化分布数据；根据不同波段的光吸收系数，对血管内腔的脂质成分和非脂质成分进行分类；对分类后的脂质成分和非脂质成分，利用可视化分布数据进行颜色映射。提升了该方法对脂质斑块识别的准确性。提供了三维信息的可视化视图：角度、深度和厚度，给用户更为直接的可视化斑块信息。
Description
技术领域
本发明涉及OCT成像技术领域，尤其涉及基于OCT成像的脂质斑块检测分析方法及系统。
背景技术
易损斑块（Vulnerable Plaque）是指那些不稳定和有血栓形成倾向的斑块。由于易损斑块具有表面包膜非常薄、内部脂质含量大以及炎症物质较多等特点，因而易发生破裂、出血、钙化、或形成血栓。研究表明，易损斑块与心血管疾病的发生紧密相关，是诱发血栓、急性冠脉综合症、冠心病等疾病的主要原因。其中，脂质成分的存在是斑块易损性的重要指标，因此准确地判断出心血管脂质斑块非常重要。近红外光谱分析（Near-infraredspectroscopy, NIRS）基于有机分子对近红外光的吸收，NIRS的结果以“化学图”和彩色编码图的形式显示，表明在给定位置存在脂质核心的可能性，但其只能提供成分数据，无法显示斑块特征。
基于OCT结构图像信息进行斑块识别，一般是通过医生临床经验进行判别或者解读。随着OCT技术的发展，对于脂质斑块的识别，除了依靠临床经验之外，基于图像信息分析或者其它技术方式也可以对斑块进行识别，比如AI技术或者图像光谱技术等。AI技术对图像情况依赖性比较大，样本量、数据库、标注情况都会直接影响AI识别结果，容易导致不稳定情况。近年来，有提出基于近红外光谱吸收对脂质成分识别的方法，如CN115715668A提出了一种结合OCT成像和吸收光谱的脂质斑块检测方法和装置，该方法相对AI技术识别更稳定。但是该方法并没有对干扰组织吸收识别和分类的遮挡结构信息进行处理，不能适用于术后数据，另外对于可视化的三维信息，并没有提出相应解决方案。
现有OCT技术利用脂质斑块在全波段范围内的高吸收系数（或衰减系数）特性来和其他组织成分进行区分，这种全波段的方法特异性和区分度有限；也有OCT技术利用多个（N=16）短时傅里叶变换来构建波长分辨的吸收系数（或衰减系数）曲线进行主成分分析提取脂质斑块，但是这种多波段的方法信噪比较低。
因此，如何提高OCT图像中脂质斑块检测方法的区分度和信噪比是当前急需解决的问题。有研究提出利用分光谱的计算方式，可以提高检测准确性，提高信噪比。但是该方法并没有针对干扰识别的导丝和支架等投影进行数据分析，无法避免这些因素对斑块识别的影响，并且该方法并没有提供可视化的分布方法，无法直观有效的进行临床指导。
因此，现有技术中，对于脂质斑块的检测，如何实现可视化分布以及具体分布方式，如可视化的角度、厚度和深度并没有给出具体的方法。而可视化的角度、厚度和深度因素恰恰是临床关注和重视的因素。因此提供一种基于OCT成像的脂质斑块检测分析方法及系统是极为必要的。
发明内容
因此，本发明的目的在于提供一种基于OCT成像的脂质斑块检测分析方法及系统，能够利用内窥光学成像导管实现血管壁光谱信号提取，利用脂质斑块和非脂质斑块在长波段和短波段的吸收系数差异，实现对血管内脂质斑块组织的分类，构建可视化三维模型，通过斑块量化计算对斑块分布的角度、深度和厚度进行三维模型绘制。
为了实现上述目的，本发明提供的一种相干光成像方法，包括以下步骤：
获取多帧原始光谱OCT数据；
根据构建的滤波器，对原始光谱OCT数据中每一帧A-line数据，剔除导丝或支架的投影遮挡；所述滤波器的计算公式如下：
其中：代表导丝滤波函数，/>代表支架滤波函数。
将剔除投影遮挡后的数据作为真实光谱数据。
进一步优选的，所述滤波器在构建时，利用支架滤波函数，剔除支架的投影遮挡包括如下过程：
获取各种支架的拓扑信息，建立拓扑信息数据库；
利用拓扑算法，根据实际每一帧A-line数据中的支架强度投影信息计算连通域；
过滤低于第一预设阈值的连通域部分，保留剩下的连通域，根据拓扑信息数据库中所有拓扑信息的先验经验，对通过拓扑算法连接的支架投影数据进行校准，剔除伪结构信息。进一步优选的，所述滤波器在构建时，利用导丝滤波函数，剔除导丝的投影遮挡包括如下过程：
