CN113450342B - 一种基于光学相干断层扫描的生物组织轮廓成像方法 - Google Patents

一种基于光学相干断层扫描的生物组织轮廓成像方法 Download PDF

Info

Publication number
CN113450342B
CN113450342B CN202110810785.9A CN202110810785A CN113450342B CN 113450342 B CN113450342 B CN 113450342B CN 202110810785 A CN202110810785 A CN 202110810785A CN 113450342 B CN113450342 B CN 113450342B
Authority
CN
China
Prior art keywords
signal
biological tissue
wavelet packet
optical
imaging
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
Application number
CN202110810785.9A
Other languages
English (en)
Other versions
CN113450342A (zh
Inventor
张政浩
钟舜聪
林廷玲
钟宇杰
张秋坤
林杰文
黄异
丁健
李丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110810785.9A priority Critical patent/CN113450342B/zh
Publication of CN113450342A publication Critical patent/CN113450342A/zh
Application granted granted Critical
Publication of CN113450342B publication Critical patent/CN113450342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10101Optical tomography; Optical coherence tomography [OCT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20064Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于光学相干断层扫描的生物组织轮廓成像方法,包括以下步骤:步骤S1:采用OCT设备对生物组织区域进行扫描成像,获取生物组织区域光学干涉信号;步骤S2:采用小波包分解对光学干涉信号进行分解,对分解后的信号求解其能量特征,然后选取能量特征大的分量进行信号重构;步骤S3:根据重构后的信号来构建生物组织轮廓,对生物组织区域进行成像。本发明通过小波包能量分解重构信号,可有效去除噪声,提高影像分辨率。

