CN103970982A - 用于从扩散反射数据估计生物物理学模型的生物学参数向量的基于对照的反演 - Google Patents

Abstract

公开用于利用获自基于反射的光谱测量系统的反射测量结果估计生物物理学模型生物学参数向量的系统和方法。本方法利用半经验生物物理学模型来描述皮肤性质和估计反射光谱，和利用计算效率的基础向量来减少估计的和测量的反射光谱的维数。算法的混合用于产生初始参数组，其进而利用迭代的基于对照的技术被进一步细化，其中将得自测量光谱的参数之间的差错与从估计光谱计算的参数进行比较。然后处理这些差错以对初始参数组产生小δ。重复该过程直到估计的虚拟生物学参数和测量的虚拟生物学参数之间的差错降到零或另外在预先限定的阈水平之下。

Description

用于从扩散反射数据估计生物物理学模型的生物学参数向量的基于对照的反演

技术领域

本发明涉及从利用基于反射的光谱测量系统由暴露的皮肤区域表面离体获得的光谱测量结果来估计生物物理学模型生物学参数向量的系统和方法。

公开从获自基于反射的光谱测量系统的测量光谱来估计生物物理学模型生物学参数向量(生物学参数向量)的系统和方法。

图1显示人皮肤的基本结构。

图2显示一双人手，左手上有单个损害(在201)，右手皮肤上有两个损害(在202和203)。

图3显示获自IMEC的高光谱照相机，其是完全集成的CMOS兼容的高光谱传感器——由一组滤光片组成，该滤光片在商业上可获得的CMOSISCMV4000图像传感器的顶部以晶片水平被直接后处理。

图4显示用于从人手表面捕获反射测量结果用于根据此估计生物学参数向量的示例基于反射的光谱测量系统的一个实施方式。

图5显示K-M模型与蒙特卡罗模型对于来自具有n=1的屈光指数的半无限介质扩散反射数据的比较。

图6显示半经验K-M模型与蒙特卡罗的比较。

图7显示对由薄的(有限的)顶层和半无限底层组成的两层几何图形导出的半经验K-M模型。

图8显示半经验K-M与蒙特卡罗的图7两层结构的比较。

图9显示两层皮肤模型的基于对照的反演的系统框图的一个实施方式。

图10是显示估计生物物理学模型生物学参数向量的本方法的一个实施方式的流程图；

图11是图10流程图的继续，继续关于结点A或结点B的流程处理；

图12显示实现本方法多个方面的一个示例的图像处理系统的框图。

“生物学实体”指具有暴露皮肤区域的任何感兴趣对象，测量的光谱可从其获得并根据本文公开的教导来处理。虽然术语“人(human)”、“人(person)”或“患者”可遍及本公开的各点使用，但是应当理解本发明涉及的生物学实体可以是除人外的某事物。因此，“人”、“患者”或“人”的使用不被视为将所附权利要求的范围严格限制到人。

“皮肤”保护下面的组织、内脏和其它解剖结构抵抗撞击、磨损、紫外线辐射、化学暴露，仅举几个例子。图1显示人皮肤——显示其基本结构——的横断面。皮肤占总体重的大约16％。皮肤富含神经，神经提供给脑关于与外部世界物理接触的感觉数据。如图1所示，皮肤包括三层，即，表皮、真皮和皮下组织层。表皮无血，上皮细胞占优势，和依赖营养物和氧从真皮层内毛细血管的扩散。皮肤呈色中涉及的原始色素是胡萝卜素和黑色素。这两种色素均存在于表皮中。表皮层中的黑素细胞产生多种称作黑色素的色素阴暗部分，其保护下面的组织抵抗紫外线辐射。真皮层位于表皮和皮下组织层之间并由具有血管网络、淋巴结构、神经纤维和附属器官如毛囊和汗腺的多层组成。皮下组织层中脂肪组织占优势。皮下组织层充当皮肤结构和身体其余部分之间的界限。

“皮肤癌”指呈癌性的皮肤上的生长或损害。虽然一些癌症出现在更深的结构中，大多数皮肤癌发生在外(表皮)层。存在三种常见的皮肤癌，即，基底细胞癌、鳞状细胞癌和黑素瘤。通常，皮肤上随着时间增加的任何生长(肿瘤)或异常脱色(损害)都怀疑是皮肤癌。本文中的实施方式特别涉及促进皮肤癌的检测和诊断。

“目标区域(感兴趣的区域)”是暴露的皮肤区域。图2显示一双用作说明的的手，左手具有单个标记201，右手具有两个标记202和203。在那些实行中——其中本文中的教导用于皮肤癌诊断，标记自身是感兴趣的。目标区域可以是感兴趣的标记周围的区域。一个这样的区域显示在标记203周围的204。皮肤上的损害可被分段以确定将损害与周围正常的皮肤分开的边界，因此将本文中的计算复杂性只限制在取自利用光谱反射传感装置在不同的波长捕获的连续图像的区域内的那些像素。