获取一线的A-line数据在所有点的光谱强度并求和；重复此过程对采集到所有数据的每条线的光谱所有点求和，按照帧和线重新排列，组成新图像；
对所述新图像按照预设的分割阈值进行分割处理；
对分割后的图像计算连通域，过滤连通域小于第二预设阈值的部分。
本发明还提供一种基于OCT成像的脂质斑块检测分析方法，基于上述相干光成像方法的成像结果进行分析，包括如下步骤：
获取所述所述相干光成像方法得到的真实光谱数据；
对采集的真实光谱数据进行短时傅里叶变换得到轴向OCT强度信号，根据所述轴向OCT强度信号，计算不同波段的光吸收系数；
根据不同波段的光吸收系数，获得血管内腔的脂质斑块可视化分布数据；所述脂质斑块可视化分布数据包括角度分布信息，深度分布信息和厚度分布信息；
根据不同波段的光吸收系数，对血管内腔的脂质成分和非脂质成分进行分类；
对分类后的脂质成分和非脂质成分，利用可视化分布数据进行颜色映射。
进一步优选的，根据所述轴向OCT强度信号，计算不同波段的光吸收系数具体包括：沿深度方向对OCT强度信号去噪，获得去噪后的OCT强度信号；
根据去噪后的OCT强度信号的深度方向特征，计算目标组织区域的光吸收系数，包括以下步骤：
对去噪后的OCT强度信号的深度方向特征在深度方向上进行线性拟合，获得强度深度曲线；
计算强度深度曲线上每一位置的斜率作为当前位置的光吸收系数；
遍历所有位置，获得目标组织区域的光吸收系数。
进一步优选的，所述对血管内腔的脂质成分和非脂质成分进行分类时，采用主成分分析法，根据不同波段的光谱吸收系数，得出每个样本点的主成分得分，在主成分空间中，聚类为脂质组织或非脂质组织。
进一步优选的，所述可视化分布数据采用如下公式进行表示：
其中，表示处理后获得的脂质斑块可视化分布数据，/>表示分布的角度，/>表示分布的深度，/>表示分布的厚度；/>表示真实光谱数据，表示对真实光谱数据进行处理后的表示。
进一步优选的，所述利用可视化分布数据进行颜色映射时，按照如下形式建立颜色映射表。
将采样点的r、g、b值转换为对应的灰度值Gray[0 255]。
本发明还提供一种基于OCT成像的脂质斑块检测分析系统，用于实施意一项脂质斑块检测分析方法的步骤，包括OCT成像模块、光谱数据计算模块和三维可视化处理模块。
所述OCT成像模块用于获取多帧原始光谱OCT数据；对原始光谱OCT数据中每一帧A-line数据，根据构建的滤波器，剔除投影遮挡；将剔除投影遮挡后的数据作为真实光谱数据；
所述光谱数据计算模块用于将真实光谱数据，进行短时傅里叶变换得到轴向OCT强度信号，根据所述轴向OCT强度信号，计算不同波段的光吸收系数；
所述根据不同波段的光吸收系数，获得血管内腔的脂质斑块可视化分布数据；所述脂质斑块可视化分布数据包括角度分布信息，深度分布信息和厚度分布信息；
所述三维可视化处理模块，用于根据不同波段的光吸收系数，对血管内腔的脂质成分和非脂质成分进行分类；对分类后的脂质成分和非脂质成分，利用可视化分布数据进行颜色映射。
本申请公开的基于OCT成像的脂质斑块检测分析方法及系统的有益效果和创新点如下：
本发明在基于OCT结合近红外光谱吸收系数区分脂质斑块技术的基础上，进一步拓展了该方法适用数据的范围，通过精确处理术前术后数据，提升了该方法对脂质斑块识别的准确性。本发明突破了常规的近红外光谱吸收区分斑块的显示方式，提供了三维信息的可视化视图：角度、深度和厚度，给用户更为直接的可视化斑块信息。
本发明的方法能够实现血管内脂质斑块的高灵敏提取适用术前术后各个类型数据，并有效的提高脂质斑块与其他组织成分的区分度，提供用户给直观的可视化分布信息。
附图说明
图1为本发明实施例1提供的相干光成像方法；
图2为本发明实施例2提供的一种基于OCT成像的脂质斑块检测分析方法的流程示意图；
图3为本发明基于OCT成像的脂质斑块检测分析系统的结构示意图；
图4为本发明的实验术前未植入支架结果图；
图5为本发明实施例1的实验术后植入支架结果图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1和图2所示，本发明一方面实施例提供的相干光成像方法以及脂质斑块检测方法能够适用于采集数据为术前数据或术后数据两种情况。
