CN113040722A - 一种提高频域相干断层成像深度的方法 - Google Patents
一种提高频域相干断层成像深度的方法 Download PDFInfo
- Publication number
- CN113040722A CN113040722A CN202110480411.5A CN202110480411A CN113040722A CN 113040722 A CN113040722 A CN 113040722A CN 202110480411 A CN202110480411 A CN 202110480411A CN 113040722 A CN113040722 A CN 113040722A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sample
- layers
- signal
- amplitude
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003325 tomography Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 125
- 230000003595 spectral effect Effects 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 64
- 238000011176 pooling Methods 0.000 claims description 16
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 102100033620 Calponin-1 Human genes 0.000 claims description 8
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000017531 blood circulation Effects 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 102100033591 Calponin-2 Human genes 0.000 claims 6
- 102100033592 Calponin-3 Human genes 0.000 claims 6
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 claims 6
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 claims 6
- 238000005457 optimization Methods 0.000 claims 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000012014 optical coherence tomography Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 230000002238 attenuated effect Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 101000720907 Pseudomonas savastanoi pv. phaseolicola Ornithine carbamoyltransferase 1, anabolic Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Abstract
本发明公开了一种提高频域相干断层成像深度的方法，该方法通过构建若干个不同参考臂位置对应的不同零延迟平面深度的样本库，训练一个对抗神经网络，从一个零延时平面深度对应的输入光谱生成所有零延迟平面深度对应的光谱干涉信号，并进行信号融合后得到一个修正后的光谱，该修正后的光谱得到的图像可以显著提升SDOCT的成像深度，有利于克服SDOCT一直以来存在的局限性，同时发挥其低成本、高分辨、稳相位、功能性成像等优势，实现更多的临床应用，特别是生物组织功能性测量方面的应用。
Description
技术领域
本发明涉及一种增强光学成像深度的方法，具体涉及一种提高频域相干断层成像深度的方法。
背景技术
光学相干断层成像(Optical Coherence Tomography，OCT)是一种基于光干涉原理的断层成像技术，利用参考臂光和样本臂光的干涉检测样本不同深度对光的反射或散射信号，从而获取样本断层结构信息。OCT已在眼科、心血管诊断领域被广泛应用于临床，特别是已经成为了眼科疾病诊断的金标准。目前主流的OCT系统基于傅里叶域OCT(FourierDomain OCT，FDOCT)成像原理。FDOCT主要分为两种类型，一种是谱域或频域OCT技术(Spectral-Domain OCT，SDOCT)，即在检测端利用光谱仪检测不同波长或波数干涉信号的强度，进一步通过傅里叶变换得到样本断层图像；另一种技术是扫频OCT(Swept-Source OCT，SSOCT)，利用快速扫频光源变换输入波长，从而检测到不同波长或波数干涉信号的强度，进一步通过傅里叶变换得到样本断层图像。SDOCT和SSOCT是FDOCT两种不同的实现形式，本质上基于的原理是类似的，都通过检测不同波长或波数的干涉信号等价获取了样本不同深度的信息，避免了时域OCT系统参考臂的机械性位置移动，从而显著提升了成像速度以及图像的信噪比。本发明属于SDOCT分支的一项新技术。
当前在心血管诊断和高端眼科诊疗领域，SSOCT应用范围更广且技术更占优势，因为S SOCT信号随着成像深度的增加衰减更小。SDOCT由于需要CCD线扫描相机检测光谱，而CCD相机像元大小有限，导致采集到的信号随着样本距离零延迟平面的深度增加会显著衰减，因而成像深度有限。但SDOCT也有相较于SSOCT的优越性。首先，在SDOCT中，所有波长同时检测，避免了使用扫频光源，成本较低，且相位非常稳定，便于实现基于相位计算的功能性成像和测量功能，例如生物组织内基于多普勒原理的血流速度的测量。其次，由于扫频光源的技术限制，目前用于生物医学成像的扫频光源波长范围集中于1微米、1.3、1.5微米等较长波长波段，且扫频带宽有限，因而SSOCT对应的图像分辨率较SDOCT更差。而S DOCT运用宽光谱光源，可以使用波长较短，带宽很宽的光源，因而可以获取超高分辨率的图像。此外，SDOCT可以运用可见光波段进行成像，即实现可见光OCT。由于生物体内血液对可见光吸收更为敏感，可见光OCT可以在结构成像的同时获取很多重大疾病诊断所需的血流和血氧信息，因此是目前新兴的、被生物医学成像和疾病诊断领域内普遍看好的一项较新的成像技术。因此，如果有一种技术能够克服SDOCT成像深度不足的问题，则能够媲美SS OCT成像深度的同时，带来低成本、高分辨率、稳定相位、功能性成像等额外的优势，会极大地促进该技术在临床的推广和应用。然而，目前缺乏这样一项提升SDOCT成像深度的技术。
发明内容
本发明的目的是提出一种能够显著提升SDOCT成像深度的方法，该方法通过构建若干个不同参考臂位置对应的不同零延迟平面深度的样本库，训练一个对抗神经网络，从一个零延时平面深度对应的输入光谱生成所有深度对应的光谱干涉信号，并进行信号融合后得到一个修正后的光谱，该修正后的光谱得到的图像可以显著提升SDOCT的成像深度，便于相关技术进行临床转化和应用。