“光谱反射传感装置”是具有光谱图像捕获能力的成像系统。这样的成像系统产生针对图像中每个像素获得的光谱测量结果。光谱反射传感装置可以是分光计、分光光度计、多光谱照相机和高光谱照相机，其在本领域已知。在另一个实施方式中，光谱反射传感装置是能够捕获颜色和光谱数据的混合成像系统。分光光度计是可测量作为光源波长函数的强度的光度计。分光光度计的重要特征是光谱带宽和吸收或反射测量结果的线性范围。分光光度计只提供点测量结果。分光计是根据光学信号的波长分离光学信号的光学仪器。这些专门的仪器配有不同的光谱响应和获自多种商业流的卖主。分光计可定制有探针和不同光源(例如，钨卤素光)以测量来自表面的反射光。

“多光谱照相机”可以是多光谱或高光谱成像系统。两个实施方式均通常包括光谱传感器阵列，其测量从目标反射的光。多光谱照相机可在可见波长带或在IR波长带或在这两种带中运行。多光谱照相机通常具有至少一个用于照亮物体的光源和检测器阵列，每个检测器具有各自窄的带通滤波器。在不同的实施方式中，多光谱照相机包括多个用于在每个波道基础上输出反射值的输出，和可进一步包括用于处理和储存反射值的处理器和储存装置。这样的照相机系统还可集成存储装置、存储器和能够执行机器可读程序指令的处理器。

“高光谱照相机”结合光谱学和成像，因此可在利用传统RGB成像方法不能准确区别的不同物体之间辨别。大多数高光谱照相机把它们的分光镜能力归于衍射光栅，其将传播来自传感器上窄裂隙状孔的光。如果将狭缝定向在×方向，那么然后通过可移动镜扫过景物上的孔而建立y方向上的图像。窄狭缝和长焦距产生细化光谱和空间分辨率，但是以处理量(因为孔小)、照相机大小(由于多个光学元件)和机械复杂性(因为光学仪器是可动的)为代价。在这样的高光谱照相机上，如图3所示，是完全集成的CMOS兼容性高光谱传感器。

“测量的光谱”——被表示为R_m(λ)——指利用光谱反射传感装置在λ波长获得的反射测量结果。

“接收测量的光谱”意欲被广泛解释和指取回、接收、捕获、下载或另外获得用于根据本文公开的方法处理的光谱测量结果。测量的光谱的值可作为单个值被接收，或作为实时光谱数据的连续流接收。测量的光谱可以在连续的基上从光谱反射传感装置接收或经有线或无线网络由远距离装置接收。

“生物学参数向量”——通常表示为——指生物学参数的向量。生物学参数可以是以下中任何一个：表皮厚度、黑色素浓度、皮肤血量分数、皮肤氧饱和和光散射参数。

“初始生物学参数向量”——被表示为——是这样的生物学参数向量，其在第一重复中提供给生物物理学模型以获得估计光谱。初始生物学参数向量利用，例如，同步扰动随机逼近(SPSA)、莱文贝格-马夸特算法(Levenberg-MarquardAlgorithm)(LMA)或遗传算法产生，其被广泛了解。简言之，SPSA是发现全局极小值的下降法。它的主要特点是只需要目标函数的两个测量结果的梯度逼近，而不管潜在的优化问题的尺度。作为优化技术，它非常适合自适应模型和模拟并广泛用于优化具有多个未知参数的系统。实例提供在SPSA网站。莱文贝格-马夸特算法(LMA)在函数的参数空间里提供最小化函数，通常非线性的问题的数值解。这些最小化问题特别出现在最小二乘法曲线拟合和非线性规划中。必要地，LMA插入在高斯-牛顿算法(GNA)和梯度下降方法之间。LMA通常较GNA更强大，这意味这，在许多情况中，甚至当它远离最后的极小值开始时，它可发现解。LMA是用于许多软件应用以用于解决一般的曲线拟合问题的流行算法。然而，LMA只发现局部极小值，不是全局极小值。遗传算法(GA)是搜索启发式研究，其模拟自然进化的过程。GA属于用于产生优化和搜索问题的解答的更大种类的进化算法(EA)。

“半经验生物物理学模型”或简单地“生物物理学模型”是这样的模型，其作为输入接收生物学参数向量和作为输出产生估计光谱。

“估计光谱”——被指示为——指这样的光谱，其是估计的(与测量的光谱相对)和通过生物物理学模型产生。在一个实施方式中，估计光谱通过以下关系定义：

${\underset{\‾}{R}}_e\left(\mathrm{\λ}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i{\underset{\‾}{\mathrm{\ψ}}}_i\left(\mathrm{\λ}\right)---\left(1\right)$