由于一般患者出现血管栓塞后，一般会经历前期的血管介入治疗，介入治疗一般会涉及到置入支架等，因此在进行脂质斑块检测前，需要将置入的支架以及导丝等可能影响脂质斑块检测的数据去除，如果未去除支架或导丝等势必影响光谱数据处理，在进行脂质斑块检测时影响检测结果。
实施例1，本实施例提供一种相干光成像方法包括如下步骤：
S01、获取多帧原始光谱OCT数据；原始光谱OCT数据可包括术前数据和术后数据，其中术前数据是指没有植入支架或者其它器材的光谱数据，术后数据是指包含植入支架的数据。需要说明的是采集数据时，采用扫频OCT或者光谱OCT，OCT工作波段的中心波长在1210-1370 nm之间，具体实施中，OCT工作波段的中心波长为1310 nm，基于中心波长1310nm的OCT系统扫描采集血管内腔组织三维空间的干涉光谱信号。
S02、根据构建的滤波器对原始光谱OCT数据中每一帧A-line数据剔除投影遮挡；
进一步，根据构建的导丝滤波器和支架滤波器对所有帧A-line数据剔除导丝和支架投影遮挡数据。
其中，优化方法见公式：
其中F为输入的原始光谱数据，为有效信号滤波器，用于滤除导丝和支架遮挡内容。G为导丝参数因子，S为支架参数因子，/>为滤波后的数据。
其中：代表导丝滤波函数，/>代表支架滤波函数。
利用导丝滤波函数，剔除导丝的投影遮挡包括如下过程：
获取每一线的A-line数据在所有点的光谱强度并对每一线的所有点光谱强度求和；按照帧和线重新排列，组成新图像；
对所述新图像按照预设的分割阈值进行分割处理；
对分割后的图像计算连通域，过滤连通域小于第二预设阈值的部分。
表示采集到一线的A-line数据在i点的光谱强度，/>表示对一线光谱所有点求和，/>表示对采集到所有数据的每条线的光谱所有点求和，按照帧和线重新排列，组成一个新的图像。/>表示帧数，/>表示线数，/>表示重排后获得的图像。
表示阈值计算，对image图像做阈值分割处理，获得阈值处理后的图像，50为设置的分割阈值。/>表示为对阈值计算后，求连通域，并对连通域做计算，大于100的连通域做保留。
利用支架滤波函数，剔除支架的投影遮挡包括如下过程：
（1）预先建立各种支架的拓扑信息数据库；
（2）利用拓扑算法在实际每一帧A-line数据中的支架强度投影信息计算连通域；
（3）过滤低于第一预设阈值的连通域部分，保留剩下的连通域，根据拓扑信息数据库中所有拓扑信息的先验经验，对通过拓扑算法连接的支架投影数据进行校准，剔除伪结构信息。
其中，表示对获取阈值处理后的图像做拓扑结构计算，对支架的投影部分构建拓扑结构，使得支架拓扑结构部分形成连通域。其中这里的拓扑结构是结合优化的先验信息，是指在构建拓扑结构通过调用预先处理的支架拓扑结构数据库进行模型比对，对通过拓扑方法连接的支架投影数据进行校准，剔除伪结构信息。是对连通域部分进行计算，对连通域小于30的假阳性部分做剔除处理，得到/>支架识别滤波器。
S03、将剔除投影遮挡后的数据作为真实光谱数据；
实施例2，本实施例对剔除投影遮挡后进行脂质斑块检测的过程进行详细描述。
如图2所示，本发明提供一种基于光谱吸收的脂质斑块检测方法，具体包括以下过程：
S11、获取所述真实光谱数据；
S12、对采集的真实光谱数据进行短时傅里叶变换得到轴向OCT强度信号，根据所述轴向OCT强度信号，计算不同波段的光吸收系数；
对光谱信号进行STFT，即短时傅里叶变换，可得到沿深度z波数k可分辨的轴向OCT强度信号S(k,z)，然后，根据深度方向波数可分辨的OCT强度信号特征计算不同波段的光吸收系数（或衰减系数），包括：沿深度方向对OCT强度信号去除平均系统噪声，获得去噪后的OCT强度信号；
根据去噪后的OCT强度信号的深度方向特征计算目标组织区域的光吸收系数（或衰减系数），具体为：对去噪后的OCT强度信号的深度方向特征在深度方向上进行线性拟合，获得强度深度曲线，强度深度曲线上每一位置的斜率作为当前位置的光吸收系数（或衰减系数），获得目标组织区域的光吸收系数（或衰减系数）。
S13、根据不同波段的光吸收系数，获得血管内腔的脂质斑块可视化分布数据；所述脂质斑块可视化分布数据包括角度分布信息、深度分布信息和厚度分布信息；在1310nm波段中，纤维组织和正常组织表现为平坦的吸收特性。而含有胆固醇的脂质在较低波段具有更高的吸收特性，与高波段相比，低波段的吸收占主导地位。这种物质之间的光谱差异可以用来区分富含脂质的斑块和其他组织。其中，脂质斑块表现为在低于1310nm的波段光吸收系数（或衰减系数）差异大，高于1310nm的波段光吸收系数（或衰减系数）差异小。