本发明提出的一种提高频域相干断层成像(OCT)深度的方法采用一种提高频域相干断层成像深度的系统实现，该系统主要包括宽光谱光源，分光器，用于光纤偏振调节的偏振调节器若干，用于聚焦和准直的透镜若干，参考臂平面镜，样本臂扫描振镜，光谱仪部分的光栅，线扫描相机等核心元件。该系统的成像原理是，光波从宽光谱光源输出后，经过分光器分光，一路光通向参考臂，被参考臂平面镜反射；另一路光通向样本臂，通过扫描装置如扫描振镜或旋转接头等照射样本，从样本反射或散射回来的光与从参考臂平面镜反射的光波发生干涉，得到干涉信号。干涉得到的干涉信号通过光栅分为不同波长分量，经过透镜聚焦后，不同波长的干涉信号的分量被线扫描相机检测，得到干涉信号光谱信息。通过图像采集装置，将检测到的干涉信号光谱信息读入计算机内，经过信号增强模块，得到增强后的图像。信号增强模块具体包括样本库构建、实现基于人工智能(AI)的深度增强方法、增强后光谱生成等模块，所述信号增强模块是有别于传统频域相干断层成像系统的核心模块。
根据SDOCT成像原理，当参考臂位置确定后，一个参考臂位置对应成像生物组织(即样本)深度内一个零延迟平面(OCT中的zero-delay平面)，采集到的OCT信号随着与零延迟平面的距离增加会出现衰减。为了降低采集到的OCT信号的衰减从而提高SDOCT系统的成像深度，本发明首先通过改变参考臂位置，得到一组不同参考臂位置，并采集该组不同参考臂位置中每一个参考臂位置对应的同一样本光谱信号，构建一个包含成像系统聚焦范围内(如聚焦光束的瑞丽距离)所有零延迟平面的光谱信号所组成的光谱样本库，以及由包含成像系统聚焦范围内(如聚焦光束的瑞丽距离)所有零延迟平面的各光谱信号经过线性波数插值以及傅里叶变换得到的幅度和相位信息组成的幅度相位样本库。该光谱样本库中任意一个光谱样本S(x,y,z|zi)表示成像生物组织三维空间位置(x，y,z)对应第i个零延迟平面信号最强的位置zi时成像获得的光谱信号，其中i＝1，2,…，n，n为大于1的正整数；所有光谱样本则包含了要成像的生物组织对应于所有深度的零延迟平面为最强信号情况下采集的光谱信号集。优选的，构建不同参考臂位置对应的光谱样本库过程中样本需要保持静止状态。
基于构建的光谱样本库，本发明训练一个对抗生成网络(GAN)，使得能够基于任意第i 个零延迟平面的输入光谱信号S(x,y,z|zi)，生成n个对应于不同零延迟平面的光谱信号 GS(x,y,z|zl)，其中l＝1,2,…,n(n为大于1的正整数)；遍历光谱样本库中的所有光谱样本，依次将光谱样本库中的每个光谱样本输入所述对抗生成网络，且每遍历完一次光谱样本记为一次迭代，经过M次迭代训练后，生成的GS(x,y,z|zl)趋向于真实的样本信号S(x,y,z|zl)，此时得到训练好的对抗生成网络，其中，M为大于或等于1的正整数。然后，对于待检测生物组织(即待检测样本)，首先调整参考臂位置，得到该待检测生物组织三维空间位置(x,y,z) 对应任意第i个零延迟平面信号最强的位置zi时成像获得的光谱信号S′(x,y,z|zi)，i＝1，2,…,n， n为大于1的正整数，将光谱信号S′(x,y,z|zi)输入训练好的对抗生成网络，生成n个对应于不同零延迟平面的光谱信号G′S(x,y,z|zl)，其中l＝1,2,…,n(n为大于1的正整数)，将 G′S(x,y,z|zl)，l＝1,2,…,n且l≠i连同S′(x,y,z|zi)共同输入一个实现基于人工智能(AI)的深度增强方法的模块进行光谱融合，然后在增强后光谱生成模块得到增强后的光谱S*(x,y,z)， S*(x,y,z)经过傅里叶变换得到增强后的图像。经过以上步骤得到的增强后的图像信号随着深度的增加衰减更小，即SDOCT系统等价的成像深度更深。
本发明提出了一种提高频域相干断层成像深度的方法，为SDOCT的临床应用提供了一种实用的提高成像深度以及信噪比的方法，有利于克服SDOCT一直以来存在的局限性，同时发挥其低成本、高分辨、稳相位、功能性成像等优势，实现更多的临床应用，特别是生物组织功能性测量方面的应用。本发明所公开的技术适用于当前OCT在所有生物医学成像方面已有的应用领域，包括但不局限于眼科、心血管、消化道、皮肤、癌症疾病诊断等领域，以及基于动物成像和人体生物组织成像的生物医学基础和应用研究领域。
附图说明
图1为本发明提出的提高频域相干断层成像深度的方法流程示意图。
图2为本发明提出的方法在传统SDOCT系统上的实现示意图。
图3为传统SDOCT系统以及本发明得到的信号随着成像深度增加衰减变化的对比图。
图4为本发明的样本库构建方法示意图。
图5为本发明的实现基于人工智能的深度增强方法的模块示意图。
图6为一种基于对抗神经网络生成不同深度对应的光谱信号的方法示意图。
图7为一种基于深度卷积神经网络生成各深度生成光谱的方法示意图。
图8为一种光谱信息融合的方法示意图。
图9为一种基于对抗神经网络生成不同深度对应的幅度和相位信号的方法示意图。
图10为一种通过对不同深度幅度和相位信号进行信号融合的方法示意图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提出了一种提高频域相干断层成像深度的方法，其总体流程如图1所示。该方法首先根据SDOCT成像原理获得参考臂和样本臂信号干涉后得到的待检测生物组织的原始信号光谱41。通过样本库构建模块70提前构建样本库，利用实现基于人工智能(Artificial Intelligence,AI)的深度增强方法的模块15对原始信号光谱41进行整形和修正以及信号融合，在增强后光谱生成模块中显示增强后的光谱信息48，接着通过傅里叶变换52等常规运算在增强后图像生成模块得到增强后的空间域图像58。增强后的空间域图像58相比原始信号光谱41得到的图像信号随着深度的增加衰减更小，成像深度更深。
图2阐述了本发明提出的提高频域相干断层成像深度的方法在传统SDOCT系统上的实现方式。如图2所示，传统频域相干断层成像系统(即传统SDOCT系统)1与当前成熟的频域OCT系统类似，包含宽光谱光源2，分光器3，偏振调节器4，多个(至少4个)用于聚焦和准直的透镜5，参考臂平面镜6，样本臂扫描振镜9，光谱仪部分的光栅7，线扫描相机8 等核心元件。从传统SDOCT系统1的宽光谱光源2输出的光波经过分光器3分光，一路光通向参考臂，被平面镜6反射；另一路光通向样本臂，通过扫描振镜9照射样本(即要成像的生物组织)，从样本反射或散射回来的光与从参考臂反射的光波发生干涉，得到干涉光波。干涉光波通过光栅7分为不同波长分量，经过透镜5聚焦后，被线扫描相机8检测，线扫描相机8检测得到原始信号光谱41(或42)，其中，光栅7、光栅后的透镜5和线扫描相机8一起构成了传统SDOCT系统1中的光谱仪。通过图像采集装置11，将通过线扫描相机8检测到的原始信号光谱41读入计算机12内，经过信号增强模块13后，在增强后图像生成模块得到增强后的图像58。所述信号增强模块13依次包括样本库构建模块70，实现基于AI的深度增强方法的模块15，增强后光谱生成模块；信号增强模块13是有别于传统SDOCT系统1的核心模块。扫描振镜9也可替换为其他扫描装置。
图3对比了传统SDOCT系统1与本发明提出的提高频域相干断层成像深度的方法得到的信号随着成像深度增加衰减变化的对比。这里，基于SDOCT的成像原理，成像深度是以零延迟平面26(OCT中的zero-delay平面)为参考，远离零延时平面距离越远，成像深度越深。传统SDOCT系统1中，由于CCD线扫描相机像元大小有限，等价于采集信号时加了一个矩形窗函数，使得采集到的原始信号光谱经傅里叶变换后得到的图像信号21随着成像深度的增加信号幅度显著衰减。也就是说，传统SDOCT系统1成像深度非常有限，只有接近零延迟平面26的深度范围内才会得到相对较强、信噪比较高的图像；在远离零延迟平面26的深度范围信号会出现剧烈衰减，信噪比很低。而本发明提出的提高频域相干断层成像深度的方法，将传统SDOCT系统1采集到的原始信号光谱依次通过图像采集装置11、计算机12和信号增强模块13处理后，得到的图像信号22随着成像深度的增加信号幅度衰减显著减小，特别是提升了远离零延迟平面26深度范围内信号的信噪比，等价提高了SDOCT系统的成像深度。