其中P_i是生物学参数向量P的第i个参数，是第i个列式(column-wise)基础向量，每个元素沿着给定行代表波长λ的基础值，N是参数的数目。基组通过生物物理学模型上的实验设计(DOE)或通过蒙特卡罗模拟来构建。

“测量的虚拟生物学参数向量”是通过已将接收的测量的光谱转换成向量表示的低维虚拟参数空间而获得的生物学参数向量。在一个实施方式中，向量通过以下关系定义：

${\underset{\‾}{P}}_m={\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_m\left(\mathrm{\λ}\right)---\left(2\right)$

其中是列式基础向量，沿着行的每个元素代表波长λ的基础值，T是转置操作。

“估计的虚拟生物学参数向量”是已将估计光谱转换成向量表示的低维虚拟参数空间的结果。在一个实施方式中，向量通过以下关系定义：

${\underset{\‾}{P}}_e={\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_e\left(\mathrm{\λ}\right)---\left(3\right)$

其中是列式基础向量，沿着行的每个元素代表波长λ的基础值，T是转置操作。

“下一个估计的虚拟生物学参数向量”是针对在下一个重复中使用而获得的估计的虚拟生物学参数向量。如本文更全面公开的，下一个估计的虚拟生物学参数向量利用反馈控制器来确定，反馈控制器包括具有增益矩阵的MIMO积分控制器，其中增益矩阵通过已计算在额定参数值的雅可比矩阵利用极点配置策略或线性二次调整子(LQR)来设计。

“最后估计的虚拟生物学参数向量”——被表示为——指当测定为测量的虚拟生物学参数向量和下一个估计的虚拟生物学参数向量之间比较的结果的差错在或低于阈水平时，迭代过程输出的最后估计的虚拟生物学参数向量。

现在参考图4，其显示示例的基于反射的光谱测量系统400的一个实施方式。

在图4中，示例的人手402反射光束——共同地在403，由照明装置401在许多种波长中任一个发射的，以便至少部分反射光404被光谱测量系统400的光学仪器405接收。光学仪器405具有一个或多个透镜406，其用于聚焦接收的反射光404。这样的光学仪器可包括一个或多个通带滤波器，其只允许期望波长的窄带中的光通过。滤波器可被连续改变以获得相同图像的N波长带。将聚焦的光407指引到检测器阵列408上，检测器408独立地记录在沿着多维格栅的多个像素位置的强度值以便接收的光被空间地分解以形成IR图像409。在一个实施方式中，检测器阵列408包括多光谱IR检测装置，其光谱内容是可选择的。合适的光学仪器405和检测器阵列408通常在商业中找到。传感器阵列408将手402的捕获的IR图像409的像素强度值410提供给计算机工作站411。计算机工作站可以与光谱测量系统400的多个部件通讯地放置以控制，例如，光学仪器405的焦点和检测器阵列408的灵敏度。

工作站411显示具有显示器412和键盘413，其共同地包括图形用户界面。图形用户界面使图4系统的操作员或用户能够进入或另外选择一个或多个菜单选项和用于修改装置设置。可选地，利用触摸屏显示器，其使用户能够通过物理地触摸显示器412表面来选择菜单选项。通过使用图形用户界面，用户可限定初始生物学参数、开始各种计算操作和观察结果。

工作站进一步包括容纳主板、CPU、存储器、界面、储存装置和通讯连接如网卡的计算机机箱414。在该实施方式中，配置工作站411以接收捕获物IR图像的信号和进行本文中教导的各个方面——其相对于图9的系统被进一步描述以便可产生最后实际估计虚拟生物学参数向量和与储存装置415或与计算机可读介质416互通。

应当理解，工作站411必需包括能够执行机器可读程序指令的处理器以进行本文描述的功能。

扩散反射光谱术由测定来自扩散反射测量的吸收和散射样品的辐射性质性质组成。在生物学应用中，辐射介质可被塑造为强烈散射多层介质，其辐射性质在每层内是恒定的，但是在层与层之间不同。皮肤由称作表皮的外层和称作真皮的下面层组成。像这样，人皮肤可被塑造为两层系统。由于黑色素含量，表皮被表征为紫外线和光谱的可见部分的强吸收。血液和结缔组织负责真皮中的吸收和散射。血液的吸收特征取决于氧合血红蛋白和去氧血红蛋白的浓度。两层模型使人皮肤能够被合理地近似有限表皮覆盖半无限真皮。假设皮下组织扩散所有的可见光，因为皮下脂肪中没有色球。两层皮肤模型可用于使皮肤性质与皮肤光学系数相关联，其反过来利用例如半经验库伯卡-芒克模型可产生扩散反射的合理准确的估计。辐射性质，如吸收和散射，可与透光率和反射光谱相关。