S14、根据不同波段的光吸收系数，对血管内腔的脂质成分和非脂质成分进行分类；具体分类方法，可以采用前后波段的吸收（或衰减）系数图像相减；根据差值大小分类，或者欧式距离测定、最小二乘法、多元线性回归、主成分分析。这里实施例采用主成分分析（PCA）方法对脂质斑块进行分类，对分光谱吸收（或衰减）系数进行PCA分类，得出每个样本点的主成分得分，在主成分空间中聚类为脂质斑块和其他组织。
具体包括：
根据OCT工作波段的中心波长将血管内腔组织的N（N=2）帧吸收（或衰减）系数图像分为短波段吸收系数图像和长波段吸收系数图像，根据脂质斑块在短长波段吸收（或衰减）系数差异，利用脂质斑块分析方法对短波段吸收系数图像和长波段吸收系数图像进行特征识别，实现脂质斑块的检测。
S15、对分类后的脂质成分和非脂质成分，利用可视化分布数据进行颜色映射。
获得三维信息的展示。包括角度分布信息、深度分布信息和厚度分布信息。用公式表达如下：
其中表示为处理后获得的脂质斑块可视化分布数据，/>表示分布的角度，/>表示分布的深度，/>表示分布的厚度。
对检测后的脂质成分和非脂质成分进行颜色映射。设置一个颜色映射表，该映射表为图像像素灰度值Gray与映射表r、g、b值对照表。如下所示：
脂质成分检测值，分布区间为（0,1）. 通过比例转化使其对应灰度值Gray （0,255）。由此通过脂质检测值转化为对应灰度值，再通过灰度值和颜色映射表关系进行颜色映射。
由于脂质信息分布是围绕图像一圈展示的。按照一圈360°，脂质成分会在不同的位置分布，在进行可视化时，采用不同角度表征脂质成分的不同位置。深度信息表征脂质离表面的深浅，厚度信息表征脂质成分的厚度；由此，根据光谱计算后即可获取的脂质信息的三维分布情况。
但是原始的光谱信息只是纯数据信息，通过吸收或衰减计算可以获得脂质分类信息获取脂质成分。因为计算的脂质成分是以概率形式出现的，根据概率的大小0~1 ,建立一个概率到灰度值的映射，继而再建立一个灰度值到RGB 空间的一个映射，实现脂质信息更好地可视化。
如图3所示，本发明还提供一种基于OCT成像的脂质斑块检测分析系统，用于实施任意一项脂质斑块检测分析方法的步骤，包括OCT成像模块、光谱数据计算模块和三维可视化处理模块。
所述OCT成像模块用于获取多帧原始光谱OCT数据；根据构建的滤波器对原始光谱OCT数据中每一帧A-line数据剔除投影遮挡；将剔除投影遮挡后的数据作为真实光谱数据；
所述光谱数据计算模块用于将真实光谱数据进行短时傅里叶变换得到轴向OCT强度信号，根据所述轴向OCT强度信号，计算不同波段的光吸收系数；
根据不同波段的光吸收系数，获得血管内腔的脂质斑块可视化分布数据；所述脂质斑块可视化分布数据包括角度分布信息、深度分布信息和厚度分布信息；
所述三维可视化处理模块，用于根据不同波段的光吸收系数，对血管内腔的脂质成分和非脂质成分进行分类；对分类后的脂质成分和非脂质成分，利用可视化分布数据进行颜色映射。
如图4和图5所示的对比结果中可以看出：图4 显示的不含深度信息的脂质信息分布情况，脂质分类信息以可视化的图像形式围绕图像一圈，在不同的角度位置分布不同的脂质信息。所使用的数据是术前的，未植入支架的数据。图5 显示计算后含深度信息的脂质信息分布情况，脂质分类信息以可视化的图像形式围绕图像一圈，在不同的角度位置分布不同的脂质信息。使用的数据是术后的，植入支架的数据。图5使用本申请的方法，可以计算脂质深度信息分布、脂质厚度信息分布如图像中黄色脂质信息的厚度分布，还可以计算植入支架之后的图像的脂质信息。
上述实验对比结果充分说明：利用本发明所涉及的一种优化地结合OCT成像和吸收光谱的脂质斑块检测方法，能够有效检测术前术后OCT数据，具有其突出显著的技术效果。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种相干光成像方法，其特征在于，包括以下步骤：
获取多帧原始光谱OCT数据；