Description

一种基于光学相干断层扫描的生物组织轮廓成像方法
技术领域
本发明涉及图像处理领域,特别是一种基于光学相干断层扫描的生物组织轮廓成像方法。
背景技术
光学相干断层扫描(Optical Coherence Tomography,OCT)技术也叫做光学相干层析技术,利用弱相干干涉原理,通过探测被测样品不同深度层的背向散射光,来获取被测样品背部微结构信息的一种高分辨率内部成像技术。通过对被测样品的扫描,可以实现被测样品的二维或者三维的结构的微米级分辨率的层析成像。由于普通OCT的光源通常为宽带光源,而在信号采集过程中,不可避免夹杂着大量的环境噪声和干扰等。小波包变换可以将频带部分多层次划分,对高频部分进一步分解,并能够根据信号特征,自适应地选择最佳小波基函数,选择相应的频带,使之与信号频谱相匹配,提高信号时频分辨率。之后对分解后的信号进行能量特征提取,选取能量特征高的分量进行重构,采用重构后的信号对生物组织内部轮廓进行二维成像,无需对其解剖观测即可实现对生物组织内部结构的成像。目前浅表面成像与表面成像无法直接观测到生物组织内部轮廓图,而超声回波扫描技术需要耦合剂才能进行工作,且成像分辨率低。
发明内容
有鉴于此,本发明的目的是提供一种基于光学相干断层扫描的生物组织轮廓成像方法,通过小波包能量分解重构信号,可有效去除噪声,提高影像分辨率。
本发明采用以下方案实现:一种基于光学相干断层扫描的生物组织轮廓成像方法,包括以下步骤:
步骤S1:采用OCT设备对生物组织区域进行扫描成像,获取生物组织区域光学干涉信号;
步骤S2:采用小波包分解对光学干涉信号进行分解,对分解后的信号求解其能量特征,然后选取能量特征大的分量进行信号重构;
步骤S3:根据重构后的信号来构建生物组织轮廓,对生物组织区域下层组织轮廓进行成像。
进一步地,所述步骤S1的具体内容为:
在OCT系统中,光源经参考光路后被光谱仪采集到的信号为:
IR(A)=SR(k)e2ikr (1)
式中,SR(k)为参考光的谱功率分布函数,e2ikr为相位,2r为参考比的光程长度,k为波数且k=2π/λ;而样品反射光表达为:
Figure GDA0003563399180000021
式中,SS(k,z)为样品反射光的谱功率分布函数,n为样品反射率;r+nz为样品在深度z上对应的光程;
当参考光和反射光发生干涉后,被系统接受并转换成干涉光谱信号为:
Figure GDA0003563399180000022
式(3)为真实的干涉光谱信号,而实际采集到的信号即生物组织区域光学干涉信号为:
Figure GDA0003563399180000031
进一步地,所述步骤S2的具体内容为:
令所获取的光学信号为f(x),而尺度函数
Figure GDA0003563399180000032
和小波函数ψ(t)满足以下方程:
Figure GDA0003563399180000033
Figure GDA0003563399180000034
Figure GDA0003563399180000035
μ1(t)=ψ(t),将式(5)和(6)改写为:
Figure GDA0003563399180000036
Figure GDA0003563399180000037
由此定义的函数系{μn(t)}n∈z称为正交尺度函数
Figure GDA0003563399180000038
的正交小波包;小波包空间由
Figure GDA0003563399180000039
的伸缩平移张成,每个空间都由比它大1的两个子空间构成,多分辨率分解公式的算子形式为:
Figure GDA00035633991800000310
Figure GDA00035633991800000311
设利用OCT设备采集到的生物组织区域光学干涉信号
Figure GDA00035633991800000312
Figure GDA00035633991800000313
因此小波包的分解公式为:
Figure GDA00035633991800000314
将小波包分解后的分量分别记为xi(n),然后计算每个分量的能量特征
Figure GDA0003563399180000041
式中xi(n)为分解系数序列中第i个频带,j为小波包分解层数;
计算频带能量的平均幅值
Figure GDA0003563399180000042
将能量特征大于平均幅值的分量视为能量特征大的分量,将其叠加进行信号重构,重构后的信号为Ireconstruction
Figure GDA0003563399180000043
进一步地,所述步骤S3的具体内容为:
将重构后的信号即单列信号乘以OCT设备分辨率即为探测到的生物组织在深度上的信息,将单点的信号按照采集顺序一一排列构成二维矩阵,将其画为二维扫描图,即构成探测区域部分生物组织内部轮廓二维图。
与现有技术相比,本发明具有以下有益效果:
本发明通过小波包能量分解重构信号,可有效去除噪声,提升组织轮廓成像的分辨率,且无需解剖可直接观测到探测区域生物组织内部结构。
附图说明
图1为本发明实施例的OCT设备采集到的光学信号图。
图2为本发明实施例的信号的小波包能量特征图。
图3为本发明实施例的生物组织内部结构轮廓图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如入1、2、3所示,本实施例提供一种基于光学相干断层扫描的生物组织轮廓成像方法,包括以下步骤:
步骤S1:采用OCT设备对生物组织区域进行扫描成像,获取生物组织区域光学干涉信号;
步骤S2:采用小波包分解对光学干涉信号进行分解,对分解后的信号求解其能量特征,然后选取能量特征大的分量进行信号重构;
步骤S3:根据重构后的信号来构建生物组织轮廓,对生物组织区域下层组织轮廓进行成像。
在本实施例中,所述步骤S1的具体内容为:
在OCT系统中,光源经参考光路后被光谱仪采集到的信号为:
IR(A)=SR(k)e2ikr (1)
式中,SR(k)为参考光的谱功率分布函数,e2ikr为相位,2r为参考比的光程长度,k为波数且k=2π/λ;而样品反射光表达为:
Figure GDA0003563399180000061
式中,SS(k,z)为样品反射光的谱功率分布函数,n为样品反射率;r+nz为样品在深度z上对应的光程;
当参考光和反射光发生干涉后,被系统接受并转换成干涉光谱信号为:
Figure GDA0003563399180000062
式(3)为真实的干涉光谱信号,而实际采集到的信号即生物组织区域光学干涉信号为:
Figure GDA0003563399180000063
在本实施例中,所述步骤S2的具体内容为:
小波包分解能够根据信号本身特点,自适应选择频带,确定信号在不同频段的分辨率;
首先,令所获取的光学信号为f(x),而尺度函数
Figure GDA0003563399180000064
和小波函数ψ(t)满足以下方程:
Figure GDA0003563399180000065
Figure GDA0003563399180000066
μ1(t)=ψ(t),将式(5)和(6)改写为:
Figure GDA0003563399180000067
Figure GDA0003563399180000068
由此定义的函数系{μn(t)}n∈z称为正交尺度函数
Figure GDA0003563399180000069
的正交小波包;小波包空间由
Figure GDA00035633991800000610
的伸缩平移张成,每个空间都由比它大1的两个子空间构成,多分辨率分解公式的算子形式为:
Figure GDA0003563399180000071
Figure GDA0003563399180000072
设利用OCT设备采集到的生物组织区域光学干涉信号
Figure GDA0003563399180000073
Figure GDA0003563399180000074
因此小波包的分解公式为:
Figure GDA0003563399180000075
将小波包分解后的分量分别记为xi(n),然后计算每个分量的能量特征
Figure GDA0003563399180000076
式中xi(n)为分解系数序列中第i个频带,j为小波包分解层数;
计算频带能量的平均幅值
Figure GDA0003563399180000077
将能量特征大于平均幅值的分量视为能量特征大的分量,将其叠加进行信号重构,重构后的信号为Ireconstruction
Figure GDA0003563399180000078
在本实施例中,所述步骤S3的具体内容为:
将重构后的信号即单列信号乘以OCT设备分辨率即为探测到的生物组织在深度上的信息,将单点的信号按照采集顺序一一排列构成二维矩阵,将其画为二维扫描图,即构成探测区域部分生物组织内部轮廓二维图。
较佳的,本实施例首先采用OCT设备对生物组织进行扫描成像,获取生物组织光学干涉信号;然后采用小波包分解对实验信号进行分解,对分解后的信号求解其能量特征,然后选取能量特征大的分量进行信号重构;最后根据重构后的信号来构建生物组织轮廓。图1为OCT设备采集到的光学信号。然后采用小波包能量分解对信号进行分解,并求解其能量特征,图2为信号的小波包能量特征。选取能量特征大的分量进行信号重构,然后将扫描信号进行轮廓成像。图3为生物组织内部轮廓图。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。