控制光子运输的基本方程被称作辐射传输方程(RTE)。RTE的一个实施方式被写作：

$\▿I_{\mathrm{\λ}}(\stackrel{\→}{r},\hat{s})\·\hat{s}={\mathrm{\ϵ}}_{\mathrm{\λ}}{I}_{\mathrm{\λ}}(\stackrel{\→}{r},\hat{s})-{\mathrm{\σ}}_{\mathrm{\α},\mathrm{\λ}}{I}_{\mathrm{\λ}}(\stackrel{\→}{r},\hat{s})+{\mathrm{\σ}}_{s,\mathrm{\λ}}{I}_{\mathrm{\λ}}(\stackrel{\→}{r},\hat{s})+{\mathrm{\σ}}_{s,\mathrm{\λ}}\underset{4\mathrm{\π}}{\∫}{I}_{\mathrm{\λ}}(\stackrel{\→}{r},\hat{s})P({\hat{s}}_i,\hat{s})d{\mathrm{\Ω}}_i---\left(4\right)$

其中I_λ是在方向在位置的光谱强度。σ_α,λ和σ_s，λ是吸收和散射光谱。ε_λ是发射光谱。积分表示以方向散射的光。是方向的光子将以方向散射的概率，并被称作相函数。如果在介质(例如空气和皮肤)之间界面的适当的边界条件被准确地限定，那么RTE可被解。这些边界条件采取熟知的斯内尔定律和菲涅耳方程的形式。RTE可利用数值方法来解。一个这样的数值方法是蒙特卡罗方法，其中吸收和散射被处理为随机事件，其通过取样步骤大小和角变位的概率分布而被塑造。一旦结构(即，界面)和性质(即，吸收和散射光谱)已被限定，蒙特卡罗就相当准确。

对于平面几何图形，RTE可被充分简化以产生分析的解。它可被显示，单个参数——称作有效运输反照率——可用于描述光子运输。在一个实施方式中，这由以下给出：

$W_{\mathrm{tr}}=\frac{{\mathrm{\σ}}_s(1-g)}{{\mathrm{\σ}}_{\mathrm{\α}}+{\mathrm{\σ}}_s(1-g)}---\left(5\right)$

它还可以被显示，1D RTE基本上等于库伯卡-芒克(K-M)两个通量模型，由于其计算效率，其广泛用于模仿打印图像中的颜色。然而，应当理解，当与蒙特卡罗相比时，K-M模型不是很准确。图5显示K-M模型与蒙特卡罗对于来自具有n=1的屈光指数的半无限介质扩散反射的比较。图6显示半经验K-M模型与蒙特卡罗的n范围的比较，其中n是层的屈光指数。图7显示对由薄的(有限的)顶层和半无限底层组成的两层几何图形导出的半经验K-M模型。

在一个实施方式中，针对从有限层上表面的扩散反射的两层半经验K-M模型通过以下定义：

R^*(R_{_}(w_tr1)-R_{_}(w_tr2))+R_wtr2 (6)

其中R_{_}是单层半经验K-M模型，其由以下给出：

$R=(1-{\mathrm{\ρ}}_{01})(1-{\widehat{\mathrm{\ρ}}}_{10})\frac{\widehat{R_d}}{1-{\widehat{\mathrm{\ρ}}}_{10}\widehat{R_d}}---\left(7\right)$

其中：

${\widehat{\mathrm{\ρ}}}_{10}({\mathrm{\η}}_1,w_{\mathrm{tr}})={\mathrm{\ρ}}_{10}+{\mathrm{\Σ}}_{i=0}^N{A}_i{\left(w_{\mathrm{tr}}\right)}^i---\left(8\right)$

$\widehat{R_d}({\mathrm{\η}}_1,w_{\mathrm{tr}})=R_d+\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{B}_i{\left(w_{\mathrm{tr}}\right)}^i---\left(9\right)$

其中ρ₀₁是镜反射系数，ρ₁₀是从介质到空气的表面反射，R_d是K-M扩散反射，其由以下给出：其中a是表示为w_tr的函数的K-M参数。符号‘∧’表示的量指经验性修改的量，获自回归的经验系数A_i和B_i与蒙特卡罗结果吻合。参数R^*是匹配参数，其由以下给出：

$R^{*}=\frac{\tanh \left(Y\right)}{1/\mathrm{\α}+(1-1/\mathrm{\α})\tanh \left(Y\right)}---\left(10\right)$

其中Y是K-M顶层光学厚度，α是经验因子，其是w_tr2的函数，以至于：

$1/\widehat{\mathrm{\α}}=\underset{i=0}{\overset{M}{\mathrm{\Σ}}}{C}_i{\left(W_{\mathrm{tr}2}\right)}^i---\left(11\right)$