利用构建的滤波器，对原始光谱OCT数据中每一帧A-line数据，剔除导丝和支架的投影遮挡；所述滤波器的计算公式如下：
其中：代表导丝滤波函数，/>代表支架滤波函数；
将剔除投影遮挡后的数据作为相干光成像后得到的真实光谱数据；
利用支架滤波函数，剔除支架的投影遮挡包括如下过程：
获取各种支架的拓扑信息，建立拓扑信息数据库；
利用拓扑算法，根据实际每一帧A-line数据中的支架强度投影信息计算连通域；
过滤低于第一预设阈值的连通域部分，保留剩下的连通域，根据拓扑信息数据库中所有拓扑信息的先验经验，对通过拓扑算法连接的支架投影数据进行校准，剔除伪结构信息；
利用导丝滤波函数，剔除导丝的投影遮挡包括如下过程：
获取一线的A-line数据在所有点的光谱强度并求和；重复此过程对采集到所有数据的每条线的光谱所有点求和，按照帧和线重新排列，组成新图像；
对所述新图像按照预设的分割阈值进行分割处理；
对分割后的图像计算连通域，过滤连通域小于第二预设阈值的部分。
2.一种基于OCT成像的脂质斑块检测分析方法，其特征在于，基于上述权利要求1所述的相干光成像方法的成像结果进行分析，包括如下步骤：
获取所述相干光成像方法得到的真实光谱数据；
对采集的真实光谱数据进行短时傅里叶变换得到轴向OCT强度信号，根据所述轴向OCT强度信号，计算不同波段的光吸收系数；
根据不同波段的光吸收系数，获得血管内腔的脂质斑块可视化分布数据；所述脂质斑块可视化分布数据包括角度分布信息，深度分布信息和厚度分布信息；
根据不同波段的光吸收系数，对血管内腔的脂质成分和非脂质成分进行分类；
对分类后的脂质成分和非脂质成分，利用可视化分布数据进行颜色映射。
3.根据权利要求2所述的基于OCT成像的脂质斑块检测分析方法，其特征在于，
沿深度方向对OCT强度信号去噪，获得去噪后的OCT强度信号；
根据去噪后的OCT强度信号的深度方向特征，计算目标组织区域的光吸收系数，包括以下步骤：
对去噪后的OCT强度信号的深度方向特征在深度方向上进行线性拟合，获得强度深度曲线；
计算强度深度曲线上每一位置的斜率作为当前位置的光吸收系数；
遍历所有位置，获得目标组织区域的光吸收系数。
4.根据权利要求2所述的基于OCT成像的脂质斑块检测分析方法，其特征在于，所述对血管内腔的脂质成分和非脂质成分进行分类时，采用主成分分析法，根据不同波段的光谱吸收系数，得出每个样本点的主成分得分，在主成分空间中，聚类为脂质组织或非脂质组织。
5.根据权利要求2所述的基于OCT成像的脂质斑块检测分析方法，其特征在于，所述可视化分布数据采用如下公式进行表示：
其中，表示处理后获得的脂质斑块可视化分布数据，/>表示分布的角度，/>表示分布的深度，/>表示分布的厚度；/>表示真实光谱数据，表示对真实光谱数据处理后的数据。
6.根据权利要求2所述的基于OCT成像的脂质斑块检测分析方法，其特征在于，所述利用可视化分布数据进行颜色映射时，按照如下形式建立颜色映射表；
将采样点的r、g、b值转换为对应的灰度值Gray[0 ，255]。
7.一种基于OCT成像的脂质斑块检测分析系统，用于实施权利要求2-6中任意一项所述的基于OCT成像的脂质斑块检测分析方法的步骤，包括OCT成像模块、光谱数据计算模块和三维可视化处理模块；
所述OCT成像模块用于获取多帧原始光谱OCT数据；根据构建的滤波器对原始光谱OCT数据中每一帧A-line数据，剔除投影遮挡；将剔除投影遮挡后的数据作为真实光谱数据；
所述光谱数据计算模块用于将真实光谱数据，进行短时傅里叶变换得到轴向OCT强度信号，根据所述轴向OCT强度信号，计算不同波段的光吸收系数；
所述根据不同波段的光吸收系数，获得血管内腔的脂质斑块可视化分布数据；所述脂质斑块可视化分布数据包括角度分布信息，深度分布信息和厚度分布信息；所述三维可视化处理模块，用于根据不同波段的光吸收系数，对血管内腔的脂质成分和非脂质成分进行分类；对分类后的脂质成分和非脂质成分，利用可视化分布数据进行颜色映射。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584776.8A CN117291920B (zh) | 2023-11-27 | 2023-11-27 | 基于oct成像的脂质斑块检测分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584776.8A CN117291920B (zh) | 2023-11-27 | 2023-11-27 | 基于oct成像的脂质斑块检测分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291920A CN117291920A (zh) | 2023-12-26 |