图4阐述了一种信号增强模块13中的样本库构建模块70构建样本库的方法：获取样本 10，根据所要成像的生物组织(即样本)10，或者利用与10类似的同一组织类型(例如猪血管和人血管，或来自于不同受试者的人眼视网膜组织)，构建一系列改变参考臂平面镜6的位置得到的样本10的原始信号光谱42，检测得到原始信号光谱42的方法与检测得到原始信号光谱41的方法一样。根据SDOCT成像原理，一个参考臂平面镜位置对应成像生物组织深度内一个零延迟平面26，采集到的OCT信号21随着与零延迟平面26的距离增加会出现衰减。通过采集n个参考臂平面镜位置对应的OCT信号，可以得到包含n个零延迟平面对应的样本 10的原始信号光谱42的一个光谱样本库71，n为大于1的正整数，然后由各原始信号光谱42经过线性波数插值，得到以等频率间距坐标轴表示的光谱信号，再经过傅里叶变换52得到各原始信号光谱42的幅度信号45和相位信号46，由各原始信号光谱42的幅度信号45和相位信号46组成幅度相位样本库72，幅度信号45取对数压缩后，经过一定对比度调整，得到最终显示的增强后图像；相位信号46在基于多普勒测量血流等功能性成像领域内有重要的应用。该光谱样本库71中每一个光谱样本即为样本10的一个原始信号光谱42，任意一个光谱样本S(x，y，z|zi)表示样本10三维空间位置(x，y，z)对应第i个零延迟平面中信号最强的位置 zi时成像获得的光谱信号，其中i＝1，2，…，n(n为大于1的正整数)；所有光谱样本则包含了样本10所有深度(零延迟平面)对应的最强信号情况下采集的光谱信号集(即光谱样本库) 71；幅度相位样本库72中任意一个幅度样本表示为A(x,y,z|zi)，任意一个相位样本表示为 P(x，y,z|zi)。光谱样本库71和幅度相位样本库72组成样本库70。优选的，构建一种组织所有不同参考臂平面镜位置对应的光谱样本库71和幅度相位样本库72的过程中样本10需要保持静止状态。
优选的，如果构建样本库70过程中样本10发生了移动，则可以通过图像配准、运动伪差消除等方法对齐样本图像。这方面图像处理技术相对比较成熟，有大量现成的方法可以选择，工程技术人员可以参考相关文献和专利，本发明不再赘述。
一种实现基于AI的深度增强方法的模块15的实现细节如图5所示，实现基于AI的深度增强方法的模块15包括基于对抗生成网络(Generative Adversarial Network,GAN)的各深度图像生成模块16以及各深度图像信息融合模块17。
如图6所示，一种基于GAN的各深度图像生成模块16的实现方法如下：对于光谱样本库71中任意一个光谱样本S(x,y,z|zi)，其中1≤i≤n，n＞1是一个正整数，可以通过将除该光谱样本对应的零延迟平面之外的其他零延迟平面对应的真实光谱样本S(x,y,z|zl)作为输出标签，其中l≠i，训练一个卷积神经网络CNN1(Convolutional Neural Network)81。该卷积神经网络CNN1 81的输入是S(x,y,z|zi)，网络输出为n个生成的信号GS(x,y,z|zl)，其中 l＝1,2,…,n；遍历光谱样本库71中的所有光谱样本，依次将光谱样本库71中的每个光谱样本输入该卷积神经网络CNN1 81，且每遍历完一次光谱样本记为一次迭代，经过M次迭代训练后，生成的最终的各深度生成光谱GS(x,y,z|zl)62趋向于真实的样本信号S(x,y,z|zl)4 2，此时得到训练好的卷积神经网络CNN1 81，其中，M为大于或等于1的正整数。对于待检测生物组织，首先调整参考臂位置，得到该待检测生物组织三维空间位置(x,y,z)对应任意第i个零延迟平面信号最强的位置zi时成像获得的原始信号光谱S′(x,y,z|zi)41，i＝1,2,…,n， n为大于1的正整数，将原始信号光谱S′(x,y,z|zi)41输入所述训练好的卷积神经网络CNN 1 81，生成n个对应于不同零延迟平面的光谱信号(即各深度生成光谱)G′S(x,y，z|zl)61，其中l＝1,2,…,n(n为大于1的正整数)。
图7是一种基于深度卷积神经网络CNN1 81由输入原始信号光谱42生成各深度生成光谱62的方法，即基于GAN的各深度图像生成模块16的核心生成器部分。该生成器部分网络由(p+1)×k层卷积层91、k层池化层92、k层去卷积层或上采样层93、k层跳层连接94 等模块组成，其中p≥1，k≥1。其中，每层池化层92连接于每p层卷积层之后，完成图像的一级降采样。k层池化层逐步完成原始图像信息的逐步降采样和特征编码。k层跳层连接94 分别连接对应同一深度的卷积层91和去卷积层或上采样层93。优选的，卷积层91可以是一维、二维或三维卷积层，或者是一维、二维、三维卷积层的混合叠加。
如图8所示，基于GAN的各深度图像生成模块16得到的各深度生成光谱，通过各深度图像信息融合模块17得到融合后的光谱信号(即增强后光谱)S*(x,y,z)48的一种方法如下：将原始信号光谱S′(x,y,z|zi)41以及经基于GAN的各深度图像生成模块16生成的排除第i个零延迟平面对应的光谱信号G′S(x,y,z|zi)后的其他光谱信号G′S(x,y,z|zl)，其中 l＝1,2…,n且l≠i，共同输入各深度图像信息融合模块17进行光谱信息融合，在增强后光谱生成模块显示融合后的光谱S*(x,y,z)48，并经过傅里叶变换52得到增强后的图像幅度信息 A*(x,y,z)49和增强后的图像相位信息P*(x,y,z)50。增强后的图像幅度信息A*(x,y,z)49 取对数压缩后，在增强后图像生成模块中显示最终的增强后图像58，用于常规OCT图像显示，增强后的图像相位信息P*(x,y,z)50用于基于多普勒原理的血流测量等功能性成像应用。
优选的，光谱信息融合的一种实现方式是取各输入信号的加权和生成融合后的信号：
S*(x,y,z)＝w1G′S(x,y,z|z1)+…+wiS′(x,y,z|zi)+…+wnGS′(x,y,z|zn)
其中，wi表示各深度图像信息融合模块17中第i个输入信号的权重， 0≤wi≤1，
优选的，另外一种光谱信息融合的实现方式是将各输入信号经过一个卷积神经网络编码后得到融合后的光谱S*(x，y，z)48。优选的，该卷积神经网络包含m层卷积层，其中m≥1。