图8显示半经验K-M与蒙特卡罗的图7两层结构的比较。

皮肤模型将皮肤性质映射到皮肤层的光学性质，其然后可用于利用半经验K-M模型计算反射光谱。

一般而言，皮肤模型中的吸收σ_a和散射光谱σ_s采取以下形式：

${\mathrm{\σ}}_{\mathrm{\α},i}=f\left(\underset{\‾}{p}\right),{\mathrm{\σ}}_{s,i}=g\left(p\right)---\left(12\right)$

其中是皮肤性质的向量，f和g是映射函数，其将这些性质映射到皮肤层i的光学性质。可见的到NIR中的皮肤模型的细节可在上面并入的Yudovsky和Pilon的参考文献“Simple And Accurate Expressions For Diffuse Reflectance OfASemi-Infinite And Two-Layer Absorbing And Scattering Media”和“Retrieving SkinProperties FromInVivo SpectralReflectance Measurements”中找到。在该范围中，两层半经验K-M模型特别重要，因为皮肤可被合理地近似有限表皮覆盖半无限真皮层。在本文中的各种实施方式中，皮肤参数由以下向量给出：

${\underset{\‾}{p}=[L_{\mathrm{epi}},f_{\mathrm{mel}},f_{\mathrm{blood}},{\mathrm{SO}}_2,C_s]}^T---\left(13\right)$

其中L_epi是表皮层厚度，f_mel是表皮中的黑色素浓度，f_blood是真皮层中血液的体积分数，SO₂是血液中的氧饱和，C_s是光散射参数。T是用于表示转置操作的符号。已发现真皮和表皮的屈光指数是≈1.44，两层中的散射各向异性参数(g)可被充分近似≈0.77。半经验K-M模型的准确度对g相对不敏感。

表皮中的吸收光谱可以以下面的方式表示：

σ_a,epi(λ)=σ_a,melf_mel+σ_a,bkg(1-f_mel) (14)

其中σ_a,mel是黑色素消光光谱，σ_a,bkg是背景吸收光谱，其中σ_a,bkg=7.84x10⁸λ^-3.255。

相似地，真皮中的吸收光谱可以以下面的方式表示：

σ_a,derm(λ)=σ_a,bloodf_blood+σ_a,bkg(1-f_blood) (15)

其中σ_a,blood是血液吸收光谱，其可被进一步表示为：σ_a,blood=σ_a,oxy+σ_a,deoxy，其中σ_a,oxy和σ_a,deoxy分别是氧合和去氧合的血的吸收光谱，如下面所定义的：

${\mathrm{\σ}}_{a,\mathrm{oxy}}=\frac{{\mathrm{\ϵ}}_{\mathrm{oxy}}\left(\mathrm{\λ}\right)C_{\mathrm{heme}}{\mathrm{SO}}_2}{\mathrm{64,500}}---\left(16\right)$

${\mathrm{\σ}}_{a,\mathrm{deoxy}}=\frac{{\mathrm{\ϵ}}_{\mathrm{deoxy}}\left(\mathrm{\λ}\right)C_{\mathrm{heme}}(1-{\mathrm{SO}}_2)}{\mathrm{64,500}}---\left(17\right)$

其中ε_oxy和ε_deoxy分别是氧合和去氧合血红蛋白的摩尔消光系数，C_heme是血液中血红蛋白浓度，其通常是150g／升。真皮和表皮中的散射光谱是：σ_s(λ)=G_sx10⁵λ^-1.30，C_s=5x10⁵。这完成了两层皮肤模型的描述。

现在参考图9，其显示用于皮肤模型反演的系统900框图的一个实施方式。给定方程(13)的初始参数向量可产生估计的反射光谱。迭代的基于控制的加细方法用于进一步提高估计的虚拟生物学参数向量的准确度。迭代通过以下操作在皮肤模型上进行：比较测量的虚拟参数向量和估计的虚拟参数向量之后处理差错以产生在下一个迭代上使用的新的估计虚拟生物学参数向量。当迭代法会聚时，和之间计算的差错向量的范数将接近零，或可开始变得更高。

在图9中，将测量的光谱R_m(λ)(在902)提供给区块‘A’(在903)，其中利用，例如，最小二乘法方法将测量的光谱转换成较低维的虚拟参数以获得测量的虚拟生物学参数向量(在904)。将测量的虚拟生物学参数向量904提供给反演算法，概括地显示在905，其中将测量的虚拟生物学参数向量904提供给比较器906，其比较该向量与估计的虚拟生物学参数向量(在907)以确定其间的差错E(在908)。还将测量的虚拟生物学参数向量904提供给逆变器909，其利用遗传算法(GA)来取得初始生物学参数向量(在910)。限制性的-LMA或SPSA还可用在模型909中。将确定的差错908提供控制器911，其被添加(在912)到获得的向量910以产生下一个估计的虚拟生物学参数向量(在913)。将下一个估计的虚拟生物学参数向量913储存到储存装置914。应当理解，在第一迭代上，将初始生物学参数向量910作为输入提供给生物物理学模型915以获得估计光谱(在916)。优选地设计控制器以便在接近零值达到会聚。