| CN117291920B true CN117291920B (zh) | 2024-03-12 |
Family
ID=89239459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311584776.8A Active CN117291920B (zh) | 2023-11-27 | 2023-11-27 | 基于oct成像的脂质斑块检测分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291920B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105246402A (zh) * | 2013-03-08 | 2016-01-13 | 光学实验室成像公司 | 支架可视化和贴壁不良检测系统、设备和方法 |
| KR101906944B1 (ko) * | 2017-07-28 | 2018-10-11 | 계명대학교 산학협력단 | Ivoct 영상 기반 혈관 내강의 자동 분류 방법 및 시스템 |
| CN111768403A (zh) * | 2020-07-09 | 2020-10-13 | 成都全景恒升科技有限公司 | 一种基于人工智能算法的钙化斑块检测决策系统及装置 |
| CN113470137A (zh) * | 2021-06-30 | 2021-10-01 | 天津大学 | 基于灰度加权的ivoct图像导丝伪影去除方法 |
| WO2022007352A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
| CN114052659A (zh) * | 2020-08-06 | 2022-02-18 | 佳能美国公司 | 用于图像同步的方法和系统 |
| CN114820600A (zh) * | 2022-06-27 | 2022-07-29 | 天津恒宇医疗科技有限公司 | 基于oct图像的冠脉血管内支架检测方法及检测系统 |
| CN115715668A (zh) * | 2022-11-15 | 2023-02-28 | 浙江大学 | 一种结合oct成像和吸收光谱的脂质斑块检测方法和装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7865231B2 (en) * | 2001-05-01 | 2011-01-04 | The General Hospital Corporation | Method and apparatus for determination of atherosclerotic plaque type by measurement of tissue optical properties |
| WO2011150069A2 (en) * | 2010-05-25 | 2011-12-01 | The General Hospital Corporation | Apparatus, systems, methods and computer-accessible medium for spectral analysis of optical coherence tomography images |
| US8750615B2 (en) * | 2010-08-02 | 2014-06-10 | Case Western Reserve University | Segmentation and quantification for intravascular optical coherence tomography images |