如图9所示，基于GAN的各深度图像生成模块16另一种实现方法如下：对于幅度相位样本库72中每一个幅度样本A(x,y,z|zi)和相位样本P(x,y,z|zi)，其中1≤i≤n，可以通过将除第i个零延迟平面后的其他零延迟平面对应的真实的幅度样本A(x，y，z|zl)45和相位 P(x，y，z|zl)46作为输出标签，分别对应幅度和相位训练一个卷积神经网络CNN2 82和CN N3 83，其中l＝1，2,…,n且l≠i，卷积神经网络CNN2 82和CNN3 83的输出分别为n个生成的幅度信号GA(x,y,z|zl)65，以及n个生成的相位信号GP(x,y,z|zl)66，其中l＝1,2,…,n；分别遍历幅度相位样本库72中的所有幅度样本和相位样本，依次将幅度相位样本库72中的每个幅度样本输入卷积神经网络CNN2 82，同时依次将幅度相位样本库72中的每个相位样本输入卷积神经网络CNN3 83，且每遍历完一次幅度样本或相位样本记为一次迭代，经过M 次迭代训练后，生成的GA(x,y,z|zl)65趋向于真实的幅度样本信号A(x,y,z|zl)45，生成的 GP(x,y,z|zl)66趋向于真实的相位样本信号P(x,y,z|zl)46，此时得到训练好的卷积神经网络CNN2 82和训练好的卷积神经网络CNN3 83，其中，M为大于或等于1的正整数。对于待检测生物组织，首先调整参考臂位置，得到该待检测生物组织三维空间位置(x，y,z)对应任意第i个零延迟平面信号最强的位置zi时成像获得的原始信号光谱S′(x,y,z|zi)41， i＝1,2,…,n，n为大于1的正整数，将原始信号光谱S′(x,y,z|zi)41经过线性波数插值，得到以等频率间距坐标轴表示的光谱信号，再经过傅里叶变换52得到原始信号光谱S′(x,y,z|zi)41的原始幅度信号A′(x,y,z|zi)和原始相位信号P′(x,y,z|zi)，分别将原始幅度信号A′(x,y,z|zi) 和原始相位信号P′(x,y,z|zi)输入所述训练好的卷积神经网络CNN2 82和所述训练好的卷积神经网络CNN3 83，生成n个对应于不同零延迟平面的幅度信号G′A(x,y,z|zl)67和相位信号 G′P(x,y,z|zl)68，其中l＝1,2,…,n(n为大于1的正整数)。
优选的，卷积神经网络CNN2 82和CNN3 83可以采用图7所示的网络或者它的变形，例如选用不同层数的网络，采用不同的卷积层等。
优选的，图6和图9中所阐述的对抗神经网络(GAN)，一种实现方法是同时训练两个卷积神经网络，其中一个作为图像生成器G，例如CNN1 81，基于输入光谱信号S(x,y,z|zi)生成GS(x,y,z|zl)，其中l＝1，2，…,n，使得GS(x,y,z|zl)和真实样本信号S(x,y,z|zl)的差异尽可能小；另一个卷积神经网络作为鉴别器D，使得GS(x,y,z|zl)和真实样本信号S(x,y,z|zl)之间分类正确率尽可能高，也就是说鉴别器D的作用是准确辨别生成的GS(x,y,z|zl)和真实样本 S(x,y,z|zl)之间的差异。基于同样原理，图像生成器G也可以基于CNN2 82生成幅度信号 GA(x,y,z|zl)使其接近于A(x,y,z|zl)，或者基于CNN3 83生成相位信号GP(x,y,z|zl)使其接近于P(x,y,z|zl)；图像鉴别器D用于区分GA(x,y,z|zl)和A(x,y,z|zl)，或者GP(x,y,z|zl)和 P(x,y,z|zl)。优选的，生成对抗网络以迭代的方式通过交替减小如下的损失函数LD和LG优化鉴别器D和生成器G，使得收敛后由生成器G生成的光谱或幅度或相位信号与真实样本之间尽可能接近：
其中，LD表示鉴别器D对应的损失函数，LG表示生成器G对应的损失函数，Xi表示输入信号，如光谱信号S(x,y,z|zi)或幅度A(x,y,z|zi)或相位P(x,y,z|zi)，其中i＝1,2…,n，n表示样本库中样本的个数，G(Xi)表示输入为Xi时通过生成器G生成的图像，D(G(Xi))表示利用鉴别器D对G(Xi)分类的结果，Zi表示真实样本信号S(x,y,z|zl)或A(x,y,z|zl)或 P(x,y,z|zl)，其中l＝1,2,…,n，Li表示G(Xi)与真实样本信号Zi之间的信号差异，D(Zi)表示利用鉴别器D对Zi分类的结果。
优选的，图像生成器G的一种实现方法如图7所示，前面已经予以阐述。图像鉴别器D 的一种实现方法是基于卷积神经网络，该网络包含q×c层卷积层、c层池化层以及s层全连接层，每层池化层连接于每q层卷积层之后，在q×c层卷积层和c层池化层之后连接s层全连接层，其中q≥1，c≥1，s≥1。
如图10所示，基于图9所示的幅度和相位信号进行各深度图像信息融合，得到融合后图像的一种方法如下：基于GAN的各深度图像生成模块16生成的排除第i个零延迟平面后的其他零延迟平面对应的幅度信号G′A(x,y,z|zl)67，以及基于GAN的各深度图像生成模块16生成的排除第i个零延迟平面后的其他零延迟平面对应的相位信号G′P(x,y,z|zl)68，其中l＝1,2…,n且l≠i，先分别对应每一个零延迟平面，合并各自幅度和相位信号得到复信号，并进一步经过傅里叶变换52得到生成的光谱信号：
61，其中FT表示傅里叶变换运算。然后连同第i个零延迟平面信号最强的位置zi处得到的原始光谱信号S′(x,y,z|zi)41共同输入一个各深度图像信息融合模块17得到融合后的光谱 S*(x,y,z)48。
优选的，光谱融合的一种实现方式是取各输入信号的加权和生成融合后的信号：
S*(x,y,z)＝w1G′S(x,y,z|z1)+…+wiS′(x，y,z|zi)+…+wnGS′(x,y,z|zn)
其中，wi表示各深度图像信息融合模块(17)中第i个输入信号的权重， 0≤wi≤1，
优选的，另外一种光谱信息融合的实现方式是将各输入信号经过一个卷积神经网络编码后得到融合后的光谱S*(x,y,z)48。优选的，该卷积神经网络包含m层卷积层，其中m≥1。
融合后的光谱S*(x,y,z)48经过傅里叶变换52得到融合后的图像幅度信息A*(x,y,z)4 9和融合后的图像相位信息P*(x,y,z)50，融合后的图像幅度信息A*(x,y,z)49取对数压缩后，在增强后图像生成模块中显示最终的增强后图像58，用于常规OCT图像显示，融合后的图像相位信息P*(x,y,z)50用于基于多普勒原理的血流测量等功能性成像应用。
以上所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (7)
1.一种提高频域相干断层成像深度的方法，其特征在于，该方法首先通过传统频域相干断层成像系统(1)得到待检测生物组织的原始信号光谱(41)，然后将待检测生物组织的原始信号光谱(41)通过图像采集装置(11)读入计算机(12)内，再经过信号增强模块(13)后，在增强后图像生成模块得到增强后的图像(58)；所述信号增强模块(13)依次包括样本库构建模块(70)，实现基于人工智能的深度增强方法的模块(15)和增强后光谱生成模块；所述实现基于人工智能的深度增强方法的模块(15)包括基于对抗生成网络的各深度图像生成模块(16)和各深度图像信息融合模块(17)；
其中，传统频域相干断层成像系统(1)包含宽光谱光源(2)，分光器(3)，偏振调节器(4)，至少4个用于聚焦和准直的透镜(5)，参考臂平面镜(6)，样本臂扫描振镜(9)，光谱仪部分的光栅(7)，线扫描相机(8)这一系列核心元件；传统频域相干断层成像系统(1)的成像原理为：从宽光谱光源(2)输出的光波经过分光器(3)分光，一路光通向参考臂，被参考臂平面镜(6)反射；另一路光通向样本臂，通过样本臂扫描振镜(9)照射待检测生物组织，从待检测生物组织反射或散射回来的光与从参考臂反射的光波发生干涉，得到干涉光波，干涉光波通过光栅(7)分为不同波长分量，经过透镜(5)聚焦后，被线扫描相机(8)检测，线扫描相机(8)检测得到原始信号光谱(41)。
2.根据权利要求1所述的提高频域相干断层成像深度的方法，其特征在于，所述样本库构建模块(70)构建样本库的方法为：获取样本(10)，由于一个参考臂平面镜位置对应样本(10)成像深度内一个零延迟平面(26)，通过调整得到n个不同的参考臂平面镜位置，采集每个参考臂平面镜位置对应的OCT信号，得到包含n个零延迟平面对应的原始信号光谱(42)的一个光谱样本库(71)，该光谱样本库(71)中每一个光谱样本即为一个原始信号光谱(42)，任意一个光谱样本S(x,y,z|zi)表示样本(10)三维空间位置(x,y,z)对应第i个零延迟平面中信号最强的位置zi时成像获得的光谱信号；