在图9的实施方式中，反馈控制器911包括具有增益矩阵K的MIMO(多输入多输出)积分控制器，增益矩阵己通过计算在生物学参数向量额定值的雅可比行列式利用极点配置策略或LQR(线性二次调整子)来设计。应当注意，迭代其间，当差错向量的范数是零时，估计光谱将准确匹配测量的光谱；当然，只要使用的数字基础完全近似生物物理学模型。实际上，由于局限性，包括，例如，测量的光谱中的噪声，两个光谱之间的准确匹配不会达到。将迭代优选地进行直到差错向量的范数在或低于可接受的用户限定的阈水平。优选地储存迭代历史。

将产生的估计的反射光谱916提供给区块‘B’(在917)，其中将参数转换成由表示的较低维的虚拟参数空间(在907)。应当理解，向发生在区块‘A’中的较低维的参数空间的转换与发生在区块‘B’中的转换相同。在其它实施方式中，将区块‘A’和区块‘B’组合进单个区块。

图9的系统是迭代过程，其重复直到最小差错的会聚。会聚之后，确定储存在储存装置915中的最后的生物学参数向量913是最后估计的虚拟生物学参数向量

形式导出

使表示含有基础函数的矩阵。通过在生物物理学模型上或在蒙特卡罗模拟器上进行实验设计(DOE)而构建自然基组。应当理解，还可使用其它数学基础函数(例如，子波、DCT等)。自然基组是优选的，因为它可导致显著较低维的虚拟参数。

对于通常的估计光谱(λ），使估计的虚拟生物学参数向量其中P_i是第i个参数，T表示转置操作，N是参数的数目。估计光谱的方程可以如下以自然基组的形式得出：

$R_e\left(\mathrm{\λ}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i{\underset{\‾}{\mathrm{\ψ}}}_i\left(\mathrm{\λ}\right)=[{\underset{\‾}{\mathrm{\ψ}}}_1\left(\mathrm{\λ}\right),{\underset{\‾}{\mathrm{\ψ}}}_2\left(\mathrm{\λ}\right),...,{\underset{\‾}{\mathrm{\ψ}}}_N\left(\mathrm{\λ}\right)]\left[\begin{array}{c}{P}_1\\ P_2\\ .\\ .\\ .\\ P_N\end{array}\right]=\mathrm{\ψ}\left(\mathrm{\λ}\right){\underset{\‾}{p}}_e---\left(18\right)$

将方程(14)的两侧乘以和重排项，我们得到：

${\underset{\‾}{P}}_e={\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_e\left(\mathrm{\λ}\right)---\left(19\right)$

相似地，我们得到对于区块A的输出。

${\underset{\‾}{P}}_m={\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_m\left(\mathrm{\λ}\right)---\left(20\right)$

现在参考图10的流程图。处理在步骤1000开始。

在步骤1002，接收测量的光谱接收的测量的光谱包括以波长λ由光谱反射传感装置从生物学实体表面获得的离体光谱反射测量结果。生物学实体表面由生物物理学模型代表，将对其估计生物学参数向量

在步骤1004，将初始生物学参数向量提供给生物物理学模型以获得估计光谱

在步骤1006，将测量的光谱转换成测量的虚拟生物学参数向量表示的低维虚拟参数空间。

在步骤1008，将估计光谱转换成估计的虚拟生物学参数向量表示的低维虚拟参数空间。

在步骤1010，比较测量的虚拟生物学参数向量与估计的虚拟生物学参数向量以获得差错向量的量。

在步骤1012，确定是否差错向量(步骤1010的)小于预先限定的阈值。

如果，作为步骤1012的确定结果，差错小于阈水平，那么然后相对于结点A处理继续，其中，在步骤1013中，确定最后的估计虚拟生物学参数向量是期望的最后估计的虚拟生物学参数向量

在步骤1014，将最后估计的虚拟生物学参数向量与储存装置如，例如，图9的储存装置914连通。此后，在该实施方式中，停止进一步的处理。如果，作为步骤1012的确定结果，确定差错大于或等于预先限定的阈水平，那么然后相对于结点B处理继续，其中，在步骤1016中，基于确定的差错量产生下一个估计的虚拟生物学参数向量。

在步骤1018，将下一个估计的虚拟生物学参数向量提供给生物物理学模型以获得下一个估计光谱。

在步骤1020，将下一个估计光谱转换成由下一个估计的虚拟生物学参数向量表示的低维虚拟参数空间。此后相对于结点C处理继续，其中，在步骤1010，比较测量的虚拟生物学参数向量与该下一个估计的虚拟生物学参数向量以获得差错向量的量。处理以这样的方式重复处理，直到差错被确定在期望的阈水平之下。