Claims (2)

1.一种基于光学相干断层扫描的生物组织轮廓成像方法,其特征在于:包括以下步骤:
步骤S1:采用OCT设备对生物组织区域进行扫描成像,获取生物组织区域光学干涉信号;
步骤S2:采用小波包分解对光学干涉信号进行分解,对分解后的信号求解其能量特征,然后选取能量特征大的分量进行信号重构;
步骤S3:根据重构后的信号来构建生物组织轮廓,对生物组织区域下层组织轮廓进行成像;
所述步骤S2的具体内容为:
令所获取的光学信号为f(x),而尺度函数
Figure FDA0003563399170000011
和小波函数ψ(t)满足以下方程:
Figure FDA0003563399170000012
Figure FDA0003563399170000013
Figure FDA0003563399170000014
μ1(t)=ψ(t),将式(5)和(6)改写为:
Figure FDA0003563399170000015
Figure FDA0003563399170000016
由此定义的函数系{μn(t)}n∈z称为正交尺度函数
Figure FDA0003563399170000017
的正交小波包;小波包空间由
Figure FDA0003563399170000018
的伸缩平移张成,每个空间都由比它大1的两个子空间构成,多分辨率分解公式的算子形式为:
Figure FDA0003563399170000019
Figure FDA00035633991700000110
设利用OCT设备采集到的生物组织区域光学干涉信号
Figure FDA0003563399170000021
Figure FDA0003563399170000022
因此小波包的分解公式为:
Figure FDA0003563399170000023
将小波包分解后的分量分别记为xi(n),然后计算每个分量的能量特征
Figure FDA0003563399170000024
式中xi(n)为分解系数序列中第i个频带,j为小波包分解层数;
计算频带能量的平均幅值
Figure FDA0003563399170000025
将能量特征大于平均幅值的分量视为能量特征大的分量,将其叠加进行信号重构,重构后的信号为Ireconstruction
Figure FDA0003563399170000026
所述步骤S3的具体内容为:
将重构后的信号即单列信号乘以OCT设备分辨率即为探测到的生物组织在深度上的信息,将单点的信号按照采集顺序一一排列构成二维矩阵,将其画为二维扫描图,即构成探测区域部分生物组织内部轮廓二维图。
2.根据权利要求1所述的一种基于光学相干断层扫描的生物组织轮廓成像方法,其特征在于:所述步骤S1的具体内容为:
在OCT系统中,光源经参考光路后被光谱仪采集到的信号为:
IR(A)=SR(k)e2ikr (1)
式中,SR(k)为参考光的谱功率分布函数,e2ikr为相位,2r为参考比的光程长度,k为波数且k=2π/λ;而样品反射光表达为:
Figure FDA0003563399170000031
式中,SS(k,z)为样品反射光的谱功率分布函数,n为样品反射率;r+nz为样品在深度z上对应的光程;
当参考光和反射光发生干涉后,被系统接受并转换成干涉光谱信号为:
Figure FDA0003563399170000032
式(3)为真实的干涉光谱信号,而实际采集到的信号即生物组织区域光学干涉信号为:
Figure FDA0003563399170000033
CN202110810785.9A 2021-07-16 2021-07-16 一种基于光学相干断层扫描的生物组织轮廓成像方法 Active CN113450342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110810785.9A CN113450342B (zh) 2021-07-16 2021-07-16 一种基于光学相干断层扫描的生物组织轮廓成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110810785.9A CN113450342B (zh) 2021-07-16 2021-07-16 一种基于光学相干断层扫描的生物组织轮廓成像方法

Publications (2)