将各原始信号光谱(42)经过线性波数插值，得到以等频率间距坐标轴表示的光谱信号，再经过傅里叶变换(52)得到各原始信号光谱(42)的幅度信息(45)和各原始信号光谱(42)相位信息(46)，由各原始信号光谱(42)的幅度信息(45)和各原始信号光谱(42)相位信息(46)一起组成一个幅度相位样本库(72)，所述幅度相位样本库(72)中的任意一个幅度样本表示为A(x,y,z|zi)，任意一个相位样本表示为P(x,y,z|zi)，其中i＝1,2,…,n，n为大于1的正整数，构建光谱样本库(71)和幅度相位样本库(72)的过程中样本(10)保持静止状态。
3.根据权利要求2所述的提高频域相干断层成像深度的方法，其特征在于，所述基于对抗生成网络的各深度图像生成模块(16)的一种实现方法如下：构造包括图像生成器G和鉴别器D这两个卷积神经网络的生成对抗网络，同时训练图像生成器G和鉴别器D，其中图像生成器G采用卷积神经网络CNN1(81)实现，将光谱样本库(71)中任意一个光谱样本S(x,y,z|zi)输入卷积神经网络CNN1(81)，卷积神经网络CNN1(81)输出n个生成的光谱信号GS(x,y,z|zl)，其中l＝1,2,…,n；鉴别器D的作用是准确辨别生成的GS(x,y,z|zl)和真实光谱样本S(x,y,z|zl)之间的差异；
所述卷积神经网络CNN1(81)由(p+1)×k层卷积层(91)、k层池化层(92)、k层去卷积层或上采样层(93)以及k层跳层连接(94)组成，其中p≥1，k≥1，每层池化层(92)连接于每p层卷积层(91)之后，完成图像的一级降采样，k层跳层连接(94)分别连接对应同一深度的卷积层(91)和去卷积层或上采样层(93)，卷积层(91)为一维、二维或三维卷积层，或者为一维、二维、三维卷积层的混合叠加；所述鉴别器D的网络结构包含q×c层卷积层、c层池化层以及s层全连接层，每层池化层连接于每q层卷积层之后，在q×c层卷积层和c层池化层之后连接s层全连接层，其中q≥1，c≥1，s≥1；
遍历光谱样本库(71)中的所有光谱样本，依次将光谱样本库(71)中的每个光谱样本输入该卷积神经网络CNN1(81)，且每遍历完一次光谱样本记为一次迭代；
所述生成对抗网络以迭代的方式通过交替减小如下损失函数LD和LG优化鉴别器D和图像生成器G：
其中，LD表示鉴别器D对应的损失函数；LG表示图像生成器G对应的损失函数；Xi表示输入的光谱样本S(x,y,z|zi)，其中i＝1,2…,n，n表示光谱样本库(71)中光谱样本的个数；G(Xi)表示输入为Xi时通过图像生成器G生成的光谱信号；D(G(Xi))表示利用鉴别器D对G(Xi)分类的结果，Zi表示真实光谱样本S(x,y,z|zl)，其中l＝1,2,…,n；Li表示G(Xi)与Zi之间的信号差异，D(Zi)表示利用鉴别器D对Zi分类的结果；
经过M次迭代训练后，得到训练好的生成对抗网络，其中，M为大于或等于1的正整数；
对于待检测生物组织，首先调整参考臂位置，得到该待检测生物组织三维空间位置(x,y,z)对应任意第i个零延迟平面信号最强的位置zi时成像获得的原始信号光谱S′(x,y,z|zi)(41)，i＝1，2,…,n，将原始信号光谱S′(x,y,z|zi)(41)输入所述训练好的生成对抗网络，由所述训练好的生成对抗网络中的卷积神经网络CNN1(81)生成n个对应于不同零延迟平面的光谱信号G′S(x，y，z|zl)(61)，其中l＝1,2,…,n，n为大于1的正整数。
4.根据权利要求3所述的提高频域相干断层成像深度的方法，其特征在于，所述各深度图像信息融合模块(17)的一种实现方法如下：将原始信号光谱S′(x,y,z|zi)(41)以及由所述训练好的生成对抗网络中的卷积神经网络CNN1(81)生成的排除第i个零延迟平面对应的光谱信号G′S(x,y,z|zi)后的其他光谱信号G′S(x,y,z|zl)，其中l＝1，2…，n且l≠i，共同输入各深度图像信息融合模块(17)进行光谱融合，然后在增强后光谱生成模块中显示增强后光谱S*(x,y,z)(48)，进行光谱融合的方法为取各深度图像信息融合模块(17)中各输入信号的加权和，即
S*(x，y,z)＝w1G′S(x,y,z|z1)+…+wiS′(x，y，z|zi)+…+wnG′S(x,y,z|zn)
其中，wi表示各深度图像信息融合模块(17)中第i个输入信号的权重，0≤wi≤1，
5.根据权利要求2所述的提高频域相干断层成像深度的方法，其特征在于，所述基于对抗生成网络的各深度图像生成模块(16)的另一种实现方法如下：构造包括图像生成器G1和鉴别器D1这两个卷积神经网络的生成对抗网络1，同时训练图像生成器G1和鉴别器D1，其中图像生成器G1采用卷积神经网络CNN2(82)实现，将幅度相位样本库(72)中任意一个幅度样本A(x,y,z|zi)输入卷积神经网络CNN2(82)，卷积神经网络CNN2(82)输出n个生成的幅度信号GA(x,y,z|zl)，其中l＝1，2，…,n；鉴别器D1的作用是准确辨别生成的GA(x,y,z|zl)和真实幅度样本A(x,y,z|zl)之间的差异；
同时，构造包括图像生成器G2和鉴别器D2这两个卷积神经网络的生成对抗网络2，同时训练图像生成器G2和鉴别器D2，其中图像生成器G2采用卷积神经网络CNN3(83)实现，将幅度相位样本库(72)中任意一个相位样本P(x,y,z|zi)输入卷积神经网络CNN3(83)，卷积神经网络CNN3(83)输出n个生成的相位信号GP(x,y,z|zl)，其中l＝1，2，…，n；鉴别器D2的作用是准确辨别生成的GP(x，y,z|zl)和真实相位样本P(x,y,z|zl)之间的差异；
所述卷积神经网络CNN2(82)和CNN3(83)的结构相同，均由(p+1)×k层卷积层(91)、k层池化层(92)、k层去卷积层或上采样层(93)以及k层跳层连接(94)组成，其中p≥1，k≥1，每层池化层(92)连接于每p层卷积层(91)之后，完成图像的一级降采样，k层跳层连接(94)分别连接对应同一深度的卷积层(91)和去卷积层或上采样层(93)，卷积层(91)为一维、二维或三维卷积层，或者为一维、二维、三维卷积层的混合叠加；所述鉴别器D1和D2的网络结构相同，均包含q×c层卷积层、c层池化层以及s层全连接层，每层池化层连接于每q层卷积层之后，在q×c层卷积层和c层池化层之后连接s层全连接层，其中q≥1，c≥1，s≥1；
遍历幅度相位样本库(72)中的所有幅度样本，依次将幅度相位样本库(72)中的每个幅度样本输入该卷积神经网络CNN2(82)，且每遍历完一次幅度样本记为一次迭代；
所述生成对抗网络1以迭代的方式通过交替减小如下损失函数LD1和LG1优化鉴别器D1和图像生成器G1：
其中，LD1表示鉴别器D1对应的损失函数；LG1表示图像生成器G1对应的损失函数；X1 i表示输入的幅度样本A(x,y,z|zi)，其中i＝1,2…,n，n表示幅度相位样本库(72)中幅度样本的个数；G1(X1 i)表示输入为X1 i时通过图像生成器G1生成的幅度信号；D1(G1(X1 i))表示利用鉴别器D1对G1(X1 i)分类的结果，Z1 i表示真实幅度样本A(x,y,z|zl)，其中l＝1,2,…,n；L1 i表示G1(X1 i)与Z1 i之间的信号差异，D1(Z1 i)表示利用鉴别器D1对Z1 i分类的结果；
遍历幅度相位样本库(72)中的所有相位样本，依次将幅度相位样本库(72)中的每个相位样本输入该卷积神经网络CNN3(83)，且每遍历完一次相位样本记为一次迭代；