| ITMI20121156A1 (it) * | 2012-06-29 | 2013-12-30 | Consiglio Nazionale Ricerche | Metodo di elaborazione di immagini di tomografia a coerenza ottica |
| US20220092791A1 (en) * | 2018-04-12 | 2022-03-24 | Veran Medical Technologies, Inc. | Methods for the Segmentation of Lungs, Lung Vasculature and Lung Lobes from CT Data and Clinical Applications |
| US11710238B2 (en) * | 2019-10-24 | 2023-07-25 | Case Western Reserve University | Plaque segmentation in intravascular optical coherence tomography (OCT) images using deep learning |
| US11963740B2 (en) * | 2019-12-05 | 2024-04-23 | Canon U.S.A., Inc. | Lumen, stent, and/or artifact detection in one or more images, such as in optical coherence tomography images |
| US20220192517A1 (en) * | 2020-12-23 | 2022-06-23 | Dyad Medical, Inc. | Systems and methods for detection of plaque and vessel constriction |
-
2023
- 2023-11-27 CN CN202311584776.8A patent/CN117291920B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105246402A (zh) * | 2013-03-08 | 2016-01-13 | 光学实验室成像公司 | 支架可视化和贴壁不良检测系统、设备和方法 |
| KR101906944B1 (ko) * | 2017-07-28 | 2018-10-11 | 계명대학교 산학협력단 | Ivoct 영상 기반 혈관 내강의 자동 분류 방법 및 시스템 |
| CN111768403A (zh) * | 2020-07-09 | 2020-10-13 | 成都全景恒升科技有限公司 | 一种基于人工智能算法的钙化斑块检测决策系统及装置 |
| WO2022007352A1 (zh) * | 2020-07-10 | 2022-01-13 | 温州医科大学 | 一种基于光学相干断层扫描系统的脉络膜三维血管成像及定量化分析方法与装置 |
| CN114052659A (zh) * | 2020-08-06 | 2022-02-18 | 佳能美国公司 | 用于图像同步的方法和系统 |
| CN113470137A (zh) * | 2021-06-30 | 2021-10-01 | 天津大学 | 基于灰度加权的ivoct图像导丝伪影去除方法 |
| CN114820600A (zh) * | 2022-06-27 | 2022-07-29 | 天津恒宇医疗科技有限公司 | 基于oct图像的冠脉血管内支架检测方法及检测系统 |
| CN115715668A (zh) * | 2022-11-15 | 2023-02-28 | 浙江大学 | 一种结合oct成像和吸收光谱的脂质斑块检测方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| CT金属伪影去除阅读笔记（IDOL-Net);你眼里藏了星星;《https://zhuanlan.zhihu.com/p/584406921》;论文第1-7页 * |