Publication Number Publication Date
CN113450342A CN113450342A (zh) 2021-09-28
CN113450342B true CN113450342B (zh) 2022-06-14

Family

ID=77816533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110810785.9A Active CN113450342B (zh) 2021-07-16 2021-07-16 一种基于光学相干断层扫描的生物组织轮廓成像方法

Country Status (1)

Country Link
CN (1) CN113450342B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105769387A (zh) * 2016-04-27 2016-07-20 张培东 一种带瓣膜定位功能的经皮主动脉瓣置换手术用输送装置
WO2017005838A1 (en) * 2015-07-09 2017-01-12 Agfa Healthcare Non-invasive biological tissue examination based on full field high definition optical coherence tomography imaging
CN109596529A (zh) * 2018-12-28 2019-04-09 浙江大学 一种基于光纤阵列并行探测的光学相干层析系统及方法
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
CN112597947A (zh) * 2020-12-29 2021-04-02 电子科技大学 一种基于傅里叶域光学相干层析成像技术的色散补偿方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9678007B2 (en) * 2011-10-14 2017-06-13 Northwestern University Biological tissue analysis by inverse spectroscopic optical coherence tomography

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017005838A1 (en) * 2015-07-09 2017-01-12 Agfa Healthcare Non-invasive biological tissue examination based on full field high definition optical coherence tomography imaging
CN105769387A (zh) * 2016-04-27 2016-07-20 张培东 一种带瓣膜定位功能的经皮主动脉瓣置换手术用输送装置
CN109596529A (zh) * 2018-12-28 2019-04-09 浙江大学 一种基于光纤阵列并行探测的光学相干层析系统及方法
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
CN112597947A (zh) * 2020-12-29 2021-04-02 电子科技大学 一种基于傅里叶域光学相干层析成像技术的色散补偿方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Speckle noise reduction of optical coherence tomography images with a wavelet transform;Tsuyoshi Murakami et al.;《2018 IEEE 14th International Colloquium on Signal Processing & Its Applications (CSPA)》;IEEE;20180531;全文 *
一维小波变换在时域光学相干层析成像中的应用;张雨东等;《中国激光》;20080710(第07期);全文 *
扫频OCT的快速图像处理技术研究;蔡旭皓;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20190515(第05期);全文 *

Also Published As

Publication number Publication date
CN113450342A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Chong et al. Speckle reduction in optical coherence tomography images of human finger skin by wavelet modified BM3D filter
JP6320594B2 (ja) 被検体情報取得装置及び被検体情報取得方法
CN101822548A (zh) 基于相关性分析与经验模态分解的超声信号去噪方法
Castillo et al. Noise suppression in ECG signals through efficient one-step wavelet processing techniques
CN106127711A (zh) shearlet变换和快速双边滤波器图像去噪方法
EP2799006B1 (en) Object information acquiring apparatus and control method of object information acquiring apparatus
CN107468250B (zh) 基于多尺度熵的生物组织太赫兹成像方法、系统和设备
CN109598680A (zh) 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法
CN102682439B (zh) 基于多向经验模式分解的医学图像融合方法
Chen et al. Time of arrival data fusion method for two-dimensional ultrawideband breast cancer detection
CN113450342B (zh) 一种基于光学相干断层扫描的生物组织轮廓成像方法
AlAsadi Contourlet transform based method for medical image denoising
Chahuara et al. Regularized framework for simultaneous estimation of ultrasonic attenuation and backscatter coefficients
US20130315462A1 (en) Use of a Two-Dimensional Analytical Signal in Sonography
US6066098A (en) Method for enhancing the diagnostic power of ultrasonic scanning systems by using real-time spectral maps, and device operating by said method
CN101639530B (zh) 一种基于二维混合变换的sar回波信号去噪预处理方法
Hernández et al. Noise cancellation on ECG and heart rate signals using the undecimated wavelet transform
CN108416737A (zh) 基于dnst的医学ct图像去噪方法
Isabona et al. Multi-resolution based discrete wavelet transform for enhanced signal coverage processing and prediction analysis
Kongo et al. Dual-tree complex wavelet in medical ultrasounds images restoration
De Marchi et al. Prostate tissue characterization via ultrasound speckle statistics
Kim et al. Multiband tissue differentiation in ultrasonic transmission tomography
AU2020103375A4 (en) Speckle Denoising System for Ultrasound Images with Framelet Transform and Gaussian Filter
Ermeydan et al. Digital Pathology Image Reconstruction with Alternating Direction Method of Multipliers using Wavelet, Contourlet and Shearlet Transforms
Zhang et al. CT Image De-noising Model Based on Independent Component Analysis and Curvelet Transform.

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