现在参考图12，其显示实现关于图10和11的流程图和图9的迭代系统描述的本方法各个方面的一个示例的处理系统的框图。

在图2中，光谱反射传感装置1202捕获置于装置的视场1203中感兴趣的对象暴露的皮肤区域的一个或多个IR图像。光谱测量装置1202的各种实施方式可包括关于图4的系统显示和讨论的特点和功能性的一些或全部。将捕获的图像数据传达到图像处理系统1204。在图12的实施方式中，图像处理系统包括使接收的图像数据排队的缓冲器1206。缓冲器1206可进一步储存数学式和表示，必要时，根据本文中的各种实施方式处理接收的图像数据。信号处理器1208处理像素强度值以去除噪声。图像稳定器1210显示那些实施方式的完全性，其中来自光谱测量系统的运动或对象运动的噪声将被补偿。可利用，例如，图像分段和点特征跟踪来稳定图像。这样的技术在图像处理领域中众所周知。

将测量的光谱提供给转换模块1212，其将测量的光谱转换成测量的虚拟生物学参数向量表示的低维虚拟参数空间和将值储存到储存装置1214。生物物理学模型1216接收初始生物学参数向量和产生估计光谱生物物理学模型的各个方面还可从储存装置1214取回。转换模块1218将估计光谱转换成估计的虚拟生物学参数向量表示的低维虚拟参数空间。比较器1222在测量的虚拟生物学参数向量和估计的虚拟生物学参数向量之间进行比较以确定其间的差错将确定的差错储存在存储器1220中。阈值测试处理器1224确定是否差错小于预先限定的阈值。如果是这样，那么然后确定最后估计的虚拟生物学参数向量是最后估计的虚拟生物学参数向量将最后估计的虚拟生物学参数向量传达到工作站1228，其中这些虚拟参数和各种结果显示在其显示器装置上。这样的结果可采取图14的表的一个或多个方面的形式。如果阈值测试1224确定是否差错不小于预先限定的阈值，那么基于确定的差错量，参数向量发生器1225产生下一个生物学参数向量。将下一个生物学参数向量传达或另外提供给生物物理学模型1216以获得下一个估计光谱。在该实施方式中，各个模块通过存储器1220——其中值被储存和取回——相通。将下一个估计光谱转换(在1218)成下一个估计的虚拟生物学参数向量表示的低维虚拟参数空间。图12的过程迭代地重复，直到阈值测试模块1224确定差错低于可接受的水平，在该点，将最后估计的虚拟生物学参数向量传达给工作站1228和进一步提供给储存装置1238。

应当理解，图12的系统的模块或处理单元中任何一个执行的功能性中的一些或全部可以全部或部分由计算机工作站完成。将工作站1228通过通信接口(未显示)与网络1230相通地放置。图12的工作站显示包括显示器1232，其用于显示信息和用于实行用户输入或选择如，例如，提供初始生物学参数向量的用户。显示器1232可以与系统1204的任何模块和处理器和/或测量装置1202相通地放置，以便由此获得的图像和光谱测量结果可在显示器装置上观察到。图12的系统的用户或技师可使用工作站1228的图形用户界面，例如，键盘1234和鼠标1236来识别目标区域，设置参数和输入值，选择像素、框架、图像和/或图像区域用于处理。可将用户输入的数据和做出的选择储存到储存介质1238或计算机可读介质1240。

应当理解，图4和12的工作站具有操作系统和其它专门软件，其被配置以显示许多种数值、文本、滚动条、具有用户可选择的选项的下拉菜单等等，用于输入、选择或修改在其上显示的信息。储存到计算机可读介质的信息可由介质阅读器，如，例如，CD-ROM或DVD驱动器取回。可将图12的任何模块和处理单元与数据库1238相通地放置和可从那里储存/取回数据、变量、记录、参数、函数、需要进行它们期望的功能的机器可读/可执行程序指令。而且可将处理系统1204的每个模块与网络1230上的一个或多个装置相通的放置。

Claims (10)

1.从获自基于反射的光谱测量系统的反射测量结果估计生物物理学模型生物学参数向量的方法，所述方法包括：

将初始生物学参数向量作为输入提供给所述生物物理学模型，所述生物物理学模型产生作为输出的估计光谱

将所述估计光谱转换成估计的虚拟生物学参数向量表示的低维虚拟参数空间；和

将所述估计虚拟生物学参数向量传达给储存装置。

2.权利要求1所述的方法，进一步包括：

接收测量的光谱所述测量的光谱包括以波长λ由光谱反射传感装置从生物学实体表面获得的离体光谱反射测量结果，所述表面部分由生物物理学模型代表，将对生物物理学模型估计生物学参数向量

将所述测量的光谱转换成测量的虚拟生物学参数向量表示的低维虚拟参数空间；

(A)比较所述测量的虚拟生物学参数向量与所述估计的虚拟生物学参数向量以确定其间的差错

(B)响应小于预先限定的阈值的所述差错，确定最后估计的虚拟生物学参数向量是最后估计的虚拟生物学参数向量另外包括：

(i)基于所述确定的差错量产生下一个生物学参数向量；

(ii)将所述下一个生物学参数向量提供给所述生物物理学模型以获得下一个估计光谱；

(ii)将所述下一个估计光谱转换成下一个估计的虚拟生物学参数向量表示的低维虚拟参数空间，所述下一个估计的虚拟生物学参数向量用在下一个迭代上；和

重复(A)-(B)；和

将所述最后估计的虚拟生物学参数向量传达给所述储存装置。

3.权利要求1所述的方法，其中所述估计光谱包括：

${\underset{\‾}{R}}_e\left(\mathrm{\λ}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i\underset{\‾}{{\mathrm{\ψ}}_i}\left(\mathrm{\λ}\right)$

其中P_i是所述生物学参数向量中的第i个参数，分别代表列式基础向量1，2，3，...N，沿着行的每个元素代表波长λ的基础值，N是参数的数目。

4.权利要求1所述的方法，其中所述估计的虚拟生物学参数向量包括：

${\underset{\‾}{P}}_e={\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_e\left(\mathrm{\λ}\right)$

其中是具有列式基础向量的矩阵，每个元素代表波长λ的基础值，T是转置操作。

5.权利要求1所述的方法，其中所述测量的虚拟生物学参数向量包括：

${\underset{\‾}{P}}_m={\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_m\left(\mathrm{\λ}\right)$

其中是具有列式基础向量的矩阵，每个元素代表波长λ的基础值，T是转置操作。

6.用于从获自基于反射的光谱测量装置的反射测量结果估计生物物理学模型生物学参数向量的系统，所述系统包括：

光谱反射传感装置，用于在波长λ从生物学实体表面获得离体光谱反射测量结果，所述表面部分地由生物物理学模型表示，将对所述生物物理学模型估计生物学参数向量

处理器，其与储存装置和所述光谱反射传感装置相通，所述过程执行机器可读的程序指令，用于进行：

将初始生物学参数向量接收到所述生物物理学模型中以产生估计光谱

将所述估计光谱转换成估计的虚拟生物学参数向量表示的低维虚拟参数空间；和

将所述估计的虚拟生物学参数向量传达给所述储存装置。

7.权利要求6所述的系统，进一步包括：

接收测量的光谱所述测量的光谱包括以波长λ由光谱反射传感装置从生物学实体表面获得的离体光谱反射测量结果，所述表面部分地由生物物理学模型代表，将对生物物理学模型估计生物学参数向量

将所述测量的光谱转换成测量的虚拟生物学参数向量表示的低维虚拟参数空间；

(A)比较所述测量的虚拟生物学参数向量与所述估计的虚拟生物学参数向量以确定其间的差错

(B)响应小于预先限定的阈值的所述差错，确定最后估计的虚拟生物学参数向量是最后估计的虚拟生物学参数向量另外包括：

(i)基于所述确定的差错量产生下一个生物学参数向量；

(ii)将所述下一个生物学参数向量提供给所述生物物理学模型以获得下一个估计光谱；

(ii)将所述下一个估计光谱转换成下一个估计的虚拟生物学参数向量表示的低维虚拟参数空间，所述下一个估计虚拟生物学参数向量用在下一个迭代上；和

重复(A)-(B)；和

将所述最后估计的虚拟生物学参数向量传达给所述储存装置。

8.权利要求6所述的系统，其中所述估计光谱包括：

${\underset{\‾}{R}}_e\left(\mathrm{\λ}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i{\underset{\‾}{\mathrm{\ψ}}}_i\left(\mathrm{\λ}\right)$

其中P_i是所述生物学参数向量中的第i个参数，分别代表列式基础向量1，2，3，...N，沿着行的每个元素代表波长λ的基础值，N是参数的数目。

9.权利要求6所述的系统，其中所述估计的虚拟生物学参数向量包括：

${\underset{\‾}{P}}_e={{\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_e\left(\mathrm{\λ}\right)$

其中是具有列式基础向量的矩阵，每个元素代表波长λ的基础值，T是转置操作。

10.权利要求6所述的系统，其中所述测量的虚拟生物学参数向量包括：

${\underset{\‾}{P}}_m={\left[{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right)\underset{\‾}{\mathrm{\ψ}}\left(\mathrm{\λ}\right)\right]}^{-1}{\underset{\‾}{\mathrm{\ψ}}}^T\left(\mathrm{\λ}\right){\underset{\‾}{R}}_m\left(\mathrm{\λ}\right)$

其中是具有列式基础向量的矩阵，每个元素代表波长λ的基础值，T是转置操作。