所述生成对抗网络2以迭代的方式通过交替减小如下损失函数LD2和LG2优化鉴别器D2和图像生成器G2：
其中，LD2表示鉴别器D2对应的损失函数；LG2表示图像生成器G2对应的损失函数；X2 i表示输入的相位样本P(x,y,z|zi)，其中i＝1,2…,n，n表示幅度相位样本库(72)中相位样本的个数；G2(X2 i)表示输入为X2 i时通过图像生成器G2生成的相位信号；D2(G2(X2 i))表示利用鉴别器D2对G2(X2 i)分类的结果，Z2 i表示真实相位样本P(x,y,z|zl)，其中l＝1,2,…,n；L2 i表示G2(X2 i)与Z2 i之间的信号差异，D2(Z2 i)表示利用鉴别器D2对Z2 i分类的结果；
经过M次迭代训练后，得到训练好的生成对抗网络1和训练好的生成对抗网络2，其中，M为大于或等于1的正整数；
对于待检测生物组织，首先调整参考臂位置，得到该待检测生物组织三维空间位置(x,y,z)对应任意第i个零延迟平面信号最强的位置zi时成像获得的原始信号光谱S′(x,y,z|zi)(41)，i＝1,2,…,n，将原始信号光谱S′(x,y,z|zi)41经过线性波数插值，得到以等频率间距坐标轴表示的光谱信号，再经过傅里叶变换(52)得到原始信号光谱S′(x,y,z|zi)(41)的原始幅度信号A′(x,y,z|zi)和原始相位信号P′(x,y,z|zi)，将原始幅度信号A′(x,y,z|zi)输入所述训练好的生成对抗网络1，同时将原始相位信号P′(x,y,z|zi)输入所述训练好的生成对抗网络2，由所述训练好的生成对抗网络1中的卷积神经网络CNN2(82)生成n个对应于不同零延迟平面的幅度信号G′A(x,y,z|zl)(67)，由所述训练好的生成对抗网络2中的卷积神经网络CNN3(83)生成n个对应于不同零延迟平面的相位信号G′P(x,y,z|zl)(68)，其中l＝1,2,…,n，n为大于1的正整数。
6.根据权利要求5所述的提高频域相干断层成像深度的方法，其特征在于，所述各深度图像信息融合模块(17)的另一种实现方法如下：基于得到的幅度信号G′A(x,y,z|zl)(67)和相位信号G′P(x,y,z|zl)(68)，先分别对应除第i个零延迟平面后的每一个零延迟平面，合并幅度信号和相位信号，得到除第i个零延迟平面后的每一个零延迟平面对应的复信号，并进一步经过傅里叶变换(52)得到生成的光谱信号：
其中FT表示傅里叶变换运算，l＝1,2…,n且l≠i；然后将生成的光谱信号G′S(x,y,z|zl)(61)连同获得的原始信号光谱S′(x,y,z|zi)(41)共同输入各深度图像信息融合模块(17)进行光谱融合，然后在增强后光谱生成模块中显示增强后光谱S*(x,y,z)(48)，进行光谱融合的方法为取各深度图像信息融合模块(17)中各输入信号的加权和，即
S*(x,y,z)＝w1G′S(x,y,z|z1)+…+wiS′(x,y,z|zi)+…+wnG′S(x,y,z|zn)
其中，wi表示各深度图像信息融合模块(17)中第i个输入信号的权重，0≤wi≤1，
7.根据权利要求4或6所述的提高频域相干断层成像深度的方法，其特征在于，所述在增强后图像生成模块得到增强后的图像(58)的方法为：将增强后光谱S*(x,y,z)(48)经过傅里叶变换(52)得到增强后的图像幅度信息A*(x,y,z)(49)和增强后的图像相位信息P*(x,y,z)(50)，增强后的图像幅度信息A*(x,y,z)(49)取对数压缩后，在增强后图像生成模块中显示最终的增强后图像(58)，用于常规OCT图像显示；增强后的图像相位信息P*(x,y,z)(50)用于基于多普勒原理的血流测量或其他功能性成像应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110480411.5A CN113040722B (zh) | 2021-04-30 | 2021-04-30 | 一种提高频域相干断层成像深度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110480411.5A CN113040722B (zh) | 2021-04-30 | 2021-04-30 | 一种提高频域相干断层成像深度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113040722A true CN113040722A (zh) | 2021-06-29 |
| CN113040722B CN113040722B (zh) | 2022-03-15 |
Family
ID=76517990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110480411.5A Active CN113040722B (zh) | 2021-04-30 | 2021-04-30 | 一种提高频域相干断层成像深度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113040722B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114858083A (zh) * | 2022-05-19 | 2022-08-05 | 华中科技大学 | 一种光学无接触式扫描大深径比小孔的测量装置及方法 |
| WO2023087659A1 (zh) * | 2021-11-19 | 2023-05-25 | 浪潮(北京)电子信息产业有限公司 | 一种多模态数据处理方法、装置、设备及存储介质 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6549801B1 (en) * | 1998-06-11 | 2003-04-15 | The Regents Of The University Of California | Phase-resolved optical coherence tomography and optical doppler tomography for imaging fluid flow in tissue with fast scanning speed and high velocity sensitivity |
| CN101803908A (zh) * | 2010-03-01 | 2010-08-18 | 浙江大学 | 基于色散调制的无镜像光学频域成像系统及方法 |
| CN102028454A (zh) * | 2010-10-26 | 2011-04-27 | 浙江大学 | 基于群延迟波数载频的镜像分离方法及系统 |
| CN201814557U (zh) * | 2010-03-01 | 2011-05-04 | 浙江大学 | 一种基于色散调制的无镜像光学频域成像系统 |
| US20120026462A1 (en) * | 2010-07-30 | 2012-02-02 | Stephen Uhlhorn | Intraoperative imaging system and apparatus |
| EP2623925A1 (en) * | 2012-01-31 | 2013-08-07 | Nidek Co., Ltd. | Method for reducing noise in tomographic image and recording medium having noise reducing program stored therein |
| US20140043618A1 (en) * | 2012-08-08 | 2014-02-13 | University Of Maryland, Baltimore | Coherence Gated Doppler Motion Sensor and Medical Applications |
| CN104848945A (zh) * | 2015-04-01 | 2015-08-19 | 电子科技大学 | 一种相干扫描波前探测方法及系统 |
| US20150280888A1 (en) * | 2013-03-15 | 2015-10-01 | Wi-Lan Labs, Inc. | Flexible mimo resource allocation through cross-correlation nulling and frequency domain segmented receiver processing |
| WO2016023502A1 (en) * | 2014-08-13 | 2016-02-18 | The University Of Hong Kong | Phase-inverted sidelobe-annihilated optical coherence tomography |
| CN105996999A (zh) * | 2016-05-19 | 2016-10-12 | 南京航空航天大学 | 基于oct测量样品深度分辨衰减系数的方法和系统 |
| CN107485369A (zh) * | 2017-09-12 | 2017-12-19 | 江苏伊士嘉医疗科技有限公司 | 一种参考臂同步扫描三视角成像的光学相干层析系统 |
| CN107713994A (zh) * | 2017-11-14 | 2018-02-23 | 电子科技大学 | 多模态光学成像系统 |
| CN109073356A (zh) * | 2016-02-12 | 2018-12-21 | 通用医疗公司 | 用于使用光学相干断层成像进行高速和长深度范围成像的装置和方法 |
| CN110584613A (zh) * | 2019-10-09 | 2019-12-20 | 南京沃福曼医疗科技有限公司 | 一种导管偏振敏感光学相干层析成像系统及解调方法 |
| CN111227797A (zh) * | 2020-01-15 | 2020-06-05 | 电子科技大学 | 一种非线性效应增强的扫频光源 |
| CN111354055A (zh) * | 2020-03-13 | 2020-06-30 | 西南科技大学 | 基于深度学习的光学相干层析成像深度重建方法 |
| CN111568373A (zh) * | 2020-04-20 | 2020-08-25 | 南京师范大学 | 一种重复扫描的octa毛细血管网成像方法 |
| US20200273218A1 (en) * | 2019-02-27 | 2020-08-27 | Oregon Health & Science University | Automated detection of shadow artifacts in optical coherence tomography angiography |
| CN112587170A (zh) * | 2020-12-29 | 2021-04-02 | 全景恒升（北京）科学技术有限公司 | 基于双模成像的血管内斑块负荷检测方法、系统及终端 |
| CN112704470A (zh) * | 2020-12-22 | 2021-04-27 | 电子科技大学 | 分光谱频域相干断层成像系统 |
-
2021
- 2021-04-30 CN CN202110480411.5A patent/CN113040722B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6549801B1 (en) * | 1998-06-11 | 2003-04-15 | The Regents Of The University Of California | Phase-resolved optical coherence tomography and optical doppler tomography for imaging fluid flow in tissue with fast scanning speed and high velocity sensitivity |
| CN101803908A (zh) * | 2010-03-01 | 2010-08-18 | 浙江大学 | 基于色散调制的无镜像光学频域成像系统及方法 |
| CN201814557U (zh) * | 2010-03-01 | 2011-05-04 | 浙江大学 | 一种基于色散调制的无镜像光学频域成像系统 |
| US20120026462A1 (en) * | 2010-07-30 | 2012-02-02 | Stephen Uhlhorn | Intraoperative imaging system and apparatus |
| CN102028454A (zh) * | 2010-10-26 | 2011-04-27 | 浙江大学 | 基于群延迟波数载频的镜像分离方法及系统 |
| EP2623925A1 (en) * | 2012-01-31 | 2013-08-07 | Nidek Co., Ltd. | Method for reducing noise in tomographic image and recording medium having noise reducing program stored therein |
| US20140043618A1 (en) * | 2012-08-08 | 2014-02-13 | University Of Maryland, Baltimore | Coherence Gated Doppler Motion Sensor and Medical Applications |
| US20150280888A1 (en) * | 2013-03-15 | 2015-10-01 | Wi-Lan Labs, Inc. | Flexible mimo resource allocation through cross-correlation nulling and frequency domain segmented receiver processing |
| WO2016023502A1 (en) * | 2014-08-13 | 2016-02-18 | The University Of Hong Kong | Phase-inverted sidelobe-annihilated optical coherence tomography |
| CN104848945A (zh) * | 2015-04-01 | 2015-08-19 | 电子科技大学 | 一种相干扫描波前探测方法及系统 |
| CN109073356A (zh) * | 2016-02-12 | 2018-12-21 | 通用医疗公司 | 用于使用光学相干断层成像进行高速和长深度范围成像的装置和方法 |
| CN105996999A (zh) * | 2016-05-19 | 2016-10-12 | 南京航空航天大学 | 基于oct测量样品深度分辨衰减系数的方法和系统 |
| CN107485369A (zh) * | 2017-09-12 | 2017-12-19 | 江苏伊士嘉医疗科技有限公司 | 一种参考臂同步扫描三视角成像的光学相干层析系统 |
| CN107713994A (zh) * | 2017-11-14 | 2018-02-23 | 电子科技大学 | 多模态光学成像系统 |
| US20200273218A1 (en) * | 2019-02-27 | 2020-08-27 | Oregon Health & Science University | Automated detection of shadow artifacts in optical coherence tomography angiography |
| CN110584613A (zh) * | 2019-10-09 | 2019-12-20 | 南京沃福曼医疗科技有限公司 | 一种导管偏振敏感光学相干层析成像系统及解调方法 |
| CN111227797A (zh) * | 2020-01-15 | 2020-06-05 | 电子科技大学 | 一种非线性效应增强的扫频光源 |
| CN111354055A (zh) * | 2020-03-13 | 2020-06-30 | 西南科技大学 | 基于深度学习的光学相干层析成像深度重建方法 |
| CN111568373A (zh) * | 2020-04-20 | 2020-08-25 | 南京师范大学 | 一种重复扫描的octa毛细血管网成像方法 |
| CN112704470A (zh) * | 2020-12-22 | 2021-04-27 | 电子科技大学 | 分光谱频域相干断层成像系统 |
| CN112587170A (zh) * | 2020-12-29 | 2021-04-02 | 全景恒升（北京）科学技术有限公司 | 基于双模成像的血管内斑块负荷检测方法、系统及终端 |
Non-Patent Citations (4)
| Title |
|---|
| RAYYAN: ""Signal and Image Processing in Biomedical Photoacoustic"", 《OPTICS》 * |
| ZHAOWANG等: ""Partially spatially coherent light source for imaging through opacity"", 《ASIA COMMUNICATIONS AND PHOTONICS CONFERENCE 2020》 * |
| 潘丹: ""生成式对抗网络在医学图像处理中的应用"", 《生物医学工程学杂志》 * |
| 解晓晨: ""谱域OCT成像系统关键技术研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023087659A1 (zh) * | 2021-11-19 | 2023-05-25 | 浪潮(北京)电子信息产业有限公司 | 一种多模态数据处理方法、装置、设备及存储介质 |
| CN114858083A (zh) * | 2022-05-19 | 2022-08-05 | 华中科技大学 | 一种光学无接触式扫描大深径比小孔的测量装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113040722B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7189940B2 (ja) | 画像中のノイズの低減 | |
| CN113040722B (zh) | 一种提高频域相干断层成像深度的方法 | |
| US11781966B2 (en) | 3D diffraction tomography microscopy imaging method based on LED array coded illumination | |
| CN105559756B (zh) | 基于全空间调制谱分割角度复合的微血管造影方法与系统 | |
| JP4389032B2 (ja) | 光コヒーレンストモグラフィーの画像処理装置 | |
| EP2905645B1 (en) | Holographic microscope and holographic image generation method | |
| Jiang et al. | Comparative study of deep learning models for optical coherence tomography angiography | |
| CN105748041B (zh) | 光学相干断层扫描成像中散斑噪声的抑制系统和方法 | |
| CN104958061A (zh) | 双目立体视觉三维成像的眼底oct成像方法及其系统 | |
| WO2011015952A1 (en) | Method and system for stabilizing a series of intravascular ultrasound images and extracting vessel lumen from the images | |
| WO2007082228A1 (en) | Systems and methods for generating data based on one or more spectrally-encoded endoscopy techniques | |
| CN112704470B (zh) | 分光谱频域相干断层成像系统 | |
| CN113331809B (zh) | 基于mems微型振镜的腔道内三维血流成像方法和装置 | |
| Lan et al. | Reconstruct the photoacoustic image based on deep learning with multi-frequency ring-shape transducer array | |
| Ly et al. | Full-view in vivo skin and blood vessels profile segmentation in photoacoustic imaging based on deep learning | |
| CN104545872B (zh) | 基于线性相关系数来重构三维微血流分布的方法及装置 | |
| CN105748100B (zh) | 准静态超声弹性成像位移计算方法和装置 | |
| CN106491078B (zh) | 去除血流图像中组织抖动噪声的方法及装置 | |
| CN110881947A (zh) | 一种光学相干断层成像方法 | |
| CN112465924B (zh) | 一种基于多特征融合的快速医学图像重构方法 | |
| WO2021100694A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| JP7058901B1 (ja) | ３次元撮像装置 | |
| CN111436909A (zh) | 一种活体组织的光学相干层析成像系统及方法 | |
| CN112085830A (zh) | 一种基于机器学习的光学相干血管造影成像方法 | |
| CN106821323A (zh) | 像面形态可调的光学相干层析方法及系统 |
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 |