| Mean-Subtraction Method for De-Shadowing of Tail Artifacts in Cerebral OCTA Images: A Proof of Concept;Woo June Choi 等;《materials》;论文第1-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291920A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340789A (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
| CN108470156B (zh) | 一种心音信号分类识别方法 | |
| CN110338813B (zh) | 一种基于频谱分析的无创血糖检测方法 | |
| JP5948831B2 (ja) | 測定装置、測定方法、プログラム及び記録媒体 | |
| JPH10503961A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
| EP2344982A1 (en) | Methods for tissue classification in cervical imagery | |
| CN113470137B (zh) | 基于灰度加权的ivoct图像导丝伪影去除方法 | |
| CN112949639B (zh) | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 | |
| CN109389568B (zh) | 自动测量皮肤光学相干层析图像中表皮厚度的方法 | |
| CN111387959A (zh) | 一种基于ippg的非接触式生理参数检测方法 | |
| JP2018534587A (ja) | 細胞それぞれが産生するｆｔｉｒスペクトルによって細胞を同定又は分類することから成る、サンプルを分析するための方法、コンピュータプログラム、及びシステム | |
| CN110060261B (zh) | 一种基于光学相干层析成像系统的血管分割方法 | |
| CN117291920B (zh) | 基于oct成像的脂质斑块检测分析方法及系统 | |
| CN113729653A (zh) | 一种人体脉搏波信号采集方法 | |
| CN111134634B (zh) | 一种基于聚类分析的光电容积脉搏波分析处理方法 | |
| US20220061920A1 (en) | Systems and methods for measuring the apposition and coverage status of coronary stents | |
| CN112508859A (zh) | 一种基于小波变换的子宫内膜厚度自动测量方法及系统 | |
| CN113143292B (zh) | 基于eeg和血清炎症因子分析的脑损伤标志物分析系统 | |
| CN111028219B (zh) | 一种结肠图像识别方法、装置以及相关设备 | |
| CN113951855A (zh) | 基于人脸的非接触式心率测量方法 | |
| CN112037242B (zh) | 皮肤光学相干层析成像图像中表皮层的自动识别方法 | |
| CN110956107A (zh) | 一种基于oct扫描系统的三维血管类型区分方法 | |
| CN112043263B (zh) | 一种对新生儿脑电信号中其它仪器产生的伪差的识别系统和方法 | |
| CN115456889A (zh) | 一种基于光学相干断层成像的图像降噪技术 | |
| US20230285004A1 (en) | Ultrasound data processor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |