CN113473900A - 用于生成深度剖面的方法和系统 - Google Patents
用于生成深度剖面的方法和系统 Download PDFInfo
- Publication number
- CN113473900A CN113473900A CN201980088871.4A CN201980088871A CN113473900A CN 113473900 A CN113473900 A CN 113473900A CN 201980088871 A CN201980088871 A CN 201980088871A CN 113473900 A CN113473900 A CN 113473900A
- Authority
- CN
- China
- Prior art keywords
- tissue
- signals
- signal
- depth profile
- depth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 370
- 230000003287 optical effect Effects 0.000 claims abstract description 422
- 239000000523 sample Substances 0.000 claims abstract description 222
- 230000005284 excitation Effects 0.000 claims abstract description 127
- 238000003384 imaging method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 33
- 210000001519 tissue Anatomy 0.000 claims description 441
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 118
- 201000010099 disease Diseases 0.000 claims description 114
- 206010028980 Neoplasm Diseases 0.000 claims description 50
- 230000001360 synchronised effect Effects 0.000 claims description 48
- 201000011510 cancer Diseases 0.000 claims description 42
- 230000010287 polarization Effects 0.000 claims description 38
- 239000000835 fiber Substances 0.000 claims description 35
- 210000000981 epithelium Anatomy 0.000 claims description 31
- 239000002131 composite material Substances 0.000 claims description 30
- 230000033001 locomotion Effects 0.000 claims description 30
- 238000001727 in vivo Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000001069 Raman spectroscopy Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 208000000453 Skin Neoplasms Diseases 0.000 claims description 11
- 201000000849 skin cancer Diseases 0.000 claims description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000000149 penetrating effect Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 210
- 238000004422 calculation algorithm Methods 0.000 description 100
- 239000013307 optical fiber Substances 0.000 description 100
- 238000012549 training Methods 0.000 description 92
- 238000010801 machine learning Methods 0.000 description 57
- 238000004891 communication Methods 0.000 description 49
- 230000006870 function Effects 0.000 description 47
- 238000013528 artificial neural network Methods 0.000 description 41
- 230000000875 corresponding effect Effects 0.000 description 30
- 210000003491 skin Anatomy 0.000 description 30
- 238000003860 storage Methods 0.000 description 23
- 230000015654 memory Effects 0.000 description 20
- 238000005286 illumination Methods 0.000 description 19
- 238000000386 microscopy Methods 0.000 description 17
- 230000004075 alteration Effects 0.000 description 16
- 210000004027 cell Anatomy 0.000 description 15
- 229940079593 drug Drugs 0.000 description 15
- 239000003814 drug Substances 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 14
- 102000008186 Collagen Human genes 0.000 description 12
- 108010035532 Collagen Proteins 0.000 description 12
- 229920001436 collagen Polymers 0.000 description 12
- 230000036541 health Effects 0.000 description 12
- 238000012014 optical coherence tomography Methods 0.000 description 11
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 10
- 238000001514 detection method Methods 0.000 description 10
- 238000012417 linear regression Methods 0.000 description 10
- 230000000306 recurrent effect Effects 0.000 description 10
- 201000009030 Carcinoma Diseases 0.000 description 9
- 210000002615 epidermis Anatomy 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000012628 principal component regression Methods 0.000 description 8
- 238000002604 ultrasonography Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 102000004169 proteins and genes Human genes 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012952 Resampling Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 6
- 238000004624 confocal microscopy Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 210000002919 epithelial cell Anatomy 0.000 description 6
- 239000011521 glass Substances 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 210000002752 melanocyte Anatomy 0.000 description 6
- 230000007170 pathology Effects 0.000 description 6
- 238000001907 polarising light microscopy Methods 0.000 description 6
- 239000010936 titanium Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 102000016942 Elastin Human genes 0.000 description 5
- 108010014258 Elastin Proteins 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000002082 coherent anti-Stokes Raman spectroscopy Methods 0.000 description 5
- 210000004207 dermis Anatomy 0.000 description 5
- 239000000975 dye Substances 0.000 description 5
- 229920002549 elastin Polymers 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012634 optical imaging Methods 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 210000000434 stratum corneum Anatomy 0.000 description 5
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 4
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 4
- 230000005670 electromagnetic radiation Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 229930027945 nicotinamide-adenine dinucleotide Natural products 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 102000011782 Keratins Human genes 0.000 description 3
- 108010076876 Keratins Proteins 0.000 description 3
- 102000029749 Microtubule Human genes 0.000 description 3
- 108091022875 Microtubule Proteins 0.000 description 3
- 102000003505 Myosin Human genes 0.000 description 3
- 108060008487 Myosin Proteins 0.000 description 3
- QIVBCDIJIAJPQS-UHFFFAOYSA-N Tryptophan Natural products C1=CC=C2C(CC(N)C(O)=O)=CNC2=C1 QIVBCDIJIAJPQS-UHFFFAOYSA-N 0.000 description 3
- 229910052769 Ytterbium Inorganic materials 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 3
- 201000009310 astigmatism Diseases 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000001072 colon Anatomy 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004064 dysfunction Effects 0.000 description 3
- VWWQXMAJTJZDQX-UYBVJOGSSA-N flavin adenine dinucleotide Chemical compound C1=NC2=C(N)N=CN=C2N1[C@@H]([C@H](O)[C@@H]1O)O[C@@H]1CO[P@](O)(=O)O[P@@](O)(=O)OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C2=NC(=O)NC(=O)C2=NC2=C1C=C(C)C(C)=C2 VWWQXMAJTJZDQX-UYBVJOGSSA-N 0.000 description 3
- 235000019162 flavin adenine dinucleotide Nutrition 0.000 description 3
- 239000011714 flavin adenine dinucleotide Substances 0.000 description 3
- 229940093632 flavin-adenine dinucleotide Drugs 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000002496 gastric effect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 201000001441 melanoma Diseases 0.000 description 3
- 210000004688 microtubule Anatomy 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000000382 optic material Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 239000000049 pigment Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- -1 titanium ions Chemical class 0.000 description 3
- NAWDYIZEMPQZHO-UHFFFAOYSA-N ytterbium Chemical compound [Yb] NAWDYIZEMPQZHO-UHFFFAOYSA-N 0.000 description 3
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 208000010839 B-cell chronic lymphocytic leukemia Diseases 0.000 description 2
- 206010004146 Basal cell carcinoma Diseases 0.000 description 2
- 206010005003 Bladder cancer Diseases 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010009944 Colon cancer Diseases 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 208000017604 Hodgkin disease Diseases 0.000 description 2
- 208000010747 Hodgkins lymphoma Diseases 0.000 description 2
- QIVBCDIJIAJPQS-VIFPVBQESA-N L-tryptophane Chemical compound C1=CC=C2C(C[C@H](N)C(O)=O)=CNC2=C1 QIVBCDIJIAJPQS-VIFPVBQESA-N 0.000 description 2
- 208000031422 Lymphocytic Chronic B-Cell Leukemia Diseases 0.000 description 2
- 206010025323 Lymphomas Diseases 0.000 description 2
- 208000035346 Margins of Excision Diseases 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 208000015914 Non-Hodgkin lymphomas Diseases 0.000 description 2
- 206010035226 Plasma cell myeloma Diseases 0.000 description 2
- 208000015634 Rectal Neoplasms Diseases 0.000 description 2
- 201000000582 Retinoblastoma Diseases 0.000 description 2
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 description 2
- 206010039491 Sarcoma Diseases 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 239000013566 allergen Substances 0.000 description 2
- 210000005068 bladder tissue Anatomy 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 208000002458 carcinoid tumor Diseases 0.000 description 2
- 210000003850 cellular structure Anatomy 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 208000032852 chronic lymphocytic leukemia Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 208000030381 cutaneous melanoma Diseases 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002500 effect on skin Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 2
- 230000004761 fibrosis Effects 0.000 description 2
- 210000000232 gallbladder Anatomy 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- KFZMGEQAYNKOFK-UHFFFAOYSA-N isopropyl alcohol Natural products CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 210000000867 larynx Anatomy 0.000 description 2
- 208000032839 leukemia Diseases 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002082 metal nanoparticle Substances 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 239000002078 nanoshell Substances 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- BOPGDPNILDQYTO-NNYOXOHSSA-N nicotinamide-adenine dinucleotide Chemical compound C1=CCC(C(=O)N)=CN1[C@H]1[C@H](O)[C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]2[C@H]([C@@H](O)[C@@H](O2)N2C3=NC=NC(N)=C3N=C2)O)O1 BOPGDPNILDQYTO-NNYOXOHSSA-N 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 210000001428 peripheral nervous system Anatomy 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000002062 proliferating effect Effects 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- NHZMQXZHNVQTQA-UHFFFAOYSA-N pyridoxamine Chemical compound CC1=NC=C(CO)C(CN)=C1O NHZMQXZHNVQTQA-UHFFFAOYSA-N 0.000 description 2
- LXNHXLLTXMVWPM-UHFFFAOYSA-N pyridoxine Chemical compound CC1=NC=C(CO)C(CO)=C1O LXNHXLLTXMVWPM-UHFFFAOYSA-N 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 206010038038 rectal cancer Diseases 0.000 description 2
- 201000001275 rectum cancer Diseases 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 239000011607 retinol Substances 0.000 description 2
- 229960003471 retinol Drugs 0.000 description 2
- 235000020944 retinol Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910052594 sapphire Inorganic materials 0.000 description 2
- 239000010980 sapphire Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000004054 semiconductor nanocrystal Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 201000008261 skin carcinoma Diseases 0.000 description 2
- 230000036555 skin type Effects 0.000 description 2
- 206010041823 squamous cell carcinoma Diseases 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 210000002105 tongue Anatomy 0.000 description 2
- 201000005112 urinary bladder cancer Diseases 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- PFNQVRZLDWYSCW-UHFFFAOYSA-N (fluoren-9-ylideneamino) n-naphthalen-1-ylcarbamate Chemical compound C12=CC=CC=C2C2=CC=CC=C2C1=NOC(=O)NC1=CC=CC2=CC=CC=C12 PFNQVRZLDWYSCW-UHFFFAOYSA-N 0.000 description 1
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- IHWDSEPNZDYMNF-UHFFFAOYSA-N 1H-indol-2-amine Chemical class C1=CC=C2NC(N)=CC2=C1 IHWDSEPNZDYMNF-UHFFFAOYSA-N 0.000 description 1
- GOLORTLGFDVFDW-UHFFFAOYSA-N 3-(1h-benzimidazol-2-yl)-7-(diethylamino)chromen-2-one Chemical compound C1=CC=C2NC(C3=CC4=CC=C(C=C4OC3=O)N(CC)CC)=NC2=C1 GOLORTLGFDVFDW-UHFFFAOYSA-N 0.000 description 1
- WUPHOULIZUERAE-UHFFFAOYSA-N 3-(oxolan-2-yl)propanoic acid Chemical compound OC(=O)CCC1CCCO1 WUPHOULIZUERAE-UHFFFAOYSA-N 0.000 description 1
- CJIJXIFQYOPWTF-UHFFFAOYSA-N 7-hydroxycoumarin Natural products O1C(=O)C=CC2=CC(O)=CC=C21 CJIJXIFQYOPWTF-UHFFFAOYSA-N 0.000 description 1
- 208000024893 Acute lymphoblastic leukemia Diseases 0.000 description 1
- 208000014697 Acute lymphocytic leukaemia Diseases 0.000 description 1
- 208000031261 Acute myeloid leukaemia Diseases 0.000 description 1
- 208000006468 Adrenal Cortex Neoplasms Diseases 0.000 description 1
- 241000270728 Alligator Species 0.000 description 1
- 208000032467 Aplastic anaemia Diseases 0.000 description 1
- 206010003571 Astrocytoma Diseases 0.000 description 1
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 208000032791 BCR-ABL1 positive chronic myelogenous leukemia Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 206010004950 Birth mark Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- KSFOVUSSGSKXFI-GAQDCDSVSA-N CC1=C/2NC(\C=C3/N=C(/C=C4\N\C(=C/C5=N/C(=C\2)/C(C=C)=C5C)C(C=C)=C4C)C(C)=C3CCC(O)=O)=C1CCC(O)=O Chemical compound CC1=C/2NC(\C=C3/N=C(/C=C4\N\C(=C/C5=N/C(=C\2)/C(C=C)=C5C)C(C=C)=C4C)C(C)=C3CCC(O)=O)=C1CCC(O)=O KSFOVUSSGSKXFI-GAQDCDSVSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000005024 Castleman disease Diseases 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000010833 Chronic myeloid leukaemia Diseases 0.000 description 1
- 102000012422 Collagen Type I Human genes 0.000 description 1
- 108010022452 Collagen Type I Proteins 0.000 description 1
- 102000000503 Collagen Type II Human genes 0.000 description 1
- 108010041390 Collagen Type II Proteins 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- AUNGANRZJHBGPY-UHFFFAOYSA-N D-Lyxoflavin Natural products OCC(O)C(O)C(O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-UHFFFAOYSA-N 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010013700 Drug hypersensitivity Diseases 0.000 description 1
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 1
- 229910052692 Dysprosium Inorganic materials 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010014733 Endometrial cancer Diseases 0.000 description 1
- 206010014759 Endometrial neoplasm Diseases 0.000 description 1
- 241000792859 Enema Species 0.000 description 1
- 206010014970 Ephelides Diseases 0.000 description 1
- 229910052691 Erbium Inorganic materials 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 208000006168 Ewing Sarcoma Diseases 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 208000022072 Gallbladder Neoplasms Diseases 0.000 description 1
- 206010051066 Gastrointestinal stromal tumour Diseases 0.000 description 1
- 208000032612 Glial tumor Diseases 0.000 description 1
- 206010018338 Glioma Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000021519 Hodgkin lymphoma Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 208000007766 Kaposi sarcoma Diseases 0.000 description 1
- 208000008839 Kidney Neoplasms Diseases 0.000 description 1
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 description 1
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 description 1
- 206010023825 Laryngeal cancer Diseases 0.000 description 1
- 208000004059 Male Breast Neoplasms Diseases 0.000 description 1
- 206010073059 Malignant neoplasm of unknown primary site Diseases 0.000 description 1
- 208000032271 Malignant tumor of penis Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 208000003351 Melanosis Diseases 0.000 description 1
- 206010027452 Metastases to bone Diseases 0.000 description 1
- 208000003445 Mouth Neoplasms Diseases 0.000 description 1
- 208000034578 Multiple myelomas Diseases 0.000 description 1
- 201000003793 Myelodysplastic syndrome Diseases 0.000 description 1
- 208000033761 Myelogenous Chronic BCR-ABL Positive Leukemia Diseases 0.000 description 1
- 208000033776 Myeloid Acute Leukemia Diseases 0.000 description 1
- BAWFJGJZGIEFAR-NNYOXOHSSA-N NAD zwitterion Chemical compound NC(=O)C1=CC=C[N+]([C@H]2[C@@H]([C@H](O)[C@@H](COP([O-])(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=C1 BAWFJGJZGIEFAR-NNYOXOHSSA-N 0.000 description 1
- 208000001894 Nasopharyngeal Neoplasms Diseases 0.000 description 1
- 229910052779 Neodymium Inorganic materials 0.000 description 1
- 206010061309 Neoplasm progression Diseases 0.000 description 1
- 206010029260 Neuroblastoma Diseases 0.000 description 1
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 description 1
- DFPAKSUCGFBDDF-UHFFFAOYSA-N Nicotinamide Chemical group NC(=O)C1=CC=CN=C1 DFPAKSUCGFBDDF-UHFFFAOYSA-N 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 1
- 206010057444 Oropharyngeal neoplasm Diseases 0.000 description 1
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 206010033372 Pain and discomfort Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 208000002471 Penile Neoplasms Diseases 0.000 description 1
- 206010034299 Penile cancer Diseases 0.000 description 1
- 208000007913 Pituitary Neoplasms Diseases 0.000 description 1
- 229910052777 Praseodymium Inorganic materials 0.000 description 1
- 208000006664 Precursor Cell Lymphoblastic Leukemia-Lymphoma Diseases 0.000 description 1
- 102000029797 Prion Human genes 0.000 description 1
- 108091000054 Prion Proteins 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 206010038389 Renal cancer Diseases 0.000 description 1
- 208000004337 Salivary Gland Neoplasms Diseases 0.000 description 1
- 206010061934 Salivary gland cancer Diseases 0.000 description 1
- 206010072170 Skin wound Diseases 0.000 description 1
- 208000032383 Soft tissue cancer Diseases 0.000 description 1
- PJANXHGTPQOBST-VAWYXSNFSA-N Stilbene Natural products C=1C=CC=CC=1/C=C/C1=CC=CC=C1 PJANXHGTPQOBST-VAWYXSNFSA-N 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 208000024313 Testicular Neoplasms Diseases 0.000 description 1
- 206010057644 Testis cancer Diseases 0.000 description 1
- XBDYBAVJXHJMNQ-UHFFFAOYSA-N Tetrahydroanthracene Natural products C1=CC=C2C=C(CCCC3)C3=CC2=C1 XBDYBAVJXHJMNQ-UHFFFAOYSA-N 0.000 description 1
- 229910052775 Thulium Inorganic materials 0.000 description 1
- 208000000728 Thymus Neoplasms Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 208000002495 Uterine Neoplasms Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 206010047741 Vulval cancer Diseases 0.000 description 1
- 208000033559 Waldenström macroglobulinemia Diseases 0.000 description 1
- XJLXINKUBYWONI-DQQFMEOOSA-N [[(2r,3r,4r,5r)-5-(6-aminopurin-9-yl)-3-hydroxy-4-phosphonooxyoxolan-2-yl]methoxy-hydroxyphosphoryl] [(2s,3r,4s,5s)-5-(3-carbamoylpyridin-1-ium-1-yl)-3,4-dihydroxyoxolan-2-yl]methyl phosphate Chemical compound NC(=O)C1=CC=C[N+]([C@@H]2[C@H]([C@@H](O)[C@H](COP([O-])(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](OP(O)(O)=O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=C1 XJLXINKUBYWONI-DQQFMEOOSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000004100 adrenal gland Anatomy 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910052788 barium Inorganic materials 0.000 description 1
- DSAJWYNOEDNPEQ-UHFFFAOYSA-N barium atom Chemical compound [Ba] DSAJWYNOEDNPEQ-UHFFFAOYSA-N 0.000 description 1
- 210000000270 basal cell Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000013 bile duct Anatomy 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008499 blood brain barrier function Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000001218 blood-brain barrier Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000002419 bulk glass Substances 0.000 description 1
- 229910052980 cadmium sulfide Inorganic materials 0.000 description 1
- UHYPYGJEEGLRJD-UHFFFAOYSA-N cadmium(2+);selenium(2-) Chemical compound [Se-2].[Cd+2] UHYPYGJEEGLRJD-UHFFFAOYSA-N 0.000 description 1
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 229910001634 calcium fluoride Inorganic materials 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 201000002797 childhood leukemia Diseases 0.000 description 1
- 208000006990 cholangiocarcinoma Diseases 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 210000001608 connective tissue cell Anatomy 0.000 description 1
- 208000018631 connective tissue disease Diseases 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 229940125368 controlled substance Drugs 0.000 description 1
- 239000000599 controlled substance Substances 0.000 description 1
- ZXJXZNDDNMQXFV-UHFFFAOYSA-M crystal violet Chemical compound [Cl-].C1=CC(N(C)C)=CC=C1[C+](C=1C=CC(=CC=1)N(C)C)C1=CC=C(N(C)C)C=C1 ZXJXZNDDNMQXFV-UHFFFAOYSA-M 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000035617 depilation Effects 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 201000005311 drug allergy Diseases 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- KBQHZAAAGSGFKK-UHFFFAOYSA-N dysprosium atom Chemical compound [Dy] KBQHZAAAGSGFKK-UHFFFAOYSA-N 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 210000003372 endocrine gland Anatomy 0.000 description 1
- 230000002357 endometrial effect Effects 0.000 description 1
- 238000012143 endoscopic resection Methods 0.000 description 1
- 239000007920 enema Substances 0.000 description 1
- 229940095399 enema Drugs 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- UYAHIZSMUZPPFV-UHFFFAOYSA-N erbium Chemical compound [Er] UYAHIZSMUZPPFV-UHFFFAOYSA-N 0.000 description 1
- 201000004101 esophageal cancer Diseases 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 210000003499 exocrine gland Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 208000024519 eye neoplasm Diseases 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 102000013373 fibrillar collagen Human genes 0.000 description 1
- 108060002894 fibrillar collagen Proteins 0.000 description 1
- 150000002211 flavins Chemical class 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 239000005350 fused silica glass Substances 0.000 description 1
- 201000010175 gallbladder cancer Diseases 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 229960001235 gentian violet Drugs 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- 208000003884 gestational trophoblastic disease Diseases 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 208000005017 glioblastoma Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 230000003394 haemopoietic effect Effects 0.000 description 1
- 201000009277 hairy cell leukemia Diseases 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 238000012333 histopathological diagnosis Methods 0.000 description 1
- 201000006866 hypopharynx cancer Diseases 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 125000001449 isopropyl group Chemical group [H]C([H])([H])C([H])(*)C([H])([H])[H] 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000002510 keratinocyte Anatomy 0.000 description 1
- 201000010982 kidney cancer Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 206010023841 laryngeal neoplasm Diseases 0.000 description 1
- 201000004962 larynx cancer Diseases 0.000 description 1
- 239000005355 lead glass Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000006193 liquid solution Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003563 lymphoid tissue Anatomy 0.000 description 1
- 201000000564 macroglobulinemia Diseases 0.000 description 1
- ORUIBWPALBXDOA-UHFFFAOYSA-L magnesium fluoride Chemical compound [F-].[F-].[Mg+2] ORUIBWPALBXDOA-UHFFFAOYSA-L 0.000 description 1
- 229910001635 magnesium fluoride Inorganic materials 0.000 description 1
- FDZZZRQASAIRJF-UHFFFAOYSA-M malachite green Chemical compound [Cl-].C1=CC(N(C)C)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](C)C)C=C1 FDZZZRQASAIRJF-UHFFFAOYSA-M 0.000 description 1
- 229940107698 malachite green Drugs 0.000 description 1
- 201000003175 male breast cancer Diseases 0.000 description 1
- 208000010907 male breast carcinoma Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 208000006178 malignant mesothelioma Diseases 0.000 description 1
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 210000003716 mesoderm Anatomy 0.000 description 1
- 230000037353 metabolic pathway Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 201000000050 myeloid neoplasm Diseases 0.000 description 1
- 229950006238 nadide Drugs 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 239000006199 nebulizer Substances 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- QEFYFXOXNSNQGX-UHFFFAOYSA-N neodymium atom Chemical compound [Nd] QEFYFXOXNSNQGX-UHFFFAOYSA-N 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 229960003512 nicotinic acid Drugs 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 201000008106 ocular cancer Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004279 orbit Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 201000008968 osteosarcoma Diseases 0.000 description 1
- 230000002611 ovarian Effects 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 208000008443 pancreatic carcinoma Diseases 0.000 description 1
- 210000004923 pancreatic tissue Anatomy 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 description 1
- 230000003863 physical function Effects 0.000 description 1
- 230000001817 pituitary effect Effects 0.000 description 1
- 208000010916 pituitary tumor Diseases 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- PUDIUYLPXJFUGB-UHFFFAOYSA-N praseodymium atom Chemical compound [Pr] PUDIUYLPXJFUGB-UHFFFAOYSA-N 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 229950003776 protoporphyrin Drugs 0.000 description 1
- 235000008151 pyridoxamine Nutrition 0.000 description 1
- 239000011699 pyridoxamine Substances 0.000 description 1
- 235000008160 pyridoxine Nutrition 0.000 description 1
- 239000011677 pyridoxine Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229910052761 rare earth metal Inorganic materials 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000005084 renal tissue Anatomy 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 201000009410 rhabdomyosarcoma Diseases 0.000 description 1
- PYWVYCXTNDRMGF-UHFFFAOYSA-N rhodamine B Chemical compound [Cl-].C=12C=CC(=[N+](CC)CC)C=C2OC2=CC(N(CC)CC)=CC=C2C=1C1=CC=CC=C1C(O)=O PYWVYCXTNDRMGF-UHFFFAOYSA-N 0.000 description 1
- 229960002477 riboflavin Drugs 0.000 description 1
- 239000002151 riboflavin Substances 0.000 description 1
- 235000019192 riboflavin Nutrition 0.000 description 1
- 210000003079 salivary gland Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000037075 skin appearance Effects 0.000 description 1
- 230000036559 skin health Effects 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- PJANXHGTPQOBST-UHFFFAOYSA-N stilbene Chemical compound C=1C=CC=CC=1C=CC1=CC=CC=C1 PJANXHGTPQOBST-UHFFFAOYSA-N 0.000 description 1
- 235000021286 stilbenes Nutrition 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 210000000498 stratum granulosum Anatomy 0.000 description 1
- 210000000439 stratum lucidum Anatomy 0.000 description 1
- 210000000437 stratum spinosum Anatomy 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 201000003120 testicular cancer Diseases 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- IFLREYGFSNHWGE-UHFFFAOYSA-N tetracene Chemical compound C1=CC=CC2=CC3=CC4=CC=CC=C4C=C3C=C21 IFLREYGFSNHWGE-UHFFFAOYSA-N 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 201000009377 thymus cancer Diseases 0.000 description 1
- 201000002510 thyroid cancer Diseases 0.000 description 1
- 230000005751 tumor progression Effects 0.000 description 1
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 description 1
- ORHBXUUXSCNDEV-UHFFFAOYSA-N umbelliferone Chemical compound C1=CC(=O)OC2=CC(O)=CC=C21 ORHBXUUXSCNDEV-UHFFFAOYSA-N 0.000 description 1
- HFTAFOQKODTIJY-UHFFFAOYSA-N umbelliferone Natural products Cc1cc2C=CC(=O)Oc2cc1OCC=CC(C)(C)O HFTAFOQKODTIJY-UHFFFAOYSA-N 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
- 206010046766 uterine cancer Diseases 0.000 description 1
- 208000037965 uterine sarcoma Diseases 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
- 206010046885 vaginal cancer Diseases 0.000 description 1
- 208000013139 vaginal neoplasm Diseases 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
- 229940011671 vitamin b6 Drugs 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 201000005102 vulva cancer Diseases 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
- A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
-
- 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
-
- 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
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- 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
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
- A61B5/0084—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for introduction into the body, e.g. by catheters
-
- 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
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本文提供了在通过样本厚度成像时可以提高光学分辨率的方法、设备和系统。用于生成受试者的组织的深度剖面的方法可以包括：使用光学探针将来自光源的激发光束传输至组织表面；使用光学探针中的一个或多个聚焦单元沿扫描路径同时调节激发光束的焦点的深度和位置；检测组织与激发光束接触时生成的信号的至少子集；以及使用一个或多个编程为处理信号的至少子集的计算机处理器以生成组织的深度剖面。
Description
交叉引用
本申请要求于2018年11月13日提交的美国临时专利申请62/760,620的优先权，其通过引用整体并入本文。
背景技术
利用点扫描激发的成像设备(例如，非线性显微镜，双光子、三光子、多光子共聚焦拉曼，相干反斯托克斯拉曼光谱(Coherent anti-Stokes Raman spectroscopy)，光学相干断层扫描(OCT))在平行于光轴但垂直于成像样本表面的方向上的分辨率在光学上可受限。
衍射可以防止将光聚焦到实际点，但是产生称为点扩散函数(PSF)的光集中区域。在三个维度上，PSF可以是相对于XY平面在Z方向(平行于光轴的方向)上伸长的椭圆体。PSF的尺寸可指示系统可分辨的最小特征，例如，系统的成像分辨率。在XZ/YZ平面中的PSF(轴向分辨率)可比在XY平面中的PSF(横向分辨率)长数倍。当尝试对样本的横截面成像时，该作用可降低图像质量。可通过增加光学系统的数值孔径(NA)来减小PSF的尺寸，但仍可存在PSF在Z方向上比在X或Y方向更长的趋势。当在折射率接近于1.5的浸渍介质中成像时，轴向PSF尺寸与横向PSF尺寸之间的比率可为大约5/NA。因此，当NA为1.0时，轴向PSF尺寸可为横向PSF尺寸的五倍。当NA值低于1.0时，PSF的这种拉伸可增加。例如，当NA为0.7时，对于衍射受限的光学系统，近红外光谱中激发波长的横向分辨率为大约0.7μm。在这样的系统中，轴向分辨率可大于4μm，其可比横向平面分辨率差约六倍。系统限制条件(例如，像差、透镜直径和焦距)可限制可以达到的实际NA。
发明内容
本文提供了当通过样本的厚度成像时可以提高光学分辨率的方法和设备。本文还提供了可以改善疾病诊断的方法和设备。
在一方面，本公开内容提供了一种用于生成受试者的组织的深度剖面(depthprofile)的方法，其包括：(a)使用光学探针将激发光束从光源传输至组织的表面，所述激发光束的脉冲在与组织接触时产生指示组织的内在性质的信号，其中所述光学探针包括一个或多个聚焦单元，所述聚焦单元同时调节激发光束的焦点的深度和位置；(b)检测信号的至少子集；和(c)使用一个或多个计算机处理器以生成组织的深度剖面，所述计算机处理器编程为处理在(b)中检测到的信号的至少子集。
在一些实施方案中，激发光束是脉冲光束。在一些实施方案中，激发光束是单光束。在一些实施方案中，单光束是脉冲光束。在一些实施方案中，激发光束包括多光束。在一些实施方案中，该方法还包括(b)包括同时检测信号的多个子集。在一些实施方案中，该方法还包括处理信号的多个子集以生成多个深度剖面，其中所述多个深度剖面指示检测信号时的探针位置。在一些实施方案中，所述多个深度剖面对应于相同的扫描路径。在一些实施方案中，扫描路径包括倾斜的扫描路径。在一些实施方案中，该方法还包括为多个深度剖面的每一个分配至少一种不同的颜色。在一些实施方案中，该方法还包括组合来自多个深度剖面的数据的至少一个子集以形成合成深度剖面。在一些实施方案中，该方法还包括在显示屏上显示源于合成深度剖面的合成图像。在一些实施方案中，合成图像是多色图像。在一些实施方案中，多色图像的颜色分量对应于使用时间和位置同步的信号子集的多个深度剖面。在一些实施方案中，多个层中的每一层包括识别不同于其他层的特征的数据。在一些实施方案中，深度剖面包括多个深度剖面子集，其中所述多个子集深度剖面包括来自处理后生成信号的光学数据。在一些实施方案中，所述多个深度剖面包括第一深度剖面和第二深度剖面。
在一些实施方案中，第一深度剖面包括通过处理一信号而得的数据，该数据与从包括在第二深度剖面中的信号而产生的数据不同。在一些实施方案中，其中第一深度剖面和第二深度剖面包括一个或多个独立地选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号的处理信号。在一些实施方案中，多个深度剖面包括第三深度剖面，所述第三深度剖面包括来自选自SHG信号、多光子荧光信号和RCM信号的信号处理的数据。在一些实施方案中，深度剖面包括根据信号的多个子集创建的单个分量、图像或深度剖面。在一些实施方案中，深度剖面包括根据从相同位置和时间收集的图像的多个子集创建的多个层。在一些实施方案中，该方法还包括生成多个深度剖面。在一些实施方案中，多个深度剖面中的每一个对应于不同的探针位置。在一些实施方案中，多个深度剖面对应于检测信号时不同的扫描图案(scan pattern)。在一些实施方案中，不同的扫描图案对应于相同的时间和探针位置。在一些实施方案中，不同扫描图案中的至少一个扫描图案包括倾斜扫描图案。在一些实施方案中，倾斜扫描图案形成倾斜平面。
在一些实施方案中，组织包括体内组织。在一些实施方案中，(c)包括生成体内深度剖面。在一些实施方案中，深度剖面是带注释的深度剖面。在一些实施方案中，注释包括至少一种选自词语和标记的注释。在一些实施方案中，信号包括至少一个选自SHG信号、多光子荧光信号和RCM信号的信号。在一些实施方案中，多光子荧光信号包括多个多光子荧光信号。在一些实施方案中，信号包括至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。在一些实施方案中，信号包括SHG信号、多光子荧光信号和RCM信号。在一些实施方案中，信号还包括至少一个选自三次谐波产生信号、相干反斯托克斯拉曼散射信号、受激拉曼散射信号和荧光寿命成像信号的信号。
在一些实施方案中，信号在组织内在相同时间和位置产生。在一些实施方案中，该方法还包括在(a)之前，使受试者的组织与光学探针接触。在一些实施方案中，该方法还包括沿着扫描路径调节激发光束的焦点的深度和位置。在一些实施方案中，扫描路径是倾斜的扫描路径。在一些实施方案中，倾斜的扫描路径形成沿着相对于光学探针的光轴成角度的方向定位的倾斜平面。在一些实施方案中，倾斜平面与光轴之间的角度大于0度且小于90度。在一些实施方案中，(a)-(c)在不向受试者给药对比度增强剂的情况下进行。在一些实施方案中，激发光束包括非偏振光。在一些实施方案中，激发光束包括偏振光。在一些实施方案中，在环境光的存在下进行检测。在一些实施方案中，(a)在不穿透受试者的组织的情况下进行。在一些实施方案中，该方法还包括使用一个或多个计算机处理器利用深度剖面来识别组织的特征。
在一些实施方案中，该方法还包括使用一个或多个计算机处理器来识别组织中的疾病。在一些实施方案中，疾病的识别准确度为至少约80％。在一些实施方案中，疾病的识别准确度为至少约90％。在一些实施方案中，疾病为癌症。在一些实施方案中，所述组织为受试者的皮肤，并且其中所述癌症为皮肤癌。在一些实施方案中，深度剖面的分辨率为至少约0.8微米。在一些实施方案中，深度剖面的分辨率为至少约4微米。在一些实施方案中，深度剖面的分辨率为至少约10微米。在一些实施方案中，该方法还包括测量激发光束的功率。在一些实施方案中，该方法还包括实时监测激发光束的功率。在一些实施方案中，该方法还包括使用一个或多个计算机处理器将功率进行归一化，从而生成归一化的深度剖面。在一些实施方案中，该方法还包括显示至少部分地根据深度剖面生成的组织的投影横截面图像。在一些实施方案中，该方法还包括显示多个图像层的合成图。在一些实施方案中，多个层中的每一层根据多个深度剖面中的相应深度剖面生成。
在另一方面，本公开内容提供了一种用于生成受试者的组织的深度剖面的系统，其包括：光学探针，其配置为将激发光束从光源传输至所述组织的表面，其中所述激发光束在接触所述组织时产生指示所述组织的固有性质的信号，其中所述光学探针包括一个或多个聚焦单元，所述聚焦单元配置为同时调节所述激发光束的焦点的深度和位置；一个或多个传感器，其配置为检测信号的至少子集；和一个或多个计算机处理器，其有效地耦合至一个或多个传感器，其中所述一个或多个计算机处理器单独地或共同地编程以处理由一个或多个传感器检测到的信号的至少子集，以生成组织的深度剖面。
在一些实施方案中，激发光束是脉冲光束。在一些实施方案中，脉冲光束是单光束。在一些实施方案中，一个或多个聚焦单元包括z轴扫描仪和微机电系统(MEMS)反射镜。在一些实施方案中，Z轴扫描仪包括一个或多个透镜。在一些实施方案中，一个或多个透镜中的至少一个是无焦透镜。在一些实施方案中，Z轴扫描仪包括致动器。在一些实施方案中，致动器包括音圈。在一些实施方案中，z轴扫描仪和MEMS反射镜通过两个或多个致动器分别驱动，所述致动器由一个或多个计算机处理器控制。在一些实施方案中，一个或多个计算机处理器编程为或以其他方式配置为使z轴扫描仪和MEMS反射镜的运动同步。在一些实施方案中，z轴扫描仪和MEMS反射镜的同步运动提供一个或多个焦点以倾斜角度的同步运动。
在一些实施方案中，信号包括至少一个选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号的信号。在一些实施方案中，多光子荧光信号包括多个多光子荧光信号。在一些实施方案中，信号包括至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。在一些实施方案中，信号包括SHG信号、多光子荧光信号和RCM信号。在一些实施方案中，组织是上皮组织，并且其中深度剖面有助于识别受试者的上皮组织中的疾病。在一些实施方案中，沿着扫描路径调节激发光束的焦点的深度和位置。在一些实施方案中，扫描路径是倾斜的扫描路径。在一些实施方案中，倾斜的扫描路径是沿着相对于光学探针的光轴成角度的方向定位的倾斜平面。在一些实施方案中，倾斜平面与光轴之间的角度为0度至90度。
在一些实施方案中，光源包括脉冲持续时间小于约200飞秒的超快脉冲激光器。在一些实施方案中，在使用期间，光学探针与组织的表面接触。在一些实施方案中，系统还包括传感器，所述传感器检测光学探针与组织表面之间的位移。在一些实施方案中，光学探针配置为接收信号的至少一个子集，其中信号的至少一个子集包括至少一个RCM信号。在一些实施方案中，光学探针包括选择性光学器件，所述选择性光学器件配置为将信号的至少一个子集发送至光纤元件。在一些实施方案中，光学探针包括对准装置，所述对准装置配置成将信号的至少一个子集聚焦并对准至光纤元件。在一些实施方案中，对准装置包括聚焦透镜和在聚焦透镜与光纤元件之间的可调节折射元件。在一些实施方案中，聚焦透镜和光纤元件相对于可调节折射元件处于固定位置。在一些实施方案中，可调节折射元件可成角度地移动。在一些实施方案中，可调节折射元件还包括至少一个调节元件。
在一些实施方案中，系统还包括可移动反射镜，其中聚焦透镜位于可移动反射镜与折射元件之间。在一些实施方案中，该系统还包括位于分束器和聚焦透镜之间的偏振选择性光学器件。在一些实施方案中，选择性光学器件包括滤光器，所述滤光器选自分束器、偏振分束器、陷波滤波器、二向色镜、长通滤波器、短通滤波器、带通滤波器和平坦响应滤波器。在一些实施方案中，信号的至少子集包括偏振光。在一些实施方案中，光学探针包括一个或多个偏振选择性光学器件，所述偏振选择性光学器件选择偏振光的偏振。在一些实施方案中，信号的至少子集包括来自偏振光的偏振的RCM信号。在一些实施方案中，信号的至少子集包括非偏振光。在一些实施方案中，光学探针配置为拒绝散焦光。
在一些实施方案中，一个或多个传感器包括一个或多个光电传感器。在一些实施方案中，该系统还包括标记工具，该标记工具用于勾勒出指示受试者组织中疾病的位置的边界。在一些实施方案中，该系统是便携式系统。在一些实施方案中，便携式系统小于或等于50磅。在一些实施方案中，光学探针包括配置为与用户的手接触的壳体。在一些实施方案中，壳体还包括位于壳体内的传感器。在一些实施方案中，传感器配置为在空间中定位光学探针。在一些实施方案中，传感器是图像传感器，其中所述图像传感器配置为通过跟踪一个或多个特征在空间中定位光学探针。在一些实施方案中，一个或多个特征包括受试者的组织的特征。在一些实施方案中，一个或多个特征包括其中使用光学探针的空间的特征。在一些实施方案中，图像传感器是摄像机。在一些实施方案中，该系统还包括与壳体相邻的图像传感器。在一些实施方案中，图像传感器在空间中定位光学探针。在一些实施方案中，一个或多个特征包括受试者的组织的特征。在一些实施方案中，一个或多个特征包括其中使用光学探针的空间的特征。
在一些实施方案中，系统还包括与激发光束光学耦合的功率传感器。在一些实施方案中，深度剖面的分辨率为至少约0.8微米。在一些实施方案中，深度剖面的分辨率为至少约4微米。在一些实施方案中，深度剖面的分辨率为至少约10微米。在一些实施方案中，深度剖面是体内深度剖面。在一些实施方案中，深度剖面是带注释的深度剖面。在一些实施方案中，深度剖面包括多个深度剖面。在一些实施方案中，一个或多个计算机处理器编程为显示组织的投影横截面图像。
在另一方面，本公开内容提供了一种用于分析受试者的身体组织的方法，其包括：将光引导至受试者的身体组织；从受试者的身体组织接收多个信号以响应在(a)中引导至受试者的身体组织的光，其中多个信号的至少子集来自组织内；将与多个信号相对应的数据输入到训练的机器学习算法，该算法对数据进行处理以生成受试者的身体组织的分类；以及在用户的电子设备的用户界面上输出分类。
在一些实施方案中，数据包括至少一个深度剖面。在一些实施方案中，至少一个深度剖面包括一个或多个层。在一些实施方案中，所述一个或多个层在时间和位置上同步。在一些实施方案中，深度剖面包括一个或多个在时间和位置上同步的深度剖面。在一些实施方案中，多个信号基本上同时由光产生。在一些实施方案中，深度剖面包括带注释的深度剖面。在一些实施方案中，深度剖面包括体内深度剖面。在一些实施方案中，训练的机器学习算法包括输入层，将数据提供给该输入层；一个或多个内层；和输出层。在一些实施方案中，输入层包括多个深度剖面，所述深度剖面使用根据一个或多个在时间和位置上同步的信号处理的数据。在一些实施方案中，深度剖面使用光学探针生成。在一些实施方案中，深度剖面包括由信号的多个子集生成的单个分量、图像或深度剖面。在一些实施方案中，深度剖面包括多个层，所述层由从相同位置和时间收集的图像的多个子集生成。在一些实施方案中，多个层中的每一层包括识别不同于其他层的特征的数据。在一些实施方案中，深度剖面包括多个子集深度剖面。
在一些实施方案中，分类识别受试者中与组织特性有关的组织特征，所述组织的特性选自健康、功能、治疗和外观。在一些实施方案中，分类将受试者识别为患有疾病。在一些实施方案中，疾病为癌症。在一些实施方案中，所述组织为受试者的皮肤，并且其中所述癌症为皮肤癌。在一些实施方案中，多个信号包括至少一个选自SHG信号、多光子荧光信号和RCM信号的信号。在一些实施方案中，多个信号包括至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。在一些实施方案中，多个信号包括SHG信号、多光子荧光信号和RCM信号。在一些实施方案中，多光子荧光信号包括一个或多个多光子荧光信号。在一些实施方案中，(c)包括使用训练的机器学习算法识别与多个信号相对应的一个或多个特征。在一些实施方案中，训练的机器学习算法包括神经网络。在一些实施方案中，神经网络包括输入层，将数据提供给该输入层。在一些实施方案中，神经网络还包括一个或多个内层以及输出层。
在一些实施方案中，输入层包括使用在时间和位置上同步的多个信号的至少子集生成的多个深度剖面。在一些实施方案中，使用光学探针生成多个深度剖面中的至少一个，其中所述光学探针包括一个或多个聚焦单元，其中所述一个或多个聚焦单元包括z轴扫描仪和MEMS反射镜。在一些实施方案中，多个深度剖面中的至少一个包括来自多个信号的多个子集的单个分量。在一些实施方案中，多个深度剖面中的至少一个深度剖面包括由从相同位置和时间收集的光学数据生成的多个层。在一些实施方案中，多个层中的每一层包括识别不同于另一层的特征的数据。在一些实施方案中，深度剖面包括多个子集深度剖面。在一些实施方案中，神经网络包括卷积神经网络。在一些实施方案中，针对光信号的照明功率来控制数据。在一些实施方案中，该方法还包括接收受试者的医学数据。在一些实施方案中，受试者的医学数据包括至少一种选自以下的医学数据：受试者的身体状况、病史、当前和既往职业、年龄、性别、种族和国籍。
在一些实施方案中，身体状况包括受试者的生命体征。在一些实施方案中，医学数据包括至少一种选自以下的医学数据：结构数据、时序数据、非结构数据和相关数据。在一些实施方案中，医学数据上传到基于云的数据库。在一些实施方案中，数据包括至少一种选自以下的医学数据：结构数据、时序数据、非结构数据和相关数据。在一些实施方案中，数据上传到基于云的数据库。在一些实施方案中，数据保存在本地设备上。在一些实施方案中，数据包括从组织的重叠区域获取的深度剖面。
在另一方面，本公开内容提供了一种用于分析受试者的身体组织的系统，其包括：光学探针，其配置为(i)将激发光束引导至受试者的身体组织，和(ii)接收来自受试者的身体组织的多个信号以响应在(i)中引导至受试者的身体组织的激发光束，其中多个信号的至少子集来自组织内；以及一个或多个有效地耦合至所述光学探针的计算机处理器，其中一个或多个计算机处理器单独地或共同地编程为(i)接收与所述多个信号相对应的数据，(ii)将所述数据输入到处理数据的训练的机器学习算法以生成受试者的身体组织的分类，和(iii)在用户的电子设备的用户界面上输出分类。
在一些实施方案中，激发光束是脉冲光束。在一些实施方案中，脉冲光束是单光束。在一些实施方案中，数据包括至少一个深度剖面。在一些实施方案中，至少一个深度剖面包括一个或多个层。在一些实施方案中，所述一个或多个层在时间和位置上同步。在一些实施方案中，深度剖面包括一个或多个在时间和位置上同步的深度剖面。在一些实施方案中，深度剖面包括带注释的深度剖面。在一些实施方案中，深度剖面包括体内深度剖面。在一些实施方案中，训练的机器学习算法包括输入层，将数据提供给该输入层；一个或多个内层；和输出层。在一些实施方案中，输入层包括使用根据一个或多个在时间和位置上同步的信号处理的数据的多个深度剖面。在一些实施方案中，深度剖面使用光学探针生成。
在一些实施方案中，光学探针包括一个或多个聚焦单元。在一些实施方案中，一个或多个聚焦单元包括z轴扫描仪和微机电系统(MEMS)反射镜。在一些实施方案中，z轴扫描仪包括一个或多个透镜。在一些实施方案中，一个或多个透镜中的至少一个是无焦透镜。在一些实施方案中，z轴扫描仪包括致动器。在一些实施方案中，致动器包括音圈。在一些实施方案中，z轴扫描仪和MEMS反射镜通过两个或多个致动器分别驱动，所述致动器由一个或多个计算机处理器控制。在一些实施方案中，一个或多个计算机处理器编程为或以其他方式配置为使z轴扫描仪和MEMS反射镜的运动同步。在一些实施方案中，z轴扫描仪和MEMS反射镜的同步运动提供焦点以倾斜角度的同步运动。
在一些实施方案中，光学探针和一个或多个计算机处理器在同一设备中。在一些实施方案中，设备是移动设备。在一些实施方案中，光学探针是设备的一部分，并且其中一个或多个计算机处理器与设备分离。在一些实施方案中，一个或多个计算机处理器是计算机服务器的一部分。在一些实施方案中，一个或多个计算机处理器是分布式计算基础设施的一部分。在一些实施方案中，一个或多个计算机处理器编程为接收受试者的医学数据。在一些实施方案中，受试者的医学数据包括至少一种选自以下的医学数据：受试者的身体状况、病史、当前和既往职业、年龄、性别、种族和国籍。在一些实施方案中，身体状况包括受试者的生命体征。在一些实施方案中，医学数据包括至少一种选自以下的医学数据：结构数据、时序数据、非结构数据和相关数据。在一些实施方案中，数据包括至少一种选自以下的医学数据：结构数据、时序数据、非结构数据和相关数据。
在另一方面，本公开内容提供了一种生成用于识别受试者组织的特征的训练算法的方法，其包括：(a)从受试者的训练组织中收集信号，所述训练组织先前或随后识别为具有所述特征；(b)处理信号以生成与受试者的训练组织的深度剖面相对应的数据；和(c)使用来自(b)的数据以训练机器学习算法，以在计算机存储器中产生训练算法，用于识别受试者组织中的特征，其中所述组织独立于所述训练组织。
在一些实施方案中，所述特征为疾病。在一些实施方案中，所述特征为对应于选自组织的健康、功能、治疗和外观的组织特性的特征。
在一些实施方案中，数据包括具有一致标识和一致特性的数据。在一些实施方案中，一致特性包括选自照明强度、对比度、颜色、大小和质量的特性。在一些实施方案中，关于照明强度的数据进行归一化。在一些实施方案中，深度剖面对应于光学探针在组织上的不同位置。在一些实施方案中，(a)包括使用信号的至少子集生成一个或多个深度剖面。在一些实施方案中，信号的至少子集在时间和位置上同步。在一些实施方案中，数据对应于一个或多个深度剖面。在一些实施方案中，一个或多个深度剖面中的至少一个包括多个层。
在一些实施方案中，多个层由从相同时间和位置收集的多个图像子集生成。在一些实施方案中，多个层中的每一层包括识别不同于另一层的特征的数据。在一些实施方案中，一个或多个深度剖面中的每一个包括多个子集深度剖面。在一些实施方案中，该方法还包括使用多个子集深度剖面中的每一个分别训练机器学习算法。在一些实施方案中，该方法还包括使用多个子集深度剖面生成合成深度剖面。在一些实施方案中，该方法还包括使用合成深度剖面来训练机器学习算法。在一些实施方案中，该方法还包括使用从训练组织的第一区域收集的第一组信号和从训练组织的第二区域收集的第二组信号生成一个或多个深度剖面。在一些实施方案中，训练组织的第一区域不同于训练组织的第二区域。在一些实施方案中，训练组织的第一区域患有疾病。在一些实施方案中，信号包括两个或多个信号。在一些实施方案中，两个或多个信号选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号。在一些实施方案中，两个或多个信号是组织的单个区域的基本上同时的信号。在一些实施方案中，将两个或多个信号处理和组合以生成合成图像。
在另一方面，本公开内容提供一种生成用于识别受试者组织中的特征的训练算法的系统，其包括：数据库，其包括与先前或随后识别为具有特征的受试者的训练组织的深度剖面相对应的数据，其中深度剖面由从训练组织收集的处理信号生成；以及一个或多个有效地耦合至数据库的计算机处理器，其中一个或多个计算机处理器单独地或共同地编程以(i)从数据库中检索数据，和(ii)使用该数据来训练机器学习算法以在计算机存储器中产生训练算法，用于识别受试者组织中的特征，其中所述组织独立于所述训练组织。
在一些实施方案中，所述特征为疾病。在一些实施方案中，所述特征对应于选自健康、功能、治疗和外观的组织特征。在一些实施方案中，一个或多个计算机处理器编程为接收一个或多个深度剖面的光学数据。在一些实施方案中，深度剖面使用从训练组织收集的信号生成。在一些实施方案中，信号在时间和位置上同步。在一些实施方案中，深度剖面包括多个层。在一些实施方案中，多个层由从相同时间和位置收集的多个图像子集生成。在一些实施方案中，多个层中的每一层包括识别不同于另一层的特征的数据。在一些实施方案中，一个或多个计算机处理器编程为接收受试者的医疗数据。在一些实施方案中，医疗数据包括至少一种选自以下的医学数据：结构数据、时序数据、非结构数据和相关数据。在一些实施方案中，数据包括结构数据、时序数据、非结构数据、相关数据或其任意组合。
在一些实施方案中，深度剖面具有一个或多个注释。在一些实施方案中，深度剖面是体内深度剖面。在一些实施方案中，深度剖面是组织的一个或多个重叠区域的深度剖面。在一些实施方案中，所述特征为疾病。在一些实施方案中，所述特征为对应于选自组织的健康、功能、治疗和外观的组织特性的特征。在一些实施方案中，数据包括具有一致标识和一致特性的数据。在一些实施方案中，一致特性包括选自照明强度、对比度、颜色、大小和质量的特性。在一些实施方案中，关于照明强度的数据进行归一化。在一些实施方案中，深度剖面对应于光学探针在组织上的不同位置。
在另一方面，本公开内容提供了一种用于对准光束的方法，其包括：(a)提供(i)与透镜光学通信的光束，其中所述透镜与折射元件光学通信，(ii)光纤，以及(iii)与光纤光学通信的检测器，其中所述折射元件位于透镜与光纤之间；和(b)调节折射元件以将光路与光纤对准，其中所述光路由此与光纤对准。
在一些实施方案中，在与折射元件相互作用之后，细光束(beamlet)的点扩散函数足够小，使得检测器的分辨率小于1微米。在一些实施方案中，调节位置包括向折射元件施加旋转。在一些实施方案中，旋转为至多180°旋转。在一些实施方案中，旋转是至多二维的旋转。在一些实施方案中，旋转是一维旋转。在一些实施方案中，该方法还包括提供可调节反射镜，其中透镜固定在可调节反射镜和可调节折射元件之间，并且在使用可调节折射元件之前调节可调节反射镜对准光路。在一些实施方案中，提供光束包括提供从与受试者组织的相互作用产生的光信号。在一些实施方案中，组织是体内皮肤组织。
另一方面，本公开内容提供了一种用于对准光束的系统，其包括：配置为提供光束的光源；与光源光学通信的聚焦透镜；与透镜光学通信的可调节折射元件；光纤；以及与光纤光学通信的检测器，其中可调节折射元件位于聚焦透镜和光纤之间，并且可移动以对准聚焦透镜和光纤之间的光路。
在一些实施方案中，聚焦透镜和光纤相对于可调节折射元件是固定的。在一些实施方案中，可调节折射元件可成角度地移动。在一些实施方案中，该系统还包括耦合至可调节折射元件的调节元件，其中调节元件配置为调节可调节折射元件的位置。在一些实施方案中，调节元件成角度地移动可调节折射元件。在一些实施方案中，该系统还包括有效地耦合至折射元件的控制器，其中所述控制器编程为引导折射元件的调节以将光路与光纤对准。在一些实施方案中，在没有用户输入的情况下执行调节。在一些实施方案中，调节由用户执行。在一些实施方案中，该系统还包括分束器，所述分束器配置为将光沿着光路引导向光纤。在一些实施方案中，该系统还包括位于分束器和聚焦透镜之间的可移动反射镜。在一些实施方案中，该系统还包括位于光路上的偏振选择性光学器件。在一些实施方案中，偏振选择性光学器件位于分束器和聚焦透镜之间。在一些实施方案中，折射元件是平窗。
在一些实施方案中，折射元件是玻璃折射元件。在一些实施方案中，与折射元件相互作用之后，细光束的点扩散函数足够小，使得检测器的分辨率小于1微米。在一些实施方案中，折射元件的覆盖区(footprint)小于1,000mm2。在一些实施方案中，折射元件配置为将光束调节为至多约10度。在一些实施方案中，折射元件具有允许将离开透镜的光束对准光纤的特性。在一些实施方案中，直径小于约20微米。在一些实施方案中，直径小于约10微米。在一些实施方案中，光纤的直径小于约5微米。在一些实施方案中，该特性为至少一种选自折射率、厚度和运动范围的特性。在一些实施方案中，由折射元件引入的像差小于聚焦透镜的衍射极限的20％。在一些实施方案中，像差小于衍射极限的10％。在一些实施方案中，像差小于衍射极限的5％。在一些实施方案中，像差小于衍射极限的2％。在一些实施方案中，像差小于衍射极限的1％。
在另一方面，本公开内容提供了一种用于对准光束的方法，其包括：(a)提供(i)与分束器光学通信的光束，其中所述分束器与透镜光学通信，其中所述透镜与折射元件光学通信，(ii)光纤，和(iii)与光纤光学通信的检测器，其中来自折射元件的光路未对准光纤；(b)调节折射元件使光路与光纤对准；和(c)将光束引导至分束器，所述分束器将光束分成细光束，其中所述细光束通过透镜被引导至折射元件，所述折射元件将细光束沿光路引导至光纤，使得检测器检测细光束。
在另一方面，本公开内容提供了一种用于对准光束的系统，其包括：配置为提供光束的光源；与光源光学通信的分束器；与分束器光学通信的透镜；与透镜光学通信的折射元件；光纤；以及与光纤光学通信的检测器，其中来自折射元件的光路未对准光纤，其中折射元件可调节以将光路与光纤对准，使得当光路与光纤对准时，光束从光源被引导至分束器，所述分束器将光束拆分成细光束，其中细光束通过透镜被引导至折射元件，所述折射元件沿光路将细光束引导至光纤，使得检测器检测细光束。
本公开内容的另一方面提供一种非暂时性计算机可读介质，其包括机器可执行代码，所述机器可执行代码在由一个或多个计算机处理器执行时执行本文上述或别处所述的任何方法。
本公开内容的另一方面提供一种系统，其包括一个或多个计算机处理器和与其耦合的计算机存储器。所述计算机存储器包括机器可执行代码，所述机器可执行代码在由一个或多个计算机处理器执行时执行本文上述或别处所述的任何方法。
本公开内容的其他方面和优点从以下详细描述中对于本领域技术人员来说将变得容易理解，其中仅示出和描述了本公开内容的说明性实施方案。如将意识到的，本公开内容能够具有其他不同的实施方案，并且其若干细节能够在各种明显的方面进行修改，所有这些都不背离本公开内容。因此，附图和描述在本质上应认为是说明性的，而不是限制性的。
援引并入
本说明书中所提及的所有出版物、专利和专利申请均通过引用并入本文，其程度犹如具体地且单独地指出每个单独的出版物、专利或专利申请均通过引用而并入。只要通过援引并入的出版物和专利或专利申请与包含在说明书中的公开内容相矛盾，则该说明书旨在取代和/或优先于任何此类矛盾材料。
附图说明
本发明的新颖特征在所附权利要求书中具体阐述。通过参考以下对说明性实施方案和附图(或图)加以阐述的详细描述，将会对本发明的特征和优点获得更好的理解，其中所述说明性实施方案利用了本发明的原理，其中附图为：
图1示出了包括用于扫描组织的聚焦单元的光学元件的示例。
图2示出了使用倾斜平面进行倾斜扫描方法的示例。
图3示出了投影在倾斜平面上的有效点扩散函数的放大图的示例。
图4示出了光学分辨率(y轴)随数值孔径(x轴)在不同角度(θ)下变化的示例。
图5A至图5F示出了各种扫描方式的示例。
图6示出了编程为或以其他方式配置为执行本文提供的方法的计算机系统。
图7A至图7D示出了由扫描的体内深度剖面形成的图像的示例。
图8示出了可位于光学探针外壳内的示例性光学元件。
图9A至图9C示出了示例性折射对准设置系统。
图10示出了耦合至支持系统的示例性外壳。
图11A和图11B示出了示例性支持系统。
图12示出了耦合至支持系统的示例性外壳的便携性的示例。
图13示出了使用中的示例性系统。
图14A和图14B示出了受试者准备成像的示例。
具体实施方式
尽管本文已经示出和描述了本发明的各种实施方案，但是对于本领域技术人员容易理解的是，这些实施方案仅以示例的方式提供。在不脱离本发明的情况下，本领域技术人员会想到许多变化、改变和替换。应理解，可使用本文所述的本发明的实施方案的各种替代方案。
如本文所用，术语“受试者”通常是指动物，例如哺乳动物。受试者可以是人或非人哺乳动物。受试者可患有疾病或疑似患有疾病。受试者可能未疑似患有疾病。受试者可为有症状的。或者，受试者可为无症状的。在一些情况下，受试者可进行治疗以减轻疾病的症状或治愈受试者的疾病。受试者可以是正在接受医疗保健提供者(例如，医生)的治疗的患者。
如本文所用，术语“疾病”通常是指影响受试者的部分或整体的异常情况，或生物功能或生物结构(例如器官)的障碍。疾病可由外部因素引起，如传染病；或疾病可由内部功能障碍引起，如自身免疫疾病。疾病可以指引起患病的受试者疼痛、功能障碍、痛苦、社会问题和/或死亡的任何病症。疾病可以是急性病症或慢性病症。疾病可以指传染病，其可以由病原微生物剂的存在引起，包括病毒、细菌、真菌、原生动物、多细胞生物和异常蛋白(如，朊病毒)。疾病可以指非传染性疾病，包括但不限于癌症和遗传疾病。在一些情况下，疾病是可以治愈的。在一些情况下，疾病是不可治愈的。在一些情况下，疾病是上皮癌。上皮癌是皮肤癌，包括但不限于非黑色素瘤皮肤癌，例如基底细胞癌(BCC)和鳞状细胞癌(SCC)；以及黑色素瘤皮肤癌。
如本文所用，术语“上皮组织”和“上皮”通常是指排列在整个身体的血管和器官的腔以及表面的组织。上皮组织包括上皮细胞，所述上皮细胞通常具有三种形状：扁平形、柱形和立方形。上皮细胞可以排列在单层细胞中，以包含扁平形、柱形和立方形细胞的简单上皮细胞的形式，或以分层(层状)的两层或多层细胞的层形式，包括扁平形、柱形和立方形。
如本文所用，术语“癌症”通常是指由细胞增殖引起或以细胞增殖为特征的增生性病变，所述细胞可已失去对正常生长控制的易感性。同一组织类型的癌症通常起源于同一组织，可根据其生物学特征分为不同的亚型。癌症类别的非限制性示例是癌(来源于上皮细胞)、肉瘤(来源于结缔组织或中胚层)、白血病(来源于造血组织)和淋巴瘤(来源于淋巴组织)。癌症可涉及身体的任何器官或组织。癌症的示例包括黑素瘤、白血病、星形细胞瘤、胶质母细胞瘤、视网膜母细胞瘤、淋巴瘤、神经胶质瘤、霍奇金淋巴瘤和慢性淋巴细胞白血病。可受各种癌症影响的器官和组织的示例包括胰脏、乳房、甲状腺、卵巢、子宫、睾丸、前列腺、垂体、肾上腺、肾、胃、食道、直肠、小肠、结肠、肝脏、胆囊、头颈、舌、口、眼和眼眶、骨、关节、脑、神经系统、皮肤、血液、鼻咽组织、肺、喉、泌尿道、宫颈、阴道、外分泌腺和内分泌腺。在一些情况下，癌症可为多中心的。在一些情况下，癌症可为未知原发性癌(CUP)。
如本文所用，术语“病变”通常是指疾病和/或疑似疾病、伤口、切口或手术切缘的区域。伤口可以包括但不限于刮伤(scrape)、擦伤(abrasion)、割伤、撕裂、断裂、刺伤、砍伤(gash)、切片(slice)和/或导致出血的任何损伤和/或足以使外来生物体渗透的皮肤创伤。切口可包括由医疗专业人员(例如但不限于医生、护士、助产士和/或执业护士以及牙科专业人员)在治疗(如，外科手术)期间产生的切口。
如本文所用，术语“光”通常是指电磁辐射。光可以在红外线(例如，约700nm至约1mm)至紫外线(例如，约10nm至约380nm)的波长范围内。光可为可见光。可替代地，光可为不可见光。光可以包括电磁波谱的可见和不可见波长范围内的波长的光。
如本文所用，术语“环境光”通常是指环境或受试者周围的光，例如使用本公开内容的设备、方法和系统的位置处(例如护理地点(例如，受试者的家或办公室、体检室或手术室))的光。
如本文所用，术语“光轴”通常是指在光学系统(如，相机透镜或显微镜)中沿其可存在一定程度的旋转对称的线。光轴可以是穿过透镜或球面反射镜的曲率中心并且平行于对称轴的线。本文中，光轴也可以称为Z轴。对于简单的透镜和反射镜系统，光轴可以穿过每个表面的曲率中心并与旋转对称轴重合。光轴可以与系统的机械轴重合，如离轴光学系统的情况。对于光纤，光轴(也称为光纤轴)可以沿着光纤芯的中心。
如本文所用，术语“位置”通常是指垂直于光轴的平面上的位置，而不是平行于光轴的“深度”。例如，焦点的位置可以是焦点在x-y平面中的位置。然而，“深度”位置可以是沿z轴(光轴)的位置。焦点的位置可以在整个x-y平面上变化。焦点也可以沿z轴同时变化。
如本文所用，术语“焦点”(“focal point”或“focal spot”)通常是指平行光线会聚到的光学元件的透镜或反射镜的轴上的光点。焦点可位于待成像的组织样本中，从中生成返回信号，所述返回信号可被处理以创建深度剖面。
如本文所用，术语“焦平面”通常是指由沿着扫描路径定向的焦点形成的平面。焦平面可以是焦点在X和/或Y方向上移动以及沿Z方向移动的位置，其中Z轴通常是光轴。扫描路径也可认为是包括限定不平行于光轴的路径的至少两个焦点的焦点路径。例如，焦点路径可以包括形状为螺旋状的多个焦点。如本文所用，焦点路径可以是或可以不是平面，并且当投影在X-Z或Y-Z平面时，可以是平面。焦平面可以是倾斜平面。倾斜平面可以是相对于光学元件(例如，透镜或反射镜)的光轴以一定角度定向的平面。角度可为约0°至约90°。倾斜平面可以是具有非零Z轴分量的平面。
如本文所用，术语“深度剖面”通常是指由扫描组织样本产生的信号中导出的信息或光学数据。扫描组织样本的成像焦点可以在平行于光轴或z轴的方向上延伸，并且在x-y轴上具有变化的位置。组织样本可为例如体内皮肤组织，其中深度剖面可以延伸穿过皮肤层，例如真皮层、表皮层和皮下层。组织样本的深度剖面可以包括当投影至X-Z或Y-Z平面时创建垂直平面剖面的数据，所述剖面可以转化为投影的垂直横截面图像。从深度剖面导出的组织样本的垂直横截面图像可以是垂直的或近似垂直的。在一些情况下，深度剖面提供变化的垂直焦点坐标，而水平焦点坐标可变化或不变化。深度剖面可为与光学平面(在光轴上)成一定角度的至少一个平面的形式。例如，深度剖面可以平行于光学平面或者可以相对于光学平面成小于90度且大于0度的角度。可以使用以一定角度接触组织的光学探针来生成深度剖面。例如，深度剖面可不垂直于光轴，而是偏移与光学探针接触组织的角度相同的度数。深度剖面可以提供样本不同深度处的信息，例如皮肤组织的不同深度处的信息。可以提供实时深度剖面。深度剖面可对应于或不对应于组织的平面切片。深度剖面可对应于倾斜平面上的组织切片。深度剖面可对应于不精确为平面切片(例如，切片可在所有三个维度上具有分量)的组织区域。深度剖面可以是组织的虚拟切片或虚拟横截面。深度剖面可以是从体内组织扫描的光学数据。用于创建投影横截面图像的数据可以从沿着总体形状或图案分布的多个焦点导出。多个分布点可以是扫描的倾斜平面、多个扫描的倾斜平面或非平面扫描图案或形状(例如，焦点的螺旋图案、波浪图案或其他预定或随机或伪随机图案)的形式。用于创建深度剖面的焦点的位置可被改变或可改变以跟踪组织内的目标对象或区域，所述组织为在扫描或相关数据处理期间检测或识别的组织。深度剖面可以由一个或多个不同的返回信号形成，或由对应于可以创建深度剖面的不同层的解剖特征或特性的信号形成。用于形成深度剖面的生成信号可由激发光束生成。用于形成深度剖面的生成信号可在时间和位置上同步。深度剖面可包括多个深度剖面，其中每个深度剖面对应于特定信号或解剖特征或特性相对应的信号子集。深度剖面可以形成使用在时间和位置上同步的信号生成的合成深度剖面。本文中，深度剖面可以是体内深度剖面，其中光学数据取自体内组织。深度剖面可以是从在时间和位置上同步的不同生成信号生成的多个深度剖面或光学数据层的合成剖面。深度剖面可以是由与其他生成信号的子集在时间和位置上同步的生成信号的子集生成的深度剖面。深度剖面可包括一个或多个光学数据层，其中每一层对应于不同的信号子集。深度剖面或深度剖面光学数据还可以包括来自处理深度剖面、光学探针、其他传感器的数据，或识别的对应于深度剖面的时间的信息。此外，与受试者信息相对应的其他数据(例如医学数据、身体状况或其他数据)还可与深度剖面的光学数据一起包括在内。深度剖面可为带有注释或标记的注释的深度剖面。
如本文所用，术语“投影横截面图像”通常是指根据投影至XZ或YZ平面上用于创建图像平面的深度剖面信息而构建的图像。在这种情况下，相对于组织表面的结构深度可不存在失真。投影横截面图像可以限定为被扫描的组织的部分。投影横截面图像可以在相对于皮肤组织表面的垂直方向上延伸。用于创建投影横截面图像的数据可以从一个或多个扫描的倾斜平面和/或非平面扫描图案、形状(例如，螺旋、波浪等)或焦点的预定或随机图案导出。
如本文所用，术语“荧光”通常是指由于吸收一个或多个波长(例如，单个波长或两个不同波长)的入射电磁辐射而可发射的辐射。在一些情况下，荧光可由外源提供的标签或标记物的发射产生。在一些情况下，荧光可为一种或多种内源性分子对电磁辐射激发的固有响应。
如本文所用，术语“自体荧光”通常是指来自一种或多种内源性分子由于电磁辐射激发的荧光。
如本文所用，术语“多光子激发”通常是指由多于一个光子激发荧光团，引起荧光光子的发射。在一些情况下，发射光子的能量高于激发光子的能量。在一些情况下，可以在组织内产生多个多光子激发。多个多光子激发可以产生多个多光子信号。例如，细胞核可以进行双光子激发。作为另一个示例，细胞壁可以进行三光子激发。多个信号的至少子集可以不同。不同的信号可以具有不同的波长，所述信号可以用于本文描述的方法。例如，不同的信号(例如，双光子或三光子信号)可用于形成可指示组织的不同要素的图。在一些情况下，所述图用于训练基于机器学习的诊断算法。
如本文所用，术语“二次谐波产生”和“SHG”通常是指这样的非线性光学过程，其中与非线性材料相互作用的光子有效地“组合”以形成新光子，所述新光子的能量为初始光子能量的约两倍，并且因此频率为初始光子频率的约两倍且波长为初始光子波长的约一半(1/2)。
如本文所用，术语“三次谐波产生”和“THG”通常是指这样的非线性光学过程，其中与非线性材料相互作用的光子有效地“组合”以形成新光子，所述新光子的能量为初始光子能量的约三倍，并且因此频率为初始光子频率的约三倍且波长为初始光子波长的约三分之一(1/3)。
如本文所用，术语“反射共聚焦显微镜”或“RCM”通常是指收集和/或处理来自样本(例如，组织或其任何组分)的反射光的方法。该方法可以是非侵入式方法，其中光束被引导至样本，并且可以收集和/或分析来自样本内焦点的返回光(“RCM信号”)。该方法可以是体内的或离体的。RCM信号可跟踪产生它们的光束的反向。RCM信号可以是偏振的或非偏振的。RCM信号可以与针孔、单模光纤、多模光纤、交叉激发和收集光路或将收集的光限制在由焦点产生的那部分的其他共焦装置结合。
如本文所用，术语“偏振光”通常是指具有在一个平面内振荡的波的光。非偏振光通常是指具有在多于一个平面内振荡的波的光。
如本文所用，术语“激发光束”通常是指被引导至组织以创建生成信号的聚焦光束。激发光束可以是单光束。激发光束可以是脉冲单光束。激发光束可以是多光束。如本文所述，多光束可以在时间和位置上同步。激发光束可以是脉冲光束或连续光束，或一个或多个脉冲光束和/或连续光束的组合，所述脉冲光束和连续光束同时传送至待成像组织的焦点。可以根据如本文所述的返回信号或生成信号的预定类型来选择激发光束。
如本文所用，术语“生成信号”通常是指由到组织的聚焦光(例如，激发光)的方向产生的从组织返回的信号，并且包括但不限于反射光、吸收光、散射光或折射光。生成信号可以包括但不限于来自组织本身的内源性信号或来自外源性提供的标签或标记物的信号。生成信号可在体内或离体组织中产生。生成信号可以表征为单光子生成信号或多光子生成信号，取决于对信号生成事件有贡献的激发光子的数量。单光子生成信号可以包括但不限于反射共聚焦显微镜(“RCM”)信号、单光子荧光和单光子自体荧光。单光子生成信号(例如RCM)可以来自连续光源或脉冲光源，或脉冲或连续光源的组合。单光子生成信号可重叠。单光子生成信号可以去卷积。多光子生成信号可以由至少2、3、4、5或多个光子产生。多光子生成信号可以包括但不限于二次谐波产生、双光子自体荧光、双光子荧光、三次谐波产生、三光子自体荧光、三光子荧光、多光子自体荧光、多光子荧光和相干反斯托克斯拉曼光谱。多光子生成信号可以来自单个脉冲光源，或在相干反斯托克斯拉曼光谱的情况下可以来自脉冲光源的组合。多光子生成信号可重叠。多光子生成信号可以去卷积。其他生成信号可包括但不限于光学相干断层扫描(OCT)、单光子或多光子荧光/自体荧光寿命成像、偏振光显微镜信号、其他共聚焦显微镜信号和超声检查信号。单光子和多光子生成信号可以通过选择性地检测所述生成信号的分量与偏振光显微术结合，所述生成信号是线性偏振光、圆偏振光、非偏振光或其任意组合。偏振光显微术还可以包括阻挡全部或部分生成信号，所述生成信号的偏振方向平行或垂直于用于产生信号的光的偏振方向或任何中间偏振方向。如本文所述，生成信号可以利用针孔、单模光纤、多模光纤、交叉激发和收集光路或将从生成信号检测到的光限制在由焦点产生的生成信号的那部分的其他共焦装置与共焦技术相结合。例如，可以在拉曼光谱仪中放置针孔以产生共焦拉曼信号。拉曼光谱信号可以至少部分地基于样本或组织内存在的不同振动状态产生不同的信号。光学相干断层扫描信号可以使用包括多个相位的光使组织成像。光学相干断层扫描可以比作光学超声检查。超声检查可以至少部分地基于声波从样本(例如，组织)内的特征的反射来生成信号。
如本文所用，术语“对比度增强剂”通常是指任何试剂，例如但不限于荧光团、金属纳米颗粒、纳米壳复合材料和半导体纳米晶体，它们可以施用至样本以增强使用光学成像技术获得的样本的图像的对比度。荧光团可以是抗体靶向荧光团、肽靶向荧光团和代谢活性的荧光探针。金属纳米粒子可包括可散射光的金属，例如金和银。纳米壳复合材料可包括包含介电核和金属壳的纳米颗粒。半导体纳米晶体可以包括量子点，例如包含硒化镉或硫化镉的量子点。其他造影剂也可以在本文中使用，例如通过将乙酸施用至组织。
如本文所用，术语“实时的”和“实时”通常是指立即的、快速的、不需要操作员干预的、自动的和/或编程的。实时可以包括但不限于以飞秒、皮秒、纳秒、毫秒、秒以及更长的和任选地更短的时间间隔计的测量。
如本文所用，术语“组织”通常是指任何组织样本。组织可以是健康的、良性的或没有疾病的样本。组织可以是从受试者取出的样本，例如组织活检、组织切除、抽吸物(例如细针抽吸物)、组织洗涤物、细胞学样本、体液或其任何组合。组织可以包括神经元。组织可以包括脑组织、脊椎组织或其组合。组织可以包括代表血脑屏障的细胞。组织可以包括皮肤组织、乳房组织、膀胱组织、肾组织、肝组织、结肠组织、甲状腺组织、宫颈组织、前列腺组织、肺组织、心脏组织、肌肉组织、胰腺组织、肛门组织、胆管组织、骨组织、子宫组织、卵巢组织、子宫内膜组织、阴道组织、外阴组织、胃组织、眼组织、鼻组织、窦组织、阴茎组织、唾液腺组织、肠道组织、胆囊组织、胃肠组织、膀胱组织、脑组织、脊髓组织、血液样本或其任何组合。组织可以是血管。
如本文所用，术语“数值孔径”通常是指表征系统可以接收或发射光的角度范围的无量纲数值。数值孔径可用于显微镜来描述物镜的接收光锥(及其聚光能力和分辨率)。
当术语“至少”、“大于”或“大于或等于”位于一系列两个或多个数值中的第一个数值之前时，术语“至少”、“大于”或“大于或等于”适用于该系列数值中的每个数值。例如，大于或等于1、2或3等价于大于或等于1、大于或等于2、或大于或等于3。
当术语“不超过”、“小于”或“小于或等于”位于一系列两个或多个数值中的第一个数值之前时，术语“不超过”、“小于”或“小于或等于”适用于该系列数值中的每个数值。例如，小于或等于3、2或1等价于小于或等于3、小于或等于2、或小于或等于1。
本文公开的方法和系统可用于通过利用扫描图案来形成组织样本的深度剖面，所述扫描图案使成像束焦点在相对于光轴倾斜或成角度的方向上运动通过样本，以提高对样本(例如，体内生物组织)成像的光学系统的分辨率。扫描仪可以在一条或多条直线上和/或在相对于光轴倾斜的一个或多个平面内移动其焦点，以创建组织的深度剖面。深度剖面可提供大致或大约代表组织横截面的投影的垂直横截面图像，其可用于识别组织的可能疾病状态。该方法和系统可以提供由深度剖面图像分量(例如焦点的扫描图案)形成的完整生物组织的体内样本的投影的垂直横截面图像。本文公开的方法和系统还可产生视为组织切片但可表示不同X-Y位置的组织横截面的图像。
根据一些实施方案，本文公开的方法和系统可以利用由一个或多个倾斜平面内的焦点的扫描图案形成的一个或多个倾斜平面(或一个或多个倾斜焦平面)。可以同时控制聚焦点的X、Y和Z位置的系统可以移动焦点通过组织中的轨迹。轨迹可以是预定的、可修改的或任意的。当以与垂直Z轴(即光轴)成角度扫描时，分辨率可显著提高。例如，由于倾斜平面和点扩散函数(PSF)之间的交集远小于XZ或YZ平面中的PSF投影，因此可出现这种效果。因此，聚焦光束沿斜线或在倾斜平面中运动的有效的PSF可随着倾斜角的增大而变小，在90°的角度(此时扫描方向线或扫描平面可以位于XY(横向)平面内)下接近横向PSF分辨率。如本文所述的倾斜扫描或成像可以与任何类型的返回信号一起使用。返回信号的非限制性示例可包括本文别处描述的生成信号。
可以相对于光轴成角度地(例如，大于0°且小于90°)扫描组织整体的深度剖面，以确保一部分扫描轨迹在Z方向上移动焦点。在一些示例中，适当的倾斜角度可显著提高分辨率。对于相对于Z轴的适当的角度，有效的PSF大小可以近似为PSF横向/sin(θ)，其中θ是z轴与成像轴之间的角度。其他细节可以在图3中找到。因此，在45°的扫描角下，沿倾斜平面的深度轴的分辨率可为横向分辨率的1.414倍。在亚微米横向分辨率下，可以根据扫描角度实现近微米或亚微米的倾斜分辨率。该方法可以产生通过更高的数值孔径(NA)光学系统可达到的横截面分辨率。通过在更适当的NA下操作，光学器件可对离轴像差更稳健，并且可以扫描更大的视野和/或更大的深度。此外，在更适当的NA下操作可以使成像设备的覆盖区更小，同时保持高分辨率。
当构建投影横截面图像时，从倾斜扫描产生的生成信号导出的深度剖面信息可以投影至XZ或YZ平面上以创建图像平面。在这种情况下，相对于组织表面的结构深度可不存在失真。在一些代表性实施方案中，该投影横截面图像可以包括对应于以与垂直方向成一个或多个角度进行光学切片的平面的数据。投影横截面图像可以大大提高分辨率，同时仍能表示成像结构或组织的深度。
生成深度剖面的方法
本文公开了用于生成受试者组织的深度剖面的方法。在一方面，用于生成受试者组织的深度剖面的方法可以包括：使用光学探针将来自光源的激发光束传输至组织表面，该激发光束在接触组织时产生指示组织内在性质的信号；使用光学探针中的一个或多个聚焦单元同时调节扫描图案中激发光束焦点的深度和位置；检测组织与激发光束接触时产生的信号的至少子集；以及使用一个或多个编程为处理所检测到的信号的至少子集的计算机处理器，以生成组织的深度剖面。扫描图案可以包括多个焦点。本文描述的用于生成深度剖面的方法可替代地利用连续的或脉冲的且并列在焦点处的两个或多个光束的组合。
深度剖面可以通过以包括一个或多个倾斜方向的扫描图案扫描焦点而生成。扫描可以在或不在单个平面中。扫描可以在一个或多个倾斜平面中。扫描可为复杂的形状，例如螺旋形，或可为预定的、可变的或随机的点阵。扫描图案、扫描平面、倾斜平面和/或焦平面可为与可由处理的生成信号创建的视觉或图像横截面不同的平面。图像横截面可以由处理的生成信号创建，这些生成信号产生自移动成像焦点通过垂直平面、倾斜平面、非平面图案、形状(例如，螺旋形、波浪形等)，或随机或伪随机类的焦点。
可以生成实时深度剖面。例如，可以在光学探针将一个或多个激发光束从光源传输向组织表面时生成深度剖面。可以以至少每秒1帧(FPS)、2FPS、3FPS、4FPS、5FPS、10FPS或更高的帧速率(frame rate)生成深度剖面。在一些情况下，可以以至多10FPS、5FPS、4FPS、3FPS、2FPS或更低的帧速率生成深度剖面。帧速率可是指成像设备显示称为帧的连续图像的速率。深度剖面的图像帧(image frame)可以提供组织的横截面图像。
图像帧或图像区域可以是具有任何合适尺寸的四边形。图像帧可以是矩形，在一些情况下具有相等的边(例如，正方形)，例如描绘200μm x 200μm的组织的横截面。图像帧可以描绘具有至少约50μm x 50μm、100μm x 100μm、150μm x 150μm、200μm x 200μm、250μmx 250μm、300μm x 300μm或更大尺寸的组织的横截面。在一些情况下，图像帧可以描绘具有至多约300μm x 300μm、250μm x 250μm、200μm x 200μm、150μm x 150μm、100μm x 100μm、50μm x 50μm或更小尺寸的组织的横截面。图像帧可不具有相等的边。
图像帧可以相对于光轴成任何角度。例如，图像帧相对于光轴的角度可大于约0°、5°、10°、15°、20°、25°、30°、35°、40°、45°、50°、60°、70°、80°、90°或更大。图像帧相对于光轴的角度可小于约90°、85°、80°、75°、70°、65°、60°、50°、40°、30°、20°、10°、5°或更小。在一些情况下，该角度在上文或本文别处所述的任意两个值之间，例如0°和50°之间。
图像帧可以是任何设计、形状或尺寸。形状或设计的示例包括但不限于：数学形状(例如，圆形、三角形、正方形、矩形、五边形或六边形)、二维几何形状、多维几何形状、曲线、多边形、多面体、多胞形、极小曲面、直纹面、不可定向曲面、二次曲面、伪球面、代数曲面、杂面(miscellaneous surface)、黎曼曲面、箱形绘图字符(box-drawing character)、奎逊纳棒(Cuisenaire rod)、几何形状、具有隐喻名称的形状、符号、Unicode几何形状、其他几何形状，或其部分形状或形状的组合。图像帧可以是如本文别处所述的投影图像横截面图像。
激发光束可以是超短光脉冲。超短光脉冲可以由超短脉冲激光器(本文也称为“超快脉冲激光器”)发射。超短光脉冲可以具有在各种材料中产生非线性相互作用的高峰值强度。超短光脉冲可是指具有飞秒或皮秒数量级的半峰全宽(FWHM)的光。在一些示例中，超短光脉冲具有至少约1飞秒、10飞秒、100飞秒、1皮秒、100皮秒或1000皮秒或更大的FWHM。在一些情况下，超短光脉冲可为至多约1000皮秒、100皮秒、1皮秒、100飞秒、10飞秒、1飞秒或更小的FWHM。超短光脉冲可用若干个参数来表征，包括脉冲持续时间、脉冲重复速率和平均功率。脉冲持续时间可以指光功率相对于时间的FWHM。脉冲重复速率可以指脉冲的频率或每秒的脉冲数。
除了功率传感器之外，探针还可以具有其他传感器。来自传感器的信息可以与深度剖面一起使用或记录，以提供关于探针和/或受试者的附加增强信息。例如，探针内的其他传感器可以包括探针位置传感器、GPS传感器、温度传感器、相机或视频传感器、皮肤镜、加速度计、接触传感器和湿度传感器。
超短脉冲激光器技术的非限制性示例包括钛(Ti):蓝宝石激光器、锁模二极管泵浦激光器、锁模光纤激光器和锁模染料激光器。Ti:蓝宝石激光器可为使用掺杂有钛离子的蓝宝石(Al2O3)晶体作为激光介质(例如，作为激光器内光学增益源的活性激光介质)的可调谐激光器。激光器(例如二极管泵浦激光器、光纤激光器和染料激光器)可以通过主动锁模或被动锁模进行锁模，以获得超短脉冲。二极管泵浦激光器可以是固态激光器，其中增益介质包括激光晶体或大块玻璃(例如，镱晶体、镱玻璃和掺杂铬的激光晶体)。尽管脉冲持续时间可不如钛:蓝宝石激光器的脉冲持续时间短，但二极管泵浦超快激光器可以涵盖脉冲持续时间、脉冲重复速率和平均功率方面的宽参数范围。还可以使用基于掺杂有稀土元素(例如铒、镱、钕、镝、镨、铥或其组合)的玻璃纤维的光纤激光器。在一些情况下，可以使用包含有机染料(例如罗丹明、荧光素、香豆素、茋、伞形酮、并四苯、孔雀石绿等)作为激光介质——在一些情况下以液体溶液形式——的染料激光器。
提供超短光脉冲的光源可以是波长可调谐的超短脉冲的Ti:蓝宝石激光器。Ti:蓝宝石激光器可以是锁模振荡器、啁啾脉冲放大器(chirped-pulse amplifier)或可调谐连续波激光器。锁模振荡器可以生成持续时间在约几皮秒至约10飞秒之间(在一些情况下为约5飞秒)的超短脉冲。脉冲重复频率可为约70至90兆赫兹(MHz)。术语“啁啾脉冲”通常是指可以防止脉冲损坏激光器中的组件的特殊构造。在“啁啾脉冲”激光器中，脉冲可以在时间上进行拉伸，使得能量在时间和空间上不全部位于同一点处，从而防止损坏放大器中的光学器件。随后可以对脉冲进行光学放大并在时间上再压缩以形成短的局部脉冲。
通过增益切换可以产生超短光脉冲。在增益切换中，用例如另一个激光器泵浦激光增益介质。增益切换可以应用于包括气体激光器(例如横向激励大气压(TEA)二氧化碳激光器)在内的各种类型的激光器。在一些情况下，相比于锁模激光器，使用增益切换激光器可以更容易实现调节脉冲重复速率，因为可以使用电子驱动器来控制增益切换而无需改变激光谐振器设置。在一些情况下，脉冲激光器可以用于在光学上泵浦增益切换激光器。例如，氮气紫外激光器或准分子激光器可以用于脉冲泵浦染料激光器。在一些情况下，Q切换可以用于产生超快光脉冲。
组织和组织中的细胞结构可以以波长依赖性方式与激发光束相互作用，并生成与组织的内在性质相关的信号。所生成的信号可以用于评估受试者与组织(如皮肤组织)的健康、功能、治疗或外观相关的正常态、病态、癌性状态或其他组织特征。所生成和收集的信号子集可以包括二次谐波产生(SHG)信号、三次谐波产生(THG)信号、偏振光信号和自体荧光信号中的至少一种。倾斜平面成像技术可以与本文别处描述的任何生成信号一起使用。
基于非线性多光子激发的高次谐波产生显微术(HHGM)(例如，二次谐波产生和三次谐波产生)可以用于检查活组织和固定组织中的细胞结构。SHG可通常是指非线性光学过程，其中具有约相同频率的光子与非线性材料相互作用并且有效地“组合”以产生新光子，该新光子相比于原始光子具有约两倍的能量，因此具有约两倍的频率和约一半(1/2)的波长。类似地，THG可通常是指非线性光学过程，其中具有约相同频率的光子与非线性材料相互作用并且有效地“组合”以产生新光子，该新光子相比于原始光子具有约三倍的能量，因此具有约三倍的频率和约三分之一(1/3)的波长。有序内源性分子(诸如但不限于胶原、微管和肌肉肌球蛋白)的二次谐波产生(SHG)和三次谐波产生(THG)可以在不使用外源标记的情况下获得，并且提供包括纤维状胶原、肌球蛋白、微管在内的分子的详细实时光学重构，以及其他细胞信息，诸如膜电位和细胞去极化。组织中蛋白质和分子(例如I型胶原和II型胶原、肌球蛋白和微管)的排序和组构在与光相互作用时可以生成可用于评估组织的癌性状态的信号。SHG信号可以用于检测可能在包括癌症、纤维化和结缔组织病症在内的疾病中发生的变化，如胶原纤维/纤维结构的变化。各种生物结构均可以产生SHG信号。在一些情况下，可不使用可以改变生物系统起作用的方式的外源探针和对比度增强剂来标记分子。在一些情况下，本文用于识别受试者的上皮组织中的疾病的方法可在不向受试者施用对比度增强剂的情况下进行。
可以生成和收集用于确定组织中的疾病的另一类型的信号可为自体荧光。自体荧光可通常是指由某些生物分子(诸如蛋白质、小分子和/或生物结构)自然发射的光。组织和细胞可以包含各种自体荧光蛋白和化合物。明确定义的波长可以被诸如自然存在于细胞和组织中的内源性分子、蛋白质、水和动物脂肪等发色团吸收。可以在组织中发现的自体荧光荧光团的非限制性示例包括包含可以发射UV范围的芳香族氨基酸(诸如色氨酸、酪氨酸和苯丙氨酸)的多肽和蛋白质，以及可以发射约400nm至650nm范围的波长的维生素衍生物，包括视黄醇、核黄素、衍生自烟酸的NAD(P)H的烟酰胺环以及在弹性蛋白和一些胶原中发现的基于吡哆醇(维生素B6)的吡哆胺交联物(pyridolamine crosslink)。
自体荧光信号可以包括多个自体荧光信号。可以使用一个或多个过滤器将多个自体荧光信号分离至一个或多个自体荧光通道中。例如，组织的不同部分可以发出不同波长的荧光，并且可以使用波长选择滤波器将每个荧光波长引导至不同的检测器。可以使用一个或多个单色器或衍射光栅将多个自体荧光信号分离至一个或多个通道中。可以产生或收集用于确定组织中的疾病的另一种类型的信号可以是反射共聚焦显微镜(RCM)信号。当来自光学探针的光束被引导至样本时，RCM可以使用样本(例如组织)反射的光。RCM信号可以是被引导至样本的光的一小部分。可以通过拒绝散焦光来收集RCM信号。可使用针孔、单模光纤或类似的物理过滤器拒绝或不拒绝散焦光。样本与光束的相互作用可改变或不改变RCM信号的偏振。样本的不同成分可在不同程度上改变RCM信号的偏振。在RCM信号的光路中使用偏振选择性光学器件可以允许用户选择来自样本的给定成分的RCM信号。该系统可以选择、拆分或放大对应于不同解剖特征或特性的RCM信号，以提供附加的组织数据。例如，基于系统检测到的偏振变化，系统可以通过使用偏振选择性光学器件选择或放大与黑色素相关的RCM信号来选择或放大对应于黑色素沉积物的RCM信号分量。可以使用偏振选择性光学器件识别其他组织成分(包括但不限于胶原、角蛋白、弹性蛋白)。可以检测的生成信号的非限制性示例在本文别处描述。
超快脉冲激光器可产生脉冲持续时间为至多500飞秒、450飞秒、400飞秒、350飞秒、300飞秒、250飞秒、200飞秒、150飞秒、100飞秒或更短的光脉冲。在一些情况下，脉冲持续时间约为150飞秒。在一些情况下，超快脉冲激光器可以产生脉冲持续时间为至少100飞秒、150飞秒、200飞秒、250飞秒、300飞秒、350飞秒、400飞秒、450飞秒、500飞秒或更短的光脉冲。超快脉冲激光器的脉冲重复频率可为至少10MHz、20MHz、30MHz、40MHz、50MHz、60MHz、70MHz、80MHz、90MHz、100MHz或更高。在一些情况下，超快脉冲激光器的脉冲重复频率可为至多100MHz、90MHz、80MHz、70MHz、60MHz、50MHz、40MHz、30MHz、20MHz、10MHz或更低。在一些情况下，脉冲重复频率为约80MHz。
收集的信号可以由编程的计算机处理器处理以生成深度剖面。信号可以无线传输至编程的计算机处理器。或者，信号可以通过有线连接传输至编程的计算机处理器。与组织的内在性质相关的信号或信号子集借助于编程的计算机处理器可用于生成深度剖面。收集的信号和/或生成的深度剖面可以电子存储。在一些情况下，存储信号和/或深度剖面直到用户(例如外科医生、医师、护士或其他医疗保健从业者)删除。当用于诊断和/或治疗时，可以向用户提供实时深度剖面。实时提供的深度剖面可以用作术前图像来识别疾病(例如皮肤癌)的边界。深度剖面可以提供组织(例如皮肤组织，包括表皮、真皮和/或皮下组织)的各个层的可视化。深度剖面可以至少延伸到角质层、透明层、颗粒层、棘层或鳞状细胞层和/或基底细胞层之下。在一些情况下，深度剖面可以延伸到组织表面之下至少250μm、300μm、350μm、400μm、450μm、500μm、550μm、600μm、650μm、700μm、750μm或更低。在一些情况下，深度剖面可延伸到组织表面之下至多750μm、700μm、650μm、600μm、550μm、500μm、450μm、400μm、350μm、300μm、250μm或更少。在一些情况下，深度剖面在组织表面约100μm至1mm之间、约200μm至900μm之间、约300μm至800μm之间、约400μm至700μm之间或约500μm至600μm之间延伸。
该方法还可以包括使用一个或多个计算机处理器处理深度剖面以识别组织中的疾病。组织中的疾病的识别可包括一个或多个特征。一个或多个特征可以提供指示以下一项或多项的一个或多个定量值：诊断准确性的可能性、受试者中存在疾病的可能性、受试者发展疾病的可能性、特定治疗的成功可能性，或其任何组合。一个或多个计算机处理器还可配置为预测受试者发展疾病的风险或可能性、确认疾病的诊断或存在、监测疾病的进展以及监测疾病治疗的功效。
该方法还可以包括使受试者的组织与光学探针接触。接触可以是直接接触或间接接触。如果接触是直接接触，则执行接触可以包括将光学探针放置在靠着受试者的组织而不使用中间层。如果接触是间接接触，则执行接触可以包括在使用一个或多个中间层的情况下，将光学探针放置在靠着受试者的组织。一个或多个中间层可以包括但不限于衣服、医用纱布和绷带。可以监测该接触，使得当上皮组织的表面与光学探针之间的接触被破坏时，可以激活定位在检测器前方(例如，相对于光路)的遮板并且阻挡入射光。
根据一些代表性实施方案，扫描图案可以遵循倾斜平面。倾斜平面可以沿着相对于光学探针的光轴成角度的方向定位。倾斜平面与光轴的角度可为至多45°。倾斜平面与光轴的角度可大于或等于约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在其他情况下，倾斜平面与光轴之间的角度可小于或等于约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。在一些情况下，倾斜平面与光轴之间的角度可以在上述任何两个值之间，例如约5°和50°之间。
根据各种代表性实施方案，扫描路径或图案可以遵循一种或多种设计为获得增强的、改进的或优化的图像分辨率的图案。扫描路径或图案可包括例如一个或多个垂直平面、一个或多个倾斜平面、一个或多个螺旋焦点路径、一个或多个锯齿形或正弦形焦点路径，或其任何组合。扫描路径或图案可配置为在倾斜方向移动时扫描焦点保持在光学元件的中心附近。扫描路径或图案可配置为将扫描焦点保持在光轴(例如，焦轴)的中心附近。
多个焦点的扫描图案可以通过算法进行选择。例如，可以使用以一个或多个扫描角(相对于光轴)移动的焦点获取一系列图像。扫描图案可以包括垂直扫描和/或倾斜扫描。根据所获取的图像的质量，可以使用由算法选择的不同扫描角度或其组合来获取一个或多个附加图像。例如，如果使用垂直扫描或较小角度的倾斜扫描获取的图像质量低，则计算机算法可以指示系统使用扫描方向的组合或使用较大的扫描角度获取图像。如果扫描图案的组合得到改进的图像质量，则成像会话可以继续使用该扫描图案的组合。
图2示出了在倾斜平面上使用扫描图案进行倾斜扫描方法的示例。衍射可产生集中的光区域，称为点扩散函数(PSF)。在三个维度上，PSF可以是相对于XY平面在Z方向(平行于光轴的方向)上伸长的椭圆体。PSF的尺寸可决定系统可分辨的最小特征，例如，系统的成像分辨率。在图2中，对于法向扫描过程，投影在垂直平面XZ 206上的PSF 202为椭圆形，投影在XY平面(XY平面未示出)上的PSF 204为圆形。平面XZ 206平行于光轴。对于倾斜扫描过程，由于有效的PSF 208(倾斜平面210和PSF 202之间的交集)可远小于投影在XZ平面206上的PSF 202，因此可出现分辨率的显著优势。倾斜平面210与光轴之间的角度θ(倾斜角)可大于或等于约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在其他情况下，倾斜平面210与光轴之间的角度θ可小于或等于约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。在一些情况下，倾斜平面210与光轴之间的角度θ可以在上述任何两个值之间，例如约5°和50°之间。
图3示出了投影在倾斜平面上的有效的PSF的放大图的示例。在图3中，对于法向扫描过程，XZ平面(XZ平面未示出)上的点扩散函数(PSF)302为椭圆形，XY平面(XY平面未示出)上的PSF 304为圆形。对于倾斜扫描过程，由于有效的PSF 306(倾斜平面308和PSF 302之间的交集)可远小于投影在XZ平面上的PSF 302，因此可出现分辨率的显著优势。倾斜平面308与光轴之间的角度θ可大于或等于约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在其他情况下，倾斜平面308与光轴之间的角度θ可小于或等于约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。在倾斜扫描中，图像分辨率可为PSF倾斜≤PSFxy/sin(θ)，这表明对于相对于Z轴的适当角度，有效的PSF大小可以近似为PSFxy/sin(θ)。
图4示出了光学分辨率随θ和数值孔径变化的示例。在图4中，曲线402表示平行于光轴的平面的光学分辨率随数值孔径的变化；曲线404表示与光轴成20°角的倾斜平面的光学分辨率随数值孔径的变化；曲线406表示与光轴成30°角的倾斜平面的光学分辨率随数值孔径的变化；曲线408表示与光轴成45°角的倾斜平面的光学分辨率随数值孔径的变化；曲线410表示与光轴成90°角的倾斜平面的光学分辨率随数值孔径的变化。在图4中，对于相同的数值孔径，分辨率随着θ的增大而降低；并且对于相同的θ，数值孔径增加，分辨率降低。
通过独立控制激发椭圆体的X、Y、Z位置，可以创建利用椭圆形的任何横截面的组织的不同扫描方式。描绘三维体积的任何连续参数方程均可用于扫描结构。图5A-5F示出了扫描方式的示例。
图5A-5E示出了扫描示出角质层501、表皮502和真皮503之间的边界的体积的示例。在图5A中，包括XY和XZ以示出方式的对比。对于图5B-5F中的各图，左图示出扫描平面的侧视图，右图示出三维体积中扫描过程的对应图案。另外，图5B-5D和5F的左下图(在平面图中左图的下方)示出了PSF和扫描平面之间的交集，该交集表示该平面的最小光斑尺寸和可分辨特征。例如，图5B示出XY成像，图5C示出XZ成像。在图5E中，左图示出扫描平面的侧视图，右图示出扫描过程的图案或三维体积中的几何图形。
当扫描图案在X、Y和Z方向上具有分量，从而创建PSF相对于Z轴的倾斜交集时，可产生分辨率的有益效果。可存在多种不同的图案，其中一个示例可为相对于XZ平面沿恒定角度移动的单个倾斜平面。例如，在图5D中，倾斜平面相对于光轴(或XZ平面)沿45°角移动。分辨率可为XY分辨率/sin(45°)。XZ分辨率可测量为XY分辨率的五至十倍，这可为分辨率的较大改进。
图5E示出了蛇形成像。蛇形成像可具有倾斜PSF的有益效果，但通过有规律地改变方向使扫描保持更接近中央XZ平面。光学像差可增加离轴，因此这可为获得倾斜PSF的有益效果同时使与中心线的最大距离最小化的技术。该蛇形振荡的幅度和速率可变化。蛇形扫描可以创建扫描平面或图像。图5F示出螺旋图像。螺旋成像可具有倾斜PSF的有益效果，但扫描速率更高，因为圆形剖面的扫描速度比来回光栅图案更快地扫描。
该方法可以在不从所述受试者去除组织的情况下进行。该方法可以在不向受试者施用对比度增强剂的情况下进行。
激发光束可以包括非偏振光。在其他实施方案中，激发光束可以包括偏振光。激发光束的波长可为至少约400纳米(nm)、450nm、500nm、550nm、600nm、650nm、700nm、750nm、800nm、850nm、900nm、950nm或更长。在一些情况下，激发光束的波长可为至多约950纳米(nm)、900nm、850nm、800nm、750nm、700nm、650nm、600nm、550nm、500nm、450nm、400nm或更短。光脉冲的波长可为约700nm至900nm、约725nm与875nm、约750nm至850nm，或约775nm至825nm。
还可使用多个波长。当使用多个波长的光时，波长可以集中在至少约400nm、450nm、500nm、550nm、600nm、650nm、700nm、750nm、800nm、850nm、900nm、950nm或更长，其中带宽为至少约10nm、20nm、30nm、40nm、50nm、75nm、100nm、125nm、150nm、175nm、200nm、225nm、250nm、275nm、300nm或更长。例如，波长可以集中在约780nm，其中带宽为约50nm(例如，约((780–(50/2))＝755nm)至约((780+(50/2))＝805nm))。在一些情况下，波长可以集中在至多约950纳米(nm)、900nm、850nm、800nm、750nm、700nm、650nm、600nm、550nm、500nm、450nm、400nm或更短，其中带宽为至少约10nm、20nm、30nm、40nm、50nm、75nm、100nm、125nm、150nm、175nm、200nm、225nm、250nm、275nm、300nm或更长。
信号的子集可以包括至少一个选自二次谐波产生(SHG)信号、三次谐波产生(THG)信号、反射共聚焦显微镜(RCM)信号和自体荧光信号的信号。SHG、THG、RCM和自体荧光在本文别处公开。信号的子集可包括一个或多个如本文所定义的生成信号。
收集可以在环境光存在的情况下进行。环境光可是指在体检室或进行外科手术的手术区的例如由各种类型的电光源提供的正常的室内照明，包括白炽灯泡或灯、卤素灯、气体放电灯、荧光灯、发光二极管(LED)灯和碳弧灯。
沿着倾斜扫描、扫描路径或扫描图案同时调节激发光束的焦点的深度和位置可以增加深度剖面的最大分辨率深度。增加后的最大分辨率深度可为原始最大分辨率深度的至少约1.1倍、1.2倍、1.5倍、1.6倍、1.8倍、1.9倍、2倍、2.1倍、2.2倍、2.3倍、2.4倍、2.5倍、2.6倍、2.7倍、2.8倍、2.9倍、3倍或更多。在其他实施方案中，增加后的最大分辨率深度可为原始最大分辨率深度的至多约3倍、2.9倍、2.8倍、2.7倍、2.6倍、2.5倍、2.4倍、2.3倍、2.2倍、2.1倍、2.0倍、1.9倍、1.8倍、1.7倍、1.6倍、1.5倍、1.4倍或更少。该增加可为相对于焦点的深度和位置不同时调节的情况而言。
指示组织的内在性质的信号可以由光检测器检测。可以调制光检测器传感器的功率和增益以提高图像质量。激发光束可以与光检测器的感测同步。
RCM信号可以由与分束器光学通信的一系列光学组件检测。分束器可以是偏振分束器、固定比分束器、反射分束器或二向色分束器。分束器可以传输大于或等于入射光的约1％、3％、5％、10％、15％、20％、25％、33％、50％、66％、75％、80％、90％、99％或更多。分束器可以传输小于或等于入射光的约99％、90％、80％、75％、66％、50％、33％、25％、20％、15％、10％、5％、3％、1％或更少。该一系列光学组件可包括一个或多个反射镜。该一系列光学组件可包括一个或多个透镜。一个或多个透镜可以将RCM信号的光聚焦到光纤上。光纤可以是单模、多模或一束光纤。RCM信号的聚焦光可以使用可调节反射镜、平移台或折射对准元件对准光纤。折射对准元件可以是如本文别处所述的折射对准元件。
该方法可以在不穿透受试者的组织的情况下进行。本文公开的用于识别受试者组织中的疾病的方法可以在疾病的治疗期间使用和/或用于疾病的治疗，例如在治疗皮肤癌的Mohs手术期间。在一些情况下，可以在不从受试者去除上皮组织的情况下识别受试者上皮组织中的疾病，例如皮肤癌。这可以有利地防止受试者的疼痛和不适，并且可以加速疾病的检测和/或识别。可以以非侵入式方式检测疾病的位置，这可以使诸如医疗保健专业人员(例如，外科医生、医师、护士或其他从业者)的用户能够在术前确定患病区域的位置和/或边界。在一些情况下，可以在不穿透受试者的上皮组织(例如通过针)的情况下识别受试者的上皮组织中的疾病。
疾病或病症可以包括癌症。在一些情况下，癌症可以包括甲状腺癌、肾上腺皮质癌、直肠癌、再生障碍性贫血、胆管癌、膀胱癌、骨癌、骨转移、中枢神经系统(CNS)癌、周围神经系统(PNS)癌、乳腺癌、卡斯尔曼病(Castleman's disease)、宫颈癌、儿童非霍奇金淋巴瘤、淋巴瘤、结肠癌和直肠癌、子宫内膜癌、食道癌、尤因家族肿瘤(如尤因肉瘤)、眼癌、胆囊癌、胃肠道类癌、胃肠道间质肿瘤、妊娠滋养细胞疾病、多毛细胞白血病、霍奇金病、卡波济氏肉瘤、肾癌、喉癌和下咽癌、急性淋巴细胞白血病、急性髓样白血病、儿童白血病、慢性淋巴细胞白血病、慢性髓样白血病、肝癌、肺癌、肺类癌、非霍奇金淋巴瘤、男性乳腺癌、恶性间皮瘤、多发性骨髓瘤、骨髓增生异常综合征、骨髓瘤增生性疾病、鼻腔和鼻旁癌、鼻咽癌、神经细胞瘤、口腔和口咽癌、骨肉瘤、卵巢癌、胰腺癌、阴茎癌、垂体瘤、前列腺癌、视网膜母细胞瘤、横纹肌肉瘤、涎腺癌、肉瘤(成人软组织癌)、黑色素瘤皮肤癌、非黑色素瘤皮肤癌、胃癌、睾丸癌、胸腺癌、子宫癌(例如子宫肉瘤)、阴道癌、外阴癌或华氏巨球蛋白血症。疾病可为上皮癌。上皮癌可为皮肤癌。
该方法还可包括使用一个或多个计算机处理器处理深度剖面以对组织的疾病进行分类。分类可以以至少约10％、20％、30％、40％、50％、60％、70％、80％、90％、95％、98％、99％、99.9％或更高的准确度、选择性和/或特异性将组织识别为患有疾病。分类可以以至多约99.9％、99％、98％、95％、90％、80％、70％、60％、50％、40％、30％、20％、10％或更低的准确度、选择性和/或特异性将组织识别为患有疾病。一个或多个计算机处理器可以使用一个或多个计算机程序对疾病进行分类。一个或多个计算机程序可以包括一种或多种机器学习技术。一种或多种机器学习技术可在除一个或多个处理器之外的系统上进行训练。
深度剖面可以具有至少约0.5、0.6、0.7、0.8、0.9、1、2、3、4、5、6、7、8、9、10、15、20、25、30、40、50、75、100、150、200微米或更大的分辨率。深度剖面可以具有至多约200、150、100、75、50、40、30、25、20、15、10、9、8、7、6、5、4、3、2、1、0.9、0.8、0.7、0.6、0.5微米或更小的分辨率。例如，深度剖面可能够分辨1微米的细胞间隙。
该方法还可包括测量激发光束的功率。功率计可用于测量激发光束的功率。功率计可以实时测量激发光束的功率。一个或多个计算机处理器可以针对所测量的激发光束的功率对信号进行归一化。归一化的信号可以针对平均功率、瞬时功率(例如，与信号同时读取的功率)或其组合进行归一化。一个或多个计算机处理器可以生成归一化的深度剖面。归一化的深度剖面可能够在不同时间生成的深度剖面之间进行比较。深度剖面还可以包括与获取图像时的照明功率有关的信息。在本文中，功率计还可称为功率传感器或功率监测器。
该方法可以允许多个信号的同步收集。该方法可能够收集由单个激发事件产生的多个信号。如本文别处所述，可以使用从相同激发事件产生的信号来生成深度剖面。用户可以决定使用哪些信号来生成深度剖面。
该方法可以生成两个或多个信息层。两个或多个信息层可为由单探针系统的相同光脉冲生成的数据所生成的信息。两个或多个层可以来自相同的深度剖面。两个或多个层中的每一层还可形成单独的深度剖面，从其可创建或显示投影横截面图像。例如，每个单独的层或每个单独的深度剖面可以对应于特定的处理信号或特定成像方法相对应的信号。例如，可以通过获取黑色素的双光子荧光信号生成深度剖面，使用来自胶原的SHG信号生成另一个深度剖面，并且这两个深度剖面可以叠加为两个信息层。每组信号都可以单独过滤、处理并用于创建单独的深度剖面和投影横截面图像，与可用于生成投影横截面图像的数据组合成单个深度剖面，来自各组信号的数据可以组合，并且该组合可以用于生成单个深度剖面或其任何组合。对应于组织的一个或多个特定特征的各组信号可分配给颜色，所述颜色用于显示一个或多个特征的单个横截面图像或包括来自各组信号的数据的合成横截面图像。可以叠加横截面图像或单个深度剖面以产生合成图像或深度剖面。因此，可以生成多色多层的深度剖面或图像。
示例图像
图7A-7D示出了由皮肤的深度剖面形成的图像的示例。图7A示出了由源自双光子自体荧光产生的生成信号的深度剖面显示的图像。自体荧光信号由约780nm的激发信号产生，并从光学探针尖端的收集元件收集到光导件中。使用适当选择的滤光器在约415至650nm的范围内检测自体荧光信号。可以看到表皮703以及皮肤表面的角质层701。可以看到表皮703和真皮705层边界处的弹性蛋白702，和表皮703中的上皮细胞708(角质形成细胞)以及其他特征。图7B示出了由与7A的深度剖面或层在时间和位置上同步的深度剖面或层显示的图像。7B中由深度剖面显示的图像源自使用适当选择的滤光器在约390nm处检测到的二次谐波产生信号。二次谐波产生信号由约780nm的激发信号生成，并从光学探针尖端的收集元件收集到光导件中。可以看到真皮层705中的胶原704以及其他特征。图7C示出了由与7A和7B的深度剖面或层在时间和位置上同步的深度剖面或层显示的图像。7C中由深度剖面显示的图像源自反射回RCM检测器的反射共聚焦信号。约780nm的反射信号通过其原路径返回并拆分到对准装置，所述对准装置将反射信号聚焦并对准到光纤中以进行检测和处理。可以看到黑素细胞707和胶原706以及其他特征。图7A、7B和7C中的图像可源自单个合成深度剖面，所述单个合成深度剖面由激发光脉冲产生并具有多个层；或可由单独的深度剖面导出为单层。图7D示出了7A至7C的叠加图像。可以从图7A和7B的特征中识别的边界可以帮助识别图7D中识别的黑素细胞的位置。诊断信息可以包含在单个图像和/或7D的合成或叠加图像中。例如，据信可以基于各种组织层中黑素细胞或角蛋白细胞的位置和形状来识别一些疑似病变。图7A-7D的深度剖面可为用于如本文别处描述的机器学习算法中的数据的示例。例如，所有三层都可以作为单独的层输入到机器学习分类器中，还使用合成图像作为另一个输入。
用于检测上皮癌的光学技术
本公开内容提供了可以用于诊断上皮疾病和皮肤病理学的光学技术。光学成像技术可以显示核和细胞形态，并且可以提供在大面积的新切除组织或活检组织中实时检测肿瘤而无需样本处理(诸如组织学中的样本处理)的能力。光学成像方法还可以促进对可疑组织的非侵入式实时可视化，而无需将组织样本切除、切片和/或染色。光学成像可以改善可诊断组织的收益(例如，通过避免纤维化或坏死的区域)、最小化不必要的活检或内窥镜切除术(例如，通过区分肿瘤与炎性病变)并且实时评估手术边缘以确认阴性边缘(例如，用于进行有限的切除术)。实时评估组织样本而无需等待组织处理、切片和染色的能力可以改善诊断周转时间，尤其是在有时效性的情况下，诸如Mohs手术期间。用于诊断上皮疾病和癌症的光学成像技术的非限制性示例包括多光子显微术、自体荧光显微术、偏振光显微术、共聚焦显微术、拉曼光谱、光学相干断层成像术和超声波扫描术。可检测的组织成分的非限制性示例包括角蛋白、NADPH、黑色素、弹性蛋白、黄素、原卟啉ix和胶原。其他可检测成分可以包括组织边界。例如，角质层、表皮和真皮之间的边界在图5A-5F中示意性地示出。图7A-7D中所示深度剖面的示例性图像示出了一些可检测成分，例如包括但不限于：角质层、表皮和真皮的组织边界，黑素细胞，胶原和弹性蛋白。
多光子显微术(MPM)可以用于对活体样本(诸如患者的皮肤组织)中的内部分子信号进行成像。在MPM中，可以用波长比标准激发波长更长(例如长两倍或三倍)的光照射样本。MPM可以包括二次谐波产生显微术(SHG)和三次谐波产生显微术(THG)。三次谐波产生可以用于对神经组织进行成像。
自体荧光显微术可以用于对固有荧光的生物分子(例如荧光团)进行成像。自体荧光的内源性生物分子的非限制性示例包括烟酰胺腺嘌呤二核苷酸(NADH)、NAD(P)H、黄素腺嘌呤二核苷酸(FAD)、胶原、视黄醇和色氨酸以及色氨酸的吲哚胺衍生物。可以光学检测这些荧光团的荧光水平的变化，例如随肿瘤进展的变化。变化可能与改变的细胞代谢途径(NADH、FAD)或改变的结构组织基质(胶原)有关。
偏振光可以用于评估生物结构并且检查诸如细胞大小和折射率等参数。折射率可以提供关于细胞(例如组织样本中的细胞)的组成和组构结构的信息。癌症可以显著改变组织组构，并且这些变化可以用偏振光进行光学检测。
共聚焦显微术也可以用于检查上皮组织。可以施用外源造影剂以增强可见性。共聚焦显微术可以提供在活人皮肤中约2-5μm薄的切片中的核和细胞形态的非侵入式图像，横向分辨率为约0.5-1.0μm。共聚焦显微术可以用于可视化体内微观解剖结构，如表皮和单个细胞，包括黑素细胞。
拉曼光谱也可以用于检查上皮组织。拉曼光谱可以依赖于非弹性散射(所谓的“拉曼”散射)现象来检测疾病进展生物标记物(诸如脂质、蛋白质和氨基酸)的光谱信号。
光学相干断层成像术也可以用于检查上皮组织。光学相干断层成像术可以基于干涉测量，其中激光光束被分束器分开，将一些光发送到样本，并将一些光发送到参照物。来自样本和参照物的反射光的组合可以产生干涉图案，该干涉图案可以用于确定提供关于样本内结构的空间尺寸和位置的信息的反射率分布。目前市售的光学相干断层成像系统具有约10至15μm的横向分辨率，成像深度为约1mm或更深。虽然该技术可以快速生成反映不同层的组织组分(例如，细胞、结缔组织等)的三维(3D)图像体，但是图像分辨率(例如，类似于组织学显微镜的4倍物镜)可能不足以进行常规组织病理学诊断。
超声也可以用于检查上皮组织。超声可以用于评估上皮癌的相关特性，诸如深度和血管供应。虽然超声波扫描术可能在检测色素(如黑素)方面受限，但其可以对组织学分析进行补充并提供附加的细节以协助治疗决策。其可以用于对原发性肿瘤的特性(例如厚度和血流)进行非侵入式评估，并且可以有助于关键管理决策的修改。
本文公开的用于诊断上皮疾病和皮肤病理学的方法可以包括多光子显微术、自体荧光显微术、偏振光显微术、共聚焦显微术、拉曼光谱、光学相干断层成像术和超声波扫描术中的一种或多种。在一些情况下，用于诊断上皮疾病和/或皮肤病理学的方法包括自体荧光显微术和多光子显微术。或者，用于诊断上皮疾病和/或皮肤病理学的方法包括自体荧光显微术、多光子显微术和偏振光显微术。可以使用二次谐波产生显微术和三次谐波产生显微术两者。在一些情况下，使用二次谐波产生显微术和三次谐波产生显微术中的一种。
本文公开的用于诊断上皮疾病和皮肤病理学的方法可以包括使用一个或多个深度剖面来识别解剖特征和/或其他组织特性或特征，并使来自一个或多个深度剖面的图像叠加成从中获得可以识别皮肤病理学的图像。
用于生成深度剖面的装置
本文公开了用于生成组织的深度剖面的装置。在一方面，用于生成受试者组织的深度剖面的装置可以包括：光学探针，其使来自光源的激发光束传输向组织的表面，该激发光束在接触组织时产生指示组织内在性质的信号；光学探针中的一个或多个聚焦单元，所述聚焦单元同时调节激发光束沿扫描路径、扫描图案或在一个或多个倾斜方向上焦点的深度和位置；一个或多个传感器，其配置为检测在组织与激发光束接触时产生的信号的至少子集；和一个或多个计算机处理器，其有效地耦合至一个或多个传感器，其中所述一个或多个计算机处理器单独地或共同地编程为处理由一个或多个传感器检测到的信号的至少子集，以生成组织的深度剖面。
图1示出了配置为同时调节激发光束的焦点的深度和位置的聚焦单元的示例。图1示出了一个或多个聚焦扫描光学器件(focusing and scanning optic)的示例，即可用于扫描和创建组织深度剖面的光学探针的聚焦单元。图8示出了位于手柄800中的图1的光学探针的聚焦扫描组件或单元的示例。无焦z轴扫描仪102可以包括可移动透镜103和耦合至可移动透镜103的致动器105(例如，音圈)(图8)以及MEMS反射镜106。无焦z轴扫描仪102可以会聚或发散准直光束，在成像的同时在轴向上移动焦点。在轴向上移动焦点可以使深度剖面成像。MEMS反射镜106可以通过在水平平面或X-Y平面上移动焦点来扫描。根据一些代表性实施方案，无焦Z扫描仪102和MEMS反射镜106分别通过由协调计算机控制驱动的致动器致动，使得它们的运动同步，以提供焦点在组织内的同步运动。根据一些代表性实施方案，移动可移动透镜103和MEMS反射镜106两者可以允许改变焦平面和光轴之间的角度，并且使得通过平面(例如，本文定义的倾斜平面或焦平面)成像深度剖面。
继续参考图1和图8，光学探针可以包括配置为将光从激光器传输至光学探针的光纤101。光纤101可以是单模光纤、多模光纤或一束光纤。光纤101可以是配置为将来自多个激光器或光源的光传输至光学探针的一束光纤，所述光是脉冲光束或连续光束。光纤101可以耦合至倍频器122，倍频器122将频率转换为预定的激发频率(例如，通过将频率乘以1或更大的因子)。倍频器122可以将光从光纤101传输至任选的偏振器125或偏振选择光学元件。光可以通过分束器104发送，分束器104将一部分激发光引导至功率监测器120，并将至少一部分返回的反射光引导至光反射收集模块130。其他传感器和功率监测器可以包括在探针中。传感器和监测器可以提供关于探针或受试者的其他信息，所述信息可以以数据的形式包含在深度剖面中，并且可以用于进一步增强机器学习。
照明光可以被引导至无焦z轴扫描仪102，然后通过MEMS反射镜106。MEMS反射镜扫描仪可配置为将光的至少一部分引导通过一个或多个中继透镜107。一个或多个中继透镜107可配置为将光引导至二向色镜108。二向色镜108可将激发光引导至物镜110中。物镜110可配置为引导光与受试者的组织相互作用。物镜110可配置为收集由与受试者的组织相互作用的光生成的一个或多个信号。生成信号可以是单光子或多光子生成信号。一个或多个信号的子集可以通过二向色镜108传输至收集装置109中，并且可以由本文所述的一个或多个光检测器(例如图11B的检测器块1108)检测。一个或多个信号的子集可以包括例如多光子信号，其可以包括SHG和/或双光子自体荧光和/或双光子荧光信号。收集装置109可以包括光学元件(例如，透镜和/或反射镜)。收集装置可将收集的光通过光导件111引导至一个或多个光电传感器。光导件可以是液体光导件、多模光纤或一束光纤。
由与组织相互作用的光生成并由物镜110收集的一个或多个信号的另一个子集可以包括单光子信号。信号的该子集可为一个或多个RCM信号或单光子荧光/自体荧光信号。RCM信号可示踪产生其的光的反向路径。反射信号可以被分束器104反射向对准装置，该对准装置可以将反射信号或RCM信号对准并聚焦到光纤140上。对准装置可以包括聚焦透镜132和折射对准元件133，其中折射对准元件133位于聚焦透镜132和光纤140之间。对准装置可包括或不包括一个或多个附加的光学元件，例如一个或多个反射镜、透镜等。
反射信号可以被分束器104反射向透镜132。反射信号可以被引导至聚焦透镜132。聚焦透镜132可配置为将信号聚焦到光纤140中。折射对准元件133可配置为将来自聚焦透镜132的聚焦光束与光纤140对准以进行收集。根据一些代表性实施方案，折射对准元件133可移动地定位在聚焦透镜132和光纤140之间，而聚焦透镜132和光纤140固定在其位置上。折射元件可以相对于聚焦透镜和光纤成角度或旋转地移动。折射对准元件133可为如本文别处所述的折射元件。光纤140可以是单模光纤、多模光纤或一束光纤。光纤140可以耦合至用于检测反射信号的光检测器。
任选的偏振器135或偏振选择光学元件可以定位在分束器和聚焦透镜之间。偏振器可以从反射信号提供进一步的解剖学细节。反射镜131可用于将来自分束器104的反射信号引导至对准装置。反射镜131可为可移动的和/或可调节的，以在反射信号进入聚焦透镜132之前提供更大的对准调节。反射镜131可以定位在折射对准元件133前面的一个焦距处。反射镜131还可为分束器，或可使其偏振以将反射信号拆分至具有不同偏振的元件中，以从反射光提供附加的组织细节。一旦拆分，拆分的反射信号可以被引导通过不同的对准装置并通过单独的通道进行处理。
聚焦透镜132可以将RCM信号的光聚焦到衍射受限或几乎衍射受限的点。折射对准元件133可用于提供RCM信号的光与光纤的更精细对准。折射对准元件可以具有允许将离开透镜的RCM信号对准至直径小于约20微米、10微米、5微米或更小的光纤的折射率、厚度和/或运动范围(例如，改变几何形状的运动)。根据一些代表性实施方案，可以选择折射对准元件特性(包括折射率、厚度和运动范围)，使得由折射对准元件引入的像差不会使聚焦光斑的尺寸增加大于聚焦透镜的衍射极限以上约0％、1％、2％、5％、10％、20％或更多。光纤140可以耦合至如本文别处所述的光检测器。光检测器可以产生组织的图像。折射对准元件可以实现小形状因子的RCM信号检测。对准装置可以包含在手持式设备内。
信号的至少子集可以包括偏振光。光学探针可以包括一个或多个偏振选择性光学器件(例如，偏振滤波器、偏振分束器等)。一个或多个偏振选择性光学器件可以选择RCM信号的特定偏振，使得检测到的RCM信号具有来自组织的特定部分的特定偏振。例如，偏振选择性光学器件可用于选择性地成像或放大组织中的不同特征。
信号的至少子集可以包括非偏振光。光学探针可配置为拒绝最多全部散焦光。通过拒绝散焦光，可以由RCM信号生成低噪声图像。
多折射透镜(例如中继透镜、准直透镜和场透镜)可用于将来自光源的超快光脉冲聚焦到组织内的小点。聚焦光的小点在接触组织后可产生内源性组织信号，例如二次谐波产生、双光子自体荧光、三次谐波产生、相干反斯托克斯拉曼光谱、反射共聚焦显微镜信号或其他非线性多光子生成信号。探针还可将光学元件(如反射镜和平移透镜)生成的扫描图案变换为组织内焦点的运动，以通过结构扫描焦点并生成组织的逐点图像。探针可以包括多个透镜以最小化像差、优化焦点扫描的线性映射以及最大化分辨率和视场。
光学探针中的一个或多个聚焦单元可包括但不限于可移动透镜、耦合至光学元件的致动器(例如，无焦透镜)、MEMS反射镜、中继透镜、二向色镜、折叠镜、分束器和/或对准装置。对准元件可以包括但不限于聚焦透镜、偏振透镜、折射元件、折射元件的调节元件、角度调节元件和/或可移动反射镜。指示组织的内在性质的信号可以是如本文别处所述的信号，例如二次谐波产生信号、多光子荧光信号、反射共聚焦显微镜信号、其他生成信号或其任何组合。
与本文方法一致的设备可以包括本主题方法的任何元件，包括但不限于：光学探针；一个或多个光源，如超短脉冲激光器；一个或多个移动或可调谐透镜；一个或多个滤光器；一个或多个光检测器；一个或多个计算机处理器；一个或多个标记工具；及其组合。
光检测器可以包括但不限于光电倍增管(PMT)、光电二极管、雪崩光电二极管(APD)、电荷耦合器件(CCD)检测器、电荷注入器件(CID)检测器、互补金属氧化物半导体检测器(CMOS)检测器、多像素光子计数器(MPPC)、硅光电倍增管(SiPM)、光敏电阻(LDR)、混合PMT/雪崩光电二极管传感器和/或其他检测器或传感器。该系统可包括一种或多种类型的一个或多个光检测器，并且每个传感器可用于检测相同或不同的信号。例如，系统可以同时使用光电二极管和CCD检测器，其中光电二极管检测SHG和多光子荧光，而CCD检测反射共聚焦显微镜信号。可以操作光检测器以提供至少约0.5、1、2、3、4、5、6、7、8、9、10、15、20、24或更高的帧速率或每秒获取的图像数。可以操作光检测器以提供至多约60、50、40、30、24、20、15、10、9、8、7、6、5、4、3、2、1、0.5或更低的帧速率。
光学探针可以包括收集信号的光电倍增管(PMT)。PMT可以包括电气联锁和/或快门。当光电倍增管隔室暴露于环境光时，电气联锁和/或快门可以通过在上皮组织表面和光学检验之间的接触被破坏时激活来保护PMT。通过使用可激活的联锁和/或快门，可以在环境光的存在下收集信号，从而允许用户在患者床边生成一个或多个实时的术前深度剖面。光学探针还可以包括其他光检测器。
提供超短光脉冲的光源可以是波长可调谐的超短脉冲Ti:蓝宝石激光器。Ti:蓝宝石激光器可以是锁模振荡器、啁啾脉冲放大器或可调谐连续波激光器。锁模振荡器可以生成持续时间在约几皮秒至约10飞秒之间(在一些情况下为约5飞秒)的超短脉冲。脉冲重复频率可为约70至90兆赫兹(MHz)。术语“啁啾脉冲”通常是指可以防止脉冲损坏激光器中的组件的特殊构造。在“啁啾脉冲”激光器中，脉冲可以在时间上进行拉伸，使得能量在时间和空间上不全部位于同一点处，从而防止损坏放大器中的光学器件。随后可以对脉冲进行光学放大并在时间上再压缩以形成短的局部脉冲。
装置的移动透镜或可移动透镜可以平移以产生多个不同的扫描图案或扫描路径。移动透镜可以耦合至平移透镜的致动器。致动器可由编程的计算机处理器控制。致动器可以是线性致动器，例如机械致动器、液压致动器、气动致动器、压电致动器、机电致动器、线性发动机、线性电动致动器、音圈或其组合。机械致动器可以例如通过螺旋机构、轮轴机构和凸轮机构将旋转运动转换为线性运动来运行。液压致动器可包括包含活塞和不可压缩液体的中空圆柱体。气动致动器可类似于液压致动器，但包括压缩气体而不是液体。压电致动器可包括可在施加电压下膨胀的材料。因此，压电致动器可以实现极精细的定位分辨率，但也可具有非常短的运动范围。在一些情况下，压电材料可表现出滞后现象，这可导致难以以可重复的方式控制其膨胀。机电致动器可类似于机械致动器。然而，机械致动器的控制旋钮或手柄可以用电动机代替。
可调谐透镜可以指光学元件，其光学特性(例如焦距和/或光轴的位置)可以在使用期间通过例如电子控制来调节。可电调谐透镜可包含合适的电光材料(例如，其局部有效折射率或折射率随施加在其上的电压而变化的材料)的薄层。可以使用电极或电极阵列来施加电压以将折射率局部地调节至一定的值。电光材料可以包括液晶。可以施加电压来调制双折射的轴和包含液晶的电光材料的有效折射率。在一些情况下，可以使用聚合物凝胶。可调谐透镜可以包括电极阵列，该电极阵列将液晶中的像素网格限定为类似于液晶显示器中使用的像素网格。单个像素的折射率可以进行电控制，以给出相位调制分布。相位调制分布可以指由于在可调谐透镜的电光层区域上局部变化的有效折射率而施加到穿过该层的光的局部相位移动的分布。
在一些情况下，与光学探针电学通信或机电通信的电学或机电可调谐透镜可用于产生多个不同的扫描图案或扫描路径。调制电学或机电可调谐透镜的曲率可以产生上皮组织的多个不同的扫描图案或扫描路径。可调谐透镜的曲率可以通过施加电流来调制。该设备还可以包括用于控制电流施加的编程计算机处理器。
用于识别受试者上皮组织中的疾病的装置可以包括光学探针。光学探针可以将来自光源的激发光束传输向上皮组织的表面。激发光束在接触上皮组织后可以生成与上皮组织的内在性质相关的信号。光源可以包括超快脉冲激光器，例如Ti:蓝宝石激光器。超快脉冲激光器可以产生小于500飞秒、400飞秒、300飞秒、200飞秒、100飞秒或更短的脉冲持续时间。超短光脉冲的脉冲重复频率可为至少10MHz、20MHz、30MHz、40MHz、50MHz、60MHz、70MHz、80MHz、90MHz、100MHz或更高。
组织可以是上皮组织。深度剖面可允许识别受试者上皮组织中的疾病。受试者组织中的疾病在本文别处公开。
扫描路径或图案可以在一个或多个倾斜方向上并且在一个或多个倾斜平面上。倾斜平面可以沿着相对于光学探针的光轴成角度的方向定位。倾斜平面与光轴之间的角度为至多45°。倾斜平面和光轴之间的角度可为至少约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在一些情况下，倾斜平面和光轴之间的角度可为至多约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。
光学探针还可以包括一个或多个滤光器，所述一个或多个滤光器可配置为收集信号的子集。如本文别处所述，滤光器可用于收集与上皮组织的一种或多种内在性质相关的一个或多个特定信号子集。滤光器可以是分束器、偏振分束器、陷波滤波器、二向色滤波器、长通滤波器、短通滤波器、带通滤波器或响应平坦化滤波器。滤光器可以是一个或多个滤光器。这些滤光器可以是镀膜玻璃或塑料元件，它们可以选择性地传输某些波长的光，例如自体荧光波长，和/或具有其他特定属性的光，例如偏振光。滤光器可以收集至少一个选自二次谐波产生(SHG)信号、三次谐波产生(THG)信号、偏振光信号、反射共聚焦显微镜(RCM)信号和自体荧光信号的信号。信号的子集可以包括二次谐波产生(SHG)信号、三次谐波产生(THG)信号和自体荧光信号中的至少一个。
光源可以包括脉冲持续时间小于约200飞秒的超快脉冲激光器。超快脉冲激光器可产生脉冲持续时间为至多500飞秒、450飞秒、400飞秒、350飞秒、300飞秒、250飞秒、200飞秒、150飞秒、100飞秒或更短的光脉冲。在一些情况下，脉冲持续时间为约150飞秒。在一些情况下，超快脉冲激光器可以产生脉冲持续时间为至少100飞秒、150飞秒、200飞秒、250飞秒、300飞秒、350飞秒、400飞秒、450飞秒、450飞秒、500飞秒或更短的光脉冲。超快脉冲激光器的脉冲重复频率可为至少10MHz、20MHz、30MHz、40MHz、50MHz、60MHz、70MHz、80MHz、90MHz、100MHz或更高。在一些情况下，超快脉冲激光器的脉冲重复频率可为至多100MHz、90MHz、80MHz、70MHz、60MHz、50MHz、40MHz、30MHz、20MHz、10MHz或更低。在一些情况下，脉冲重复频率为约80MHz。
在使用期间，光学探针可以与组织表面接触。接触可以是直接接触或间接接触。如果接触是直接接触，则执行接触可以包括将光学探针放置在靠着受试者的组织而不使用中间层。如果接触是间接接触，则执行接触可以包括在使用一个或多个中间层的情况下，将光学探针放置在靠着受试者的组织。一个或多个中间层可以包括但不限于衣服、医用纱布、绷带等。可以监测该接触，使得当上皮组织的表面与光学探针之间的接触被破坏时，可以激活定位在检测器前方(例如，相对于光路)的遮板并且阻挡入射光。在一些情况下，光检测器包括电气联锁和/或快门。当光电倍增管隔室暴露于环境光时，电气联锁和/或快门可以通过在上皮组织表面和光学检验之间的接触被破坏时激活来保护光检测器。通过使用可激活的联锁和/或快门，可以在环境光的存在下收集信号，从而允许用户在患者床边生成一个或多个实时的术前深度剖面。
该设备可以包括检测光学探针和组织表面之间的位移的传感器。如果环境光超过光检测器的检测能力，该传感器可以通过激活快门或暂时停用光检测器以防止环境光到达光检测器并损坏光检测器而保护光检测器(例如光检测器)免受环境光的影响。
光学探针可以包括功率计。功率计可以光学耦合至光源。功率计可用于校正光源功率的波动。功率计可用于控制光源的功率。例如，集成功率计可以允许根据特定成像会话需要多少功率来设置光源的功率。功率计可以确保在一段时间内具有照明一致性，使得在整个时间段内获取的图像具有相似的照明条件。功率计可为系统处理提供关于照明光的功率的信息，该信息可以与深度剖面一起记录。功率信息可以包括在本文别处描述的机器学习中。功率计可以是例如光电二极管、热电功率计或热功率计。功率计可以是多个功率计。
该设备还可以包括标记工具，该标记工具用于勾勒出指示受试者的上皮组织中的疾病位置的边界。标记工具可以是笔或其他书写工具，其包含经FDA批准的皮肤标记墨水，例如龙胆紫墨水(Genetian Violet Ink)；可以与侵蚀性皮肤准备(诸如CHG/异丙醇处理)一起使用的准备耐受墨水(prep resistant ink)；防水永久墨水；或易于去除(例如用酒精去除)的墨水。笔可以具有细端头、超细端头或宽端头。标记工具可以是无菌笔。或者，标记工具可以是非无菌笔。
该设备可以是便携式设备。便携式设备可由电池供电。便携式设备可以包括轮。便携式设备可以包含在外壳内。外壳可具有大于或等于约0.1平方英尺、0.2平方英尺、0.3平方英尺、0.4平方英尺、0.5平方英尺、1平方英尺或更大的覆盖区。或者，外壳可具有小于或等于约1平方英尺、0.5平方英尺、0.4平方英尺、0.3平方英尺、0.2平方英尺或0.1平方英尺的覆盖区。便携式设备可以包括过滤光源，其发射在光学探针无法检测到的波长范围的光。
便携式设备可为至多50磅、45磅、40磅、35磅、30磅、25磅、20磅、15磅、10磅、5磅或更小。在一些情况下，便携式设备可为至少5磅、10磅、15磅、20磅、25磅、30磅、35磅、40磅、45磅、50磅、55磅或更多。
光学探针可以包括手持式外壳，该手持式外壳配置为与用户的手交互。可平移的光学探针可包括手持式和便携式外壳。这可以允许外科医生、医师、护士或其他医疗保健从业者在患者床边实时检查疾病(例如，皮肤组织中的癌症)的位置。便携式设备可具有大于或等于约0.1平方英尺、0.2平方英尺、0.3平方英尺、0.4平方英尺、0.5平方英尺或1平方英尺的覆盖区。或者，便携式设备可具有小于或等于约1平方英尺、0.5平方英尺、0.4平方英尺、0.3平方英尺、0.2平方英尺或0.1平方英尺的覆盖区。
探针可以具有小于约10毫米(mm)、8mm、6mm、4mm或2mm的尖端直径。手持式设备可以具有允许一次性探针易于连接和断开的机构。该机构可以具有对准功能以实现探针和手持式设备之间的精细光学对准。手持式设备的形状可以像耳镜或具有枪状形状因子的皮血管镜。手持式设备可具有至多约8磅(lbs)、4lbs、2lb、1lbs、0.5lbs或0.25lbs的重量。屏幕可以结合到手持式设备中以提供即时观察。屏幕可以是可拆卸的并且能够改变方向。手持式设备可以附接到便携式系统，该便携式系统可以包括推车或公文包类型的配置。便携式设备可以包括屏幕。便携式设备可以包括膝上型计算设备、平板计算设备、耦合至外部屏幕的计算设备(例如，具有监测器的台式计算机)或其组合。便携式系统可包括激光器、电子设备、光传感器和电源系统。激光可以以最佳频率提供光以进行传送。手持式设备可以包括二次谐波倍频器以将光由对传送有用的频率(例如1,560nm)转换为对组织成像有用的频率(例如780nm)。例如，传送频率可以是至少约800nm、900nm、1,000nm、1,100nm、1,200nm、1,300nm、1,400nm、1,500nm、1,600nm、1,700nm、1,800nm或更高；成像频率可以是至少约400nm、450nm、500nm、550nm、600nm、650nm、700nm、750nm、800nm、850nm、900nm、950nm或更高。激光器可具有足够低的功率以使用电池电源运行系统。该系统还可包括充电座或迷你支架以在操作期间支持便携式单元。在单个医疗办公室中可有多个迷你支架以及能够在房间之间传输的单个便携式系统。
外壳还可以包括图像传感器。可替代地，图像传感器可以位于外壳的外部。在任一种情况下，图像传感器可配置为在空间中定位光学探针外壳。图像传感器可以通过跟踪光学探针周围的一个或多个特征在空间中定位光学探针外壳。图像传感器可以是摄像机。一个或多个特征可以是组织的特征(例如，雀斑、胎记等)。一个或多个特征可以是在其中使用光学探针的空间的特征(例如家具、墙壁等)。例如，外壳可以集成有多个相机，所述相机使用计算机算法通过跟踪使用光学探针的房间的家具的移动来跟踪外壳的位置，并且跟踪可用于帮助生成组织切片的完整3D图像。通过跟踪外壳的位置同时记录组织图像，计算机可以在外壳平移时重建组织内图像的位置。通过这种方式，可以对组织的更大镶嵌区域(mosaic region)进行成像和数字重建。所述区域可为3D体积、2D镶嵌或组织内的任意表面。图像传感器可配置为检测近红外光。外壳可配置为投影多个点以生成用于图像传感器的图以用于跟踪。
外壳可以包含光学元件，所述光学元件配置为将信号的至少子集引导至一个或多个检测器。一个或多个检测器可以通过一个或多个光纤光学耦合至外壳。外壳可以包含一个或多个检测器以及光源，从而具有完全手持式成像系统。
图10示出了耦合至支持系统1010的探针外壳1020的示例。图11A和11B示出了示例性支持系统1010的内部。便携式计算设备1101可以放置在支持系统1010的上方。支持系统可以包括激光器1103。支持系统1010可以包括多个支持电子设备，例如电池1104、用于无焦透镜致动器的控制器1102、MEMS反射镜驱动器1105、电源1106、一个或多个互阻抗放大器1107、光检测器块1108、多个操作电子设备1109、数据采集板1110、其他传感器或传感器块或其任何组合。
图12示出了图10的示例的便携性的示例。图13示出了使用中的示例性系统。支持系统1310可以通过连接电缆1320向外壳1330发送多个光脉冲。多个光脉冲可以与组织1340相互作用生成多个信号。多个信号可以沿着连接电缆1320行进回到支持系统1310。支持系统1310可以包括便携式计算机1350。便携式计算机可以处理信号以生成并显示可以由深度剖面形成的图像1360和收集的如本文所述的信号。图14A和14B示出了准备成像的受试者的示例。图14A示出了如何使用酒精棉签清洁受试者的组织以进行成像。图14B示出了如何将甘油滴剂施用至受试者的组织。可以在不进行脱毛、染色、给药或固定的情况下进行成像。
一个或多个计算机处理器有效地耦合至一个或多个传感器。一个或多个传感器可以包括红外传感器、光学传感器、微波传感器、超声波传感器、射频传感器、磁传感器、振动传感器、加速度传感器、陀螺传感器、倾斜传感器、压电传感器、压力传感器、应变传感器、弯曲传感器、肌电图传感器、心电图传感器、脑电图传感器、热传感器、电容式触摸传感器或电阻式触摸传感器。
用于对受试者的组织图像进行分类/识别疾病的方法
本文公开了用于生成对受试者组织的图像进行分类的训练算法的方法。对组织的图像进行分类可有助于识别受试者组织中的疾病或有助于评估或分析受试者与组织的健康、功能、治疗或外观有关的所述组织的其他特征。在一方面，用于生成识别受试者组织中的疾病的训练算法的方法可以包括：(a)从先前或随后识别为患有该疾病的受试者的训练组织收集信号，这些信号选自二次谐波产生信号、三次谐波产生信号、反射共聚焦显微镜信号、自体荧光信号和如本文定义的其他生成信号；(b)处理信号以生成与受试者的训练组织的深度剖面相对应的数据；(c)使用来自(b)的数据训练机器学习算法以在计算机存储器中产生用于识别受试者组织中的疾病的训练算法，其中所述组织独立于所述训练组织。在上述操作(a)中，从受试者的训练组织收集信号可以包括从受试者的训练组织收集信号以使用在时间和位置上同步的信号来生成一个或多个深度剖面。所述深度剖面例如可以使用如本文别处描述的光学探针生成。所述深度剖面可以包括由收集和处理的生成信号的多个子集创建的单个分量、图像或深度剖面。深度剖面可以包括由从相同位置和时间收集的多个图像的子集创建的多个层。多个层中的每一层可包括识别不同于其他层的解剖结构和/或特征的数据。所述深度剖面可包括多个子集深度剖面。可以单独训练深度剖面的各个子集和/或可以训练子集深度剖面的合成深度剖面。形成层或深度剖面的子集的信号子集可以包括二次谐波产生信号、三次谐波产生信号、自体荧光信号、RCM信号、其他生成信号和/或如本文别处所述的任何前述信号的子集或分集。多个深度剖面可在受试者的训练组织中通过平移光学探针生成。多个深度剖面的一部分可以在具有疑似疾病的训练组织的区域中生成，而深度剖面的另一部分可以在所述区域之外生成。例如，在所述区域之外生成的多个深度剖面的一部分可以用于收集受试者控制数据。生成训练算法的方法可以通过收集来自受试者的训练组织的信号以类似的方式进行，所述训练算法用于识别和分类受试者中与组织的健康、功能、治疗或外观有关的所述组织的特征，所述训练组织先前或随后被识别为具有各特征。各特征可以包括用于识别组织中的疾病和/或功能障碍和/或用于评估皮肤或组织的健康、功能或外观的特征。
信号可以基本上同时(例如，在小于或等于约30秒(s)、20s、10s、1s、0.5s、0.4s、0.3s、0.2s、0.1s、0.01s、0.005s、0.001s或更短的时间段内生成的信号；由同一光脉冲或光束产生的信号；等等)在组织的单个区域内(例如，在小于或等于约1、1E-1、1E-2、1E-3、1E-4、1E-5、1E-6、1E-7、1E-8、1E-9、1E-10、1E-11、1E-12、1E-13或更少立方厘米内生成的信号)生成。信号可以由同一光脉冲或光束产生。信号可由在时间和位置上同步的多个光束产生，如本文别处所述。可以组合两个或多个信号以生成合成图像。可以使用相同或相似的扫描图案或扫描平面在组织的单个区域内生成信号或信号子集。多个信号中的各个信号可以独立于多个信号中的其他信号。用户可以决定使用哪一个或多个信号子集。例如，当扫描中同时收集到RCM和SHG信号时，用户可以决定是否仅使用RCM信号。信号的基本同时生成可以使信号成为与训练算法一起使用的理想信号。此外，可以与生成信号同时记录如本文先前描述的外壳位置的视频跟踪。
光学数据可以包括结构数据、时序数据、非结构数据、相关数据或其任意组合。非结构数据可以包括文本、音频数据、图像数据和/或视频。时序数据可以包括来自智能仪表、智能电器、智能设备、监测系统、遥测设备或传感器中的一个或多个的数据。相关数据可以包括来自客户系统、企业系统、操作系统、网站或网络可访问应用程序接口(API)中的一个或多个的数据。这可以由用户通过将文件或其他数据格式输入到软件或系统中的任何方法来完成。
数据可以存储在数据库中。数据库可以以计算机可读格式存储。计算机处理器可配置为访问存储在计算机可读存储器中的数据。可以使用计算机系统来分析数据以获得结果。结果可以远程或内部存储在存储介质上，并通信给工作人员，例如药物专家。计算机系统可以与用于传输结果的组件有效地耦合。用于传输的组件可以包括有线和无线组件。有线通信组件的示例可包括通用串行总线(USB)连接、同轴电缆连接、以太网电缆(例如Cat5或Cat6电缆)、光纤电缆或电话线。无线通信组件的示例可包括Wi-Fi接收器、用于访问移动数据标准(如3G或4G LTE数据信号)的组件，或蓝牙接收器。可以收集存储介质中的所有这些数据并存档以构建数据仓库。
数据库可以包括外部数据库。外部数据库可以是医学数据库，例如但不限于药物不良反应数据库(Adverse Drug Effects Database)、AHFS补充文件、过敏原选择列表文件(Allergen Picklist File)、平均WAC定价文件(Average WAC Pricing File)、品牌概率文件(Brand Probability File)、加拿大药物文件v2、综合价格历史、管制物质文件、药物过敏交叉参考文件、药物申请文件、药物剂量和给药数据库、药物图像数据库v2.0/药物印记数据库v2.0、药物无效日期文件、药物适应症数据库、药物实验室冲突数据库(Drug LabConflict Database)、药物治疗监测系统(DTMS)v2.2/DTMS消费者专著、重复治疗数据库、联邦政府定价文件、医疗保健通用程序编码系统代码(HCPCS)数据库、ICD-10映射文件、免疫交叉参考文件、综合A至Z药物事实模块(Integrated A to Z Drug Facts Module)、综合患者教育(Integrated Patient Education)、主参数数据库、Medi-Span电子药物文件(MED-File)v2、医疗补助退款文件(Medicaid Rebate File)、医疗保障方案文件(MedicarePlans File)、医疗状况选择列表文件、医疗条件主数据库、投药医嘱管理数据库(Medication Order Management Database)(MOMD)、监测数据库参数、患者安全程序文件、付款限额-B部分(PAL-B)v2.0、注意事项数据库、RxNorm交叉参考文件、标准药物标识符数据库、替换组文件、补充名称文件、分类交叉参考文件统一制度(Uniform System ofClassification Cross-Reference File)或警告标签数据库。
光学数据还可以通过除光学探针以外的数据源获得。所述数据源可包括传感器或智能设备，例如器械、智能仪表、可穿戴设备、监测系统、视频或相机系统、数据存储、客户系统、计费系统、金融系统、人群源数据、气象数据、社交网络，或任何其他传感器、企业系统或数据存储。智能仪表或传感器的示例可包括位于客户站点的仪表或传感器，或位于客户与发电或源位置之间的仪表或传感器。通过整合广泛来源的数据，该系统能够执行复杂且详细的分析。数据源可非限制性地包括其他医疗平台的传感器或数据库。
光学探针可以将来自光源的激发光束传输至参考组织的表面，该激发光束在接触组织时生成组织的光学数据。光学探针可包括一个或多个聚焦单元，以沿着扫描路径或扫描图案同时调节激发光束焦点的深度和位置。光学探针中的一个或多个聚焦单元可包括但不限于可移动透镜、耦合至光学元件(例如，无焦透镜)的音圈、MEMS反射镜、中继透镜、二向色镜和折叠镜。
扫描路径或扫描图案可以包括在至少一个倾斜方向上的路径或图案(“倾斜路径”或“倾斜图案”)。至少一个倾斜路径或倾斜图案可以相对于光轴成角度。倾斜路径或倾斜图案与光轴的之间的角度为至多45°。倾斜路径或倾斜图案与光轴之间的角度可为至少约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在其他情况下，倾斜路径或倾斜图案与光轴之间的角度可为至多约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。
扫描路径或扫描图案可以形成焦平面，和/或可以形成至少一个倾斜平面或位于至少一个倾斜平面上。所述至少一个倾斜平面可以沿着相对于光轴成角度的方向定位。倾斜平面与光轴之间的角度为至多45°。倾斜平面与光轴之间的角度可为至少约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在其他情况下，倾斜平面与光轴之间的角度可为至多约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。
疾病可为上皮癌。
该方法还可以包括接收受试者的医学数据。受试者的医学数据可以从数据接收器获得。数据接收器可配置为从一个或多个数据源检索或接收数据，其中检索数据包括数据提取过程，接收数据包括接收从数据的电子源传输的数据。受试者的医学数据可以包括受试者的身体状况、病史、当前和既往职业、年龄、性别、种族和肤质类型(Fitzpatrick skintype)、皮肤健康和外观的其他度量以及国籍。受试者的身体状况可以通过一种或多种医疗器械获得。所述一种或多种医疗器械可以包括但不限于听诊器、抽吸装置、温度计、压舌器、输液器、音叉、呼吸机、手表、秒表、体重秤、鳄鱼钳、便盆、套管、心脏复律器、除颤器、导管、透析器、心电图仪、灌肠设备、内窥镜、贮气筒、纱布海绵、皮下注射针、注射器、感染控制设备、仪器消毒器、腰盆(kidney dish)、卷尺、医用卤素灯、经鼻胃管、雾化器、检眼镜、耳镜、氧气面罩和管、移液管、滴管、直肠镜、反射锤、血压计、光谱仪、皮血管镜和相机。受试者的身体状况可以包括受试者的生命体征。生命体征可以是对患者基本身体功能的测量。生命体征可包括体温、脉率、呼吸率和血压。
受试者的医学数据或光学数据可以通过手术受试者身份与受试者匹配，从而受试者可以通过受试者身份从存储器或服务器中检索他/她自己的信息。受试者身份可以包括患者的照片、姓名、地址、社会保险号、生日、电话号码、邮政编码或其任意组合。患者身份可被加密并编码为可视化图形代码。可视化图形代码可为可唯一地与患者身份相关联的一次性条形码。条形码可为UPC条形码、EAN条形码、Code 39条形码、Code 128条形码、ITF条形码、CodaBar条形码、GS1 DataBar条形码、MSI Plessey条形码、QR条形码、数据矩阵码(Datamatrix code)、PDF417码或Aztec条形码。可视化图形代码可配置为显示在显示屏上。条形码可以包括可被机器光学捕获和读取的QR。条码可限定诸如条形码的版本、格式、位置、对准或时间等要素，以实现条形码的读取和解码。条形码可以以任何类型的适当格式对各种类型的信息(例如二进制或字母数字信息)进行编码。QR码可以具有各种符号尺寸，只要QR码可以通过成像设备从合理距离进行扫描。QR码可以是任何图像文件格式(例如，EPS或SVG矢量图、PNG、TIF、GIF或JPEG光栅图形格式)。
基于光学数据生成数据集的方法可以包括使用一种或多种算法。数据集可以是代表组织的一种或多种内在性质的选定光学数据。数据集可以对应于一个或多个指示组织的一个或多个内在性质、特征或结构的深度剖面、图像、图像的层或深度剖面的层。数据集可以包括多个深度剖面，所述多个深度剖面对应于通过在成像时平移光学探针而收集的目标组织内的不同位置。一种或多种算法可配置为选择光学数据、传输光学数据和修改光学数据。一种或多种算法可以包括降维算法。降维算法可以包括主成分回归和偏最小二乘法。主成分回归可用于从大量变量中导出一组低维特征。例如，组织是否有患癌症的风险(一组低维特征)可以从组织的所有内在性质(大量变量)中导出。在主成分回归中使用的主成分可以在随后的正交方向上使用数据的线性组合来捕获数据中的最大方差。偏最小二乘法可以是主成分回归的监督替代，其利用响应变量来识别新特征。
光学数据可以上传到基于云的数据库、另外附接至网络的数据库等。数据集可以上传到基于云的数据库。可以从本地和/或远程计算机系统访问基于云的数据库，在所述计算机系统上运行基于机器学习的传感器信号处理算法。基于云的数据库和相关软件可用于归档电子数据、共享电子数据和分析电子数据。本地生成的光学数据或数据集可以上传到基于云的数据库，可以从基于云的数据库访问本地生成的光学数据或数据集并用于训练同一站点或不同站点的其他基于机器学习的检测系统。本地生成的传感器设备测试结果和系统测试结果可以上传到基于云的数据库，并且用于实时更新训练数据集，以不断提高传感器设备和检测系统的测试性能。
训练算法可以包括一个或多个神经网络。神经网络可以是一种计算系统，所述计算系统可以学习输入数据集和目标数据集之间的关系。神经网络可以是人神经系统(例如，认知系统)的软件表达，旨在获取人使用的“学习”和“泛化”能力。神经网络可包含一系列称为“神经元”或“节点(node)”的层。神经网络可以包括输入层，数据提供给该输入层；一个或多个内部和/或“隐藏”层；和输出层。输入层可以包括使用在时间和位置上同步的信号的多个深度剖面。所述深度剖面例如可以使用如本文别处描述的光学探针生成。所述深度剖面可以包括从收集和处理的信号的多个子集创建的单个分量、图像或深度剖面。深度剖面可以包括由从相同位置和时间收集的多个图像子集创建的多个层。多个层中的每一层可包括识别不同于其他层的解剖结构和/或特征的数据。所述深度剖面可包括多个子集深度剖面。
神经元可以通过具有权重(weights)的联接连接至其他层的神经元，权重是控制联接强度的参数。每层中神经元的数目可与待解决的问题的复杂程度有关。一层中所需的最小神经元数目可取决于问题复杂程度，最大数目可受神经网络泛化能力的限制。输入神经元可以接收提供的数据，然后通过联接的权重将该数据传输至第一隐藏层，所述权重在训练期间被修改。节点可以将所有输入对和与其相关的权重的乘积相加。加权和可以用偏差抵消。节点或神经元的输出可以使用阈值或激活函数进行门控。激活函数可以是线性或非线性函数。激活函数可以是例如线性整流函数(ReLU)激活函数、Leaky ReLu激活函数，或其他函数，例如饱和双曲正切(saturating hyperbolic tangent)、恒等式(identity)、二进制阶跃函数(binary step)、logistic、arcTan、softsign、参数线性整流函数、指数线性单元(exponential linear unit)、softPlus、bent identity、softExponential、Sinusoid、Sinc、Gaussian或sigmoid函数，或其任意组合。
第一隐藏层可以处理数据并且通过第二组加权联接将其结果传输至下一层。每个后续层都可以将先前层的结果“池化(pool)”为更复杂的关系。神经网络编程为可以通过使用样本集(从一个或多个传感器收集的数据)进行训练，并允许它们在训练期间(及训练之后)自我修改以提供输出(如输出值)。训练算法可包括卷积神经网络、循环神经网络、扩张卷积神经网络、全连接神经网络、深度生成模型、生成式对抗网络、深度卷积逆图形网络、编码器-解码器卷积神经网络、残差神经网络、回声状态网络、长/短期记忆网络、门控循环单元和玻尔兹曼机。训练算法可以全部或部分地组合所述神经网络或玻尔兹曼机的元素。
神经网络的权重因子、偏差值和阈值或其他计算参数可以在训练阶段使用一组或多组训练数据“教授”或“学习”。例如，可以使用来自训练数据集的输入数据以及梯度下降或反向传播方法来训练参数，使得神经网络计算的输出值与训练数据集中包括的示例一致。
在神经网络的输入层中使用的节点数目可为至少约10、50、100、200、300、400、500、600、700、800、900、1000、2000、3000、4000、5000、6000、7000、8000、9000、10,000、20,000、30,000、40,000、50,000、60,000、70,000、80,000、90,000、100,000或更多。在其他情况下，输入层中使用的节点数目可为至多约100,000、90,000、80,000、70,000、60,000、50,000、40,000、30,000、20,000、10,000、9000、8000、7000、6000、5000、4000、3000、2000、1000、900、800、700、600、500、400、300、200、100、50或10或更少。在一些情况下，神经网络中使用的层(包括输入层和输出层)的总数可为至少约3、4、5、10、15、20或更多。在其他情况下，层的总数可为至多约20、15、10、5、4、3或更少。
在一些情况下，神经网络中使用的可学习或可训练参数(例如，加权因子、偏差或阈值)的总数可为至少约10、50、100、200、300、400、500、600、700、800、900、1000、2000、3000、4000、5000、6000、7000、8000、9000、10,000、20,000、30,000、40,000、50,000、60,000、70,000、80,000、90,000、100,000或更多。在其他情况下，可学习参数的数目可为至多约100,000、90,000、80,000、70,000、60,000、50,000、40,000、30,000、20,000、10,000、9000、8000、7000、6000、5000、4000、3000、2000、1000、900、800、700、600、500、400、300、200、100、50或10或更少。
神经网络可以包括卷积神经网络。卷积神经网络可以包括一个或多个卷积层、扩张层或全连接层。卷积层的数目可为1-10，并且扩张层的数目可为0-10。卷积层(包括输入层和输出层)的总数可为至少约1、2、3、4、5、10、15、20或更多，并且扩张层的总数可为至少约1、2、3、4、5、10、15、20或更多。卷积层的总数可为至多约20、15、10、5、4、3或更少，并且扩张层的总数可为至多约20、15、10、5、4、3或更少。在一些实施方案中，卷积层的数目为1-10，并且全连接层的数目为0-10。卷积层(包括输入和输出层)的总数可为至少约1、2、3、4、5、10、15、20或更多，并且全连接层的总数可为至少约1、2、3、4、5、10、15、20或更多。卷积层的总数为至多约20、15、10、5、4、3或更少，并且全连接层的总数为至多约20、15、10、5、4、3或更少。
卷积神经网络(CNN)可为深度前馈人工神经网络。CNN可适用于分析视觉图像。CNN可以包括输入层、输出层和多个隐藏层。CNN的隐藏层可以包括卷积层、池化层(poolinglayer)、全连接层和归一化层。层可以按3个维度构造：宽度、高度和深度。
卷积层可以将卷积操作应用于输入，并将卷积操作的结果传递至下一层。对于处理图像，卷积操作可减少自由参数的数目，从而使网络以更少的参数深入。在卷积层中，神经元可以从前一层的受限分区接收输入。卷积层的参数可包括一组可学习过滤器(或内核)。可学习过滤器可具有小的感受域并延伸到输入体积的整个深度。在前向传递期间，每个过滤器可以在输入体积的宽度和高度上进行卷积，计算过滤器的条目和输入之间的点积，并产生该过滤器的二维激活图。因此，网络可学习当其在输入的某个空间位置检测到某种特定类型的特征时激活的过滤器。
池化层可以包括全局池化层。全局池化层可以将一层中的神经元簇的输出组合成下一层的单个神经元。例如，最大池化层可以使用来自前一层神经元簇中的每一个的最大值；并且平均池化层可以使用来自前一层神经元簇中的每一个的平均值。全连接层可以将一层中的每个神经元连接至另一层中的每个神经元。在全连接层中，每个神经元都可以接收来自前一层的每个要素的输入。归一化层可为批量归一化层。批量归一化层可以提高神经网络的性能和稳定性。批量归一化层可向神经网络中的任何层提供零均值/单位方差的输入。使用批量归一化层的优点可包括更快的训练网络、更高的学习率、更容易设定权重初值、更多可行的激活函数以及更简单的创建深度网络的过程。
神经网络可以包括循环神经网络。循环神经网络可配置为接收顺序数据(例如连续数据输入)作为输入，并且循环神经网络软件模块可以在每个时间步长更新内部状态。循环神经网络可以使用内部状态(记忆)来处理输入序列。循环神经网络可适用于诸如手写识别或语音识别、下一个单词预测、音乐创作、图像字幕、时序异常检测、机器翻译、场景标记和股票市场预测等任务。循环神经网络可以包括完全循环神经网络、独立循环神经网络、Elman网络、Jordan网络、Echo状态、神经历史压缩器、长短期记忆、门控循环单元、多时间尺度模型、神经图灵机、可微分神经计算机、神经网络下推自动机或其任意组合。
训练算法可以包括监督、部分监督或无监督学习方法，例如SVM、随机森林、聚类算法(或软件模块)、梯度提升、logistic回归、生成对抗网络、循环神经网络和/或决策树。根据本文的一些代表性实施方案，可以使用监督、部分监督或无监督学习方法的组合对图像进行分类。监督学习算法可为依赖于使用一组标记的、成对的训练数据示例来推断输入数据和输出数据之间关系的算法。用于监督学习的标记数据集的示例可为如本文别处所述的生成的带注释的深度剖面。带注释的深度剖面可以包括显示已知解剖特征的深度剖面内的用户指示的像素区域。已知解剖特征可为患病或非患病组织或组织要素。部分监督的数据集可以包括通过平移如本文别处描述的光学探针而生成的多个深度剖面。多个剖面可标记为属于先前或随后识别为具有疾病或特征或不具有疾病或特征的受试者的组织，而无需注释单个剖面内的像素区域。无监督学习算法可为用于从训练数据集推断输出数据的算法。无监督学习算法可包括聚类分析，其可用于探索性数据分析以发现过程数据中的隐藏模式或分组。无监督学习方法的一个示例可以包括主成分分析。主成分分析可以包括降低一个或多个变量的维数。给定变量的维数可为至少1、5、10、50、100、200、300、400、500、600、700、800、900、1000、1100、1200 1300、1400、1500、1600、1700、1800或更大。给定变量的维数可为至多1800、1600、1500、1400、1300、1200、1100、1000、900、800、700、600、500、400、300、200、100、50、10或更小。
可以通过统计技术获得训练算法。在一些实施方案中，统计技术可包括线性回归、分类、重采样方法、子集选择、收缩、降维、非线性模型、基于树的方法、支持向量机、无监督学习或其任何组合。
线性回归可以是通过拟合因变量和自变量之间的最佳线性关系来预测目标变量的方法。最佳拟合可意指每个点的形状与实际观察值之间的所有距离之和最小。线性回归可以包括简单线性回归和多元线性回归。简单线性回归可以使用单个自变量来预测因变量。多元线性回归可以使用多于一个自变量通过拟合最佳线性关系来预测因变量。
分类可以是数据挖掘技术，其将类别分配给数据集合以实现准确的预测和分析。分类技术可以包括Logistic回归和判别分析。当因变量是二分的(二进制)时，可以使用Logistic回归。Logistic回归可用于发现和描述一个二元因变量与一个或多个名义、有序、区间或比率级别的自变量之间的关系。重采样可以是包括从原始数据样本中抽取重复样本的方法。重采样可不包括使用通用分布表来计算近似概率值。重采样可以基于实际数据生成唯一的采样分布。在一些实施方案中，重采样可以使用实验方法，而不是分析方法，来生成唯一的采样分布。重采样技术可以包括bootstrapping和交叉验证。Bootstrapping可以通过从原始数据中进行替换采样来执行，并将“未选择”的数据点作为测试用例。交叉验证可以通过将训练数据分成多个部分来执行。
子集选择可以识别与响应相关的预测因子的子集。子集选择可以包括最佳子集选择、前向逐步选择、后向逐步选择、混合方法或其任何组合。在一些实施方案中，收缩拟合涉及所有预测因子的模型，但是相对于最小二乘估计法，估计系数向零收缩。该收缩可以减少方差。收缩可以包括岭回归(ridge regression)和套索回归(lasso)。降维可以将估计n+1个系数的问题简化为m+1个系数的简单问题，其中n<m。其可以通过计算变量的n个不同的线性组合或投影来获得。然后，将这n个投影用作预测因子，以通过最小二乘法拟合线性回归模型。降维可以包括主成分回归和偏最小二乘法。主成分回归可用于从大量变量中导出一组低维特征。在主成分回归中使用的主成分可以在随后的正交方向上使用数据的线性组合来捕获数据中的最大方差。偏最小二乘法可以是主成分回归的监督替代，因为偏最小二乘法可以利用响应变量来识别新特征。
非线性回归可以是回归分析的形式，其中观察数据通过为模型参数的非线性组合且依赖于一个或多个自变量的函数建模。非线性回归可包括阶跃函数、分段函数、样条函数(spline)、广义加性模型或其任何组合。
基于树的方法可用于回归和分类问题。回归和分类问题可包括将预测因子空间分层或分割为多个简单区域。基于树的方法可以包括bagging、boosting、随机森林或其任何组合。Bagging可以通过从原始数据集生成用于训练的附加数据而减少预测的方差，所述附加数据使用重复组合以产生与原始数据具有相同肉体(carnality)/大小的多步来而生成。Boosting可以使用几种不同的模型计算输出，然后使用加权平均方法对结果进行平均。随机森林算法可以抽取训练集的随机有放回样本(random bootstrap sample)。支持向量机可以是分类技术。支持向量机可以包括寻找到一个超平面使点分成两类，并且间隔最大。支持向量机可为约束优化问题，其中间隔最大化受到其完全分类数据的约束。
无监督方法可以是从包含没有标记响应的输入数据的数据集中得出推论的方法。无监督方法可以包括聚类、主成分分析、k-均值聚类、层次聚类或其任何组合。
该方法可以训练机器学习算法以在计算机存储器中产生训练算法，所述训练算法用于以至少90％的准确度识别受试者组织中的疾病，其中所述组织独立于训练组织。该方法可以训练机器学习算法以在计算机存储器中产生训练算法，所述训练算法用于以至少50％、60％、70％、80％、90％或更高的准确度识别受试者组织中的疾病。在一些情况下，该方法可以训练机器学习算法以在计算机存储器中产生训练算法，所述训练算法用于以至多90％、80％、70％、60％、50％或更高的准确度识别受试者组织中的疾病。
方法可以使用多个虚拟横截面进行训练。虚拟横截面可以包括多个使用在同步的时间和位置上指向组织的激发光束获得的层、图像和/或深度剖面。虚拟横截面可以包括来自体内样本的深度剖面。可以使用的虚拟横截面的示例示出为从图7D中的一个或多个同步深度剖面导出的图像。
用于训练算法的系统
本文公开了生成用于识别受试者组织中的疾病的训练算法的系统。生成用于识别受试者组织中的疾病的训练算法的系统可以包括数据库，该数据库包含与先前已识别为患有所述疾病的受试者的训练组织的深度剖面、相关图像和/或它们的层相对应的数据，其中深度剖面、相关图像和/或它们的层为在时间和位置上同步或相关的生成信号和数据；其中深度剖面、相关图像和/或它们的层由激发光束生成的信号生成；和/或其中深度剖面、相关图像和/或它们的层由选自二次谐波产生信号、三次谐波产生信号、反射共聚焦显微镜信号、自体荧光信号和本文所述的其他生成信号的信号生成；以及一个或多个有效地耦合至数据库的计算机处理器，其中一个或多个计算机处理器单独地或共同地编程以(i)从数据库中检索数据，和(ii)使用该数据来训练机器学习算法以在计算机存储器中产生训练算法，用于识别受试者组织中的疾病，其中所述组织独立于所述训练组织。
光学数据在本文别处描述。光学数据可以包括二次谐波产生信号、三次谐波产生信号、反射共聚焦显微镜信号和自体荧光信号和/或如本文定义的其他生成信号。设备可以连接到数据库。光学数据可以存储在数据库中。数据库可以是集中式数据库。数据库可以与一个或多个处理器连接。一个或多个处理器可以通过一种或多种算法分析存储在数据库中的数据。由一个或多个处理器执行的分析可以包括但不限于选择光学数据、基于光学数据创建数据集、从一个或多个数据库获得患者健康状态以及基于所获得的数据产生训练算法。一个或多个处理器可以基于分析提供一个或多个指令。
一个或多个指令可以显示在显示屏上。显示屏可以是可拆卸的显示屏。显示屏可以具有缩放功能。显示屏可以包括允许在显示屏上标记上皮特征的可编辑特征。显示屏可以拆分，并且包括由深度剖面创建的宏观图像和多色图像。显示屏可以是类似于平板计算机的液晶显示器。显示屏可以附有一个或多个扬声器，并且可配置为向用户提供视觉和听觉指令。一个或多个指令可以包括显示受试者是否患有某些类型的癌症，基于受试者是否具有患癌症的风险要求受试者服用给定药物或进行给定治疗。一个或多个指令还可以包括要求受试者提供他/她的健康状况。
深度剖面可以包括单色图像，该图像显示源自单基色的颜色。可替代地或另外地，深度剖面可以包括显示多于一种颜色的多色图像。在多色图像中，颜色分量可以对应于使用在时间和位置上同步的信号或信号子集的多个深度剖面。所述深度剖面例如可以使用如本文别处描述的光学探针生成。所述深度剖面可以包括由收集和处理的生成信号的多个子集创建的单个分量、图像或深度剖面。深度剖面可以包括由从相同位置和时间收集的多个图像子集创建的多个层。多个层中的每一层可包括识别不同于其他层的解剖结构和/或特征的数据。所述深度剖面可包括多个子集深度剖面。通过这种方式，可以使用多种颜色来突出组织的不同元素，例如细胞、细胞核、细胞质、结缔组织、脉管系统、色素和组织层边界。对比度可以实时调节以提供和/或增强结构特定对比度。对比度可以由用户(例如外科医生、医师、护士或其他医疗保健从业者)调节，或编程的计算机处理器可以实时自动优化对比度。在多色图像中，每种颜色可用于表示所收集的信号(例如二次谐波产生信号、三次谐波产生信号、偏振光产生的信号和自体荧光信号)的特定子集。可以定制多色深度剖面的颜色以反映外科医生和/或病理学家在使用标准组织病理学时通常看到的图像模式。当深度剖面的显示方式与传统组织学样本(例如，苏木精和曙红(eosin)染色的样本)类似时，病理学家可以更容易地解释深度剖面的结果。
光学探针可以将来自光源的激发光束传输至参考组织的表面，该激发光束在接触组织时生成组织的光学数据。光学探针可以包括一个或多个聚焦单元，以沿着扫描路径或扫描图案同时调节激发光束焦点的深度和位置或以不同的深度和位置进行调节。
扫描路径或扫描图案可以包括在至少一个倾斜方向上的路径或图案(“倾斜路径”或“倾斜图案”)。至少一个倾斜路径或倾斜图案可以相对于光轴成角度。倾斜路径或倾斜图案与光轴的之间的角度为至多45°。倾斜路径或倾斜图案与光轴之间的角度可为至少约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在其他情况下，倾斜路径或倾斜图案与光轴之间的角度可为至多约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。
扫描路径或扫描图案可以形成焦平面和/或位于至少一个倾斜平面上。所述至少一个倾斜平面可以沿着相对于光轴成角度的方向定位。倾斜平面与光轴之间的角度为至多45°。倾斜平面与光轴之间的角度可为至少约5°、10°、15°、20°、25°、30°、35°、40°、45°、55°、60°、65°、70°、75°、80°、85°或更大。在其他情况下，倾斜平面与光轴之间的角度可为至多约85°、80°、75°、70°、65°、60°、55°、50°、45°、35°、30°、25°、20°、15°、10°、5°或更小。
识别疾病的准确度可为至少约50％、60％、70％、80％、90％、95％、99％、99.9％或更高。识别疾病的准确度可为至多约99.9％、99％、95％、90％、80％、70％、60％、50％或更低。
该疾病可为上皮癌。
光学数据可以包括结构数据、时序数据、非结构数据和相关数据。非结构数据可以包括文本、音频数据、图像数据和/或视频。相关数据可以包括来自客户系统、企业系统、操作系统、网站或网络可访问应用程序接口(API)中的一个或多个的数据。这可以由用户通过将文件或其他数据格式输入到软件或系统中的任何方法来完成。
光学数据可以上传到例如基于云的数据库或其他远程或联网数据库。数据集可以上传到例如基于云的数据库或其他远程或网络数据库。可以从运行基于机器学习的传感器信号处理算法的本地和/或远程计算机系统访问基于云的数据库。基于云的数据库和相关软件可用于归档电子数据、共享电子数据和分析电子数据。本地生成的光学数据或数据集可以上传到基于云的数据库，可以从基于云的数据库访问本地生成的光学数据或数据集并用于训练同一站点或不同站点的其他基于机器学习的检测系统。本地生成的传感器设备测试结果和系统测试结果可以上传到基于云的数据库，用于实时更新训练数据集，以不断提高传感器设备和检测系统的测试性能。
数据可以存储在数据库中。数据库可以以计算机可读格式存储。计算机处理器可配置为访问存储在计算机可读存储器中的数据。可以使用计算机系统来分析数据以获得结果。结果可以远程或内部存储在存储介质上，并通信给工作人员，例如药物专家。计算机系统可以与用于传输结果的组件有效地耦合。用于传输的组件可以包括有线和无线组件。有线通信组件的示例可包括通用串行总线(USB)连接、同轴电缆连接、以太网电缆(例如Cat5或Cat6电缆)、光纤电缆或电话线。无线通信组件的示例可包括Wi-Fi接收器、用于访问移动数据标准(如3G或4G LTE数据信号)的组件，或蓝牙接收器。在一些实施方案中，收集存储介质中的所有这些数据并存档以构建数据仓库。
训练机器学习算法可以在计算机存储器中产生训练算法，所述训练算法用于识别受试者组织中的疾病，其中所述组织独立于训练组织。训练机器学习算法可以在计算机存储器中产生训练算法，所述训练算法用于以至少50％、60％、70％、80％、90％或更高的准确度识别受试者组织中的疾病。在一些情况下，训练机器学习算法可以在计算机存储器中产生训练算法，所述训练算法用于以至多90％、80％、70％、60％、50％或更高的准确度识别受试者组织中的疾病。
机器学习方法和系统
本文公开了用于分析受试者身体的组织的方法。在一方面，用于分析受试者的身体组织的方法可以包括：(a)将光引导至受试者的身体组织；(b)接收来自受试者的身体组织的多个信号，以响应在(a)中引导至受试者的身体组织的光，其中多个信号的至少子集来自组织内；(c)将与多个信号相对应的数据输入到训练的机器学习算法，该算法对数据进行处理，以生成受试者的身体组织的分类；以及在用户的电子设备的用户界面上输出分类。
分类可以将受试者识别为患有疾病。疾病可以是如本文别处所述的疾病。疾病可以是癌症。受试者的组织可以是受试者的皮肤，并且癌症可以是皮肤癌。癌症可以是良性的或恶性的。分类可以以至少约50％、60％、70％、80％、90％、95％、98％、99％、99.9％或更高的准确度将组织识别为患有疾病。
多个信号可以包括二次谐波产生(SHG)信号、多光子荧光信号、反射共聚焦显微镜(RCM)信号、本文所述的任何其他生成信号或它们的任何组合。多光子荧光信号可以是多个多光子荧光信号。多个多光子荧光信号可位于多个波长。多个多光子荧光信号可以由组织的多个分量生成。该方法可以包括使用训练的机器学习算法识别对应于多个信号的一个或多个特征。可以对多个信号进行滤波，使得使用比记录的信号更少的信号。多个生成信号可用于生成多个深度剖面。
训练机器学习算法可以包括神经网络。神经网络可以是卷积神经网络。可以针对光信号的照明功率来控制数据。控制可以是归一化。可以通过训练的机器学习算法来控制关于照明功率的数据。可以针对照明功率控制数据，然后应用训练的机器学习算法。卷积神经网络可配置为使用着色数据作为神经网络的输入。
该方法可以包括接收受试者的医学数据。医学数据可以如本文别处所述。医疗数据可以上传到云或网络附接设备。数据可以保存在本地设备上。
该方法可配置为使用数据增强来改进训练的机器学习算法。例如，增强数据集可为这样的数据集，其中快速图像捕获创建具有来自组织的多个相似但不相同的图像的数据集。
该方法可配置为使用使用受控的照明功率获取的图像。受控的照明功率可以提高训练的机器学习算法的性能。例如，受控的照明可以使训练的机器学习算法将两个图像之间的差异归因于组织的差异，而不是用于获取图像的条件的差异，从而提高训练的机器学习算法的准确度。
该方法可配置为使用具有最小变化的数据来改进训练的机器学习算法。例如，由于本文描述的光学探针生成的图像参数的低变化，训练的机器学习算法可以更准确地确定病变是否为癌变，组织正常还是异常，或受试者中与组织的健康、功能、治疗或外观有关的所述组织的其他特征，这是因为训练的机器学习算法使用的所有图像都使用相同的标记和颜色方案。该方法可配置为使用由与组织相互作用的激发光束生成的数据。激发光束可以生成多个深度剖面以用于训练的机器学习算法。激发光束可产生多个深度剖面以训练机器学习算法。激发光束可以由多个返回信号的子集生成深度剖面。
可以训练训练的机器学习算法以生成组织的空间图。空间图可以是组织的三维模型。空间图可以由用户和/或训练的机器学习算法进行注释。
本文公开了用于分析受试者的身体组织的系统。在一方面，用于分析受试者的身体组织的系统可包括：光学探针，其配置为(i)将光引导至受试者的身体组织，和(ii)接收来自受试者的身体组织的多个信号，以响应在(i)中引导至受试者的身体组织的光，其中多个信号的至少子集来自组织内；以及一个或多个有效地耦合至所述光学探针的计算机处理器，其中一个或多个计算机处理器单独地或共同地编程为(i)接收与所述多个信号相对应的数据，(ii)将所述数据输入到处理数据的训练的机器学习算法，以生成受试者的身体组织的分类，和(iii)在用户的电子设备的用户界面上输出分类。
光学探针和一个或多个计算机处理器可以包括相同的设备。该设备可以是移动设备。该设备可以是多个有效地彼此耦合的设备。例如，系统可以是与激光器和检测盒光学连接的手持式光学探针，并且检测盒还可以包含计算机。
光学探针可以是设备的一部分，并且一个或多个计算机处理器可以与该设备分离。一个或多个计算机处理器可以是计算机服务器的一部分。一个或多个处理器可以是分布式计算基础设施的一部分。例如，系统可以是包含所有光学组件的手持式光学探针，所述光学组件无线连接至处理来自光学探针的数据的远程服务器。
系统可以包括接收受试者的医学数据。医学数据可以如本文别处所述。医疗数据可以上传至云或网络附加设备。数据可以保存在本地设备上。
计算机系统
本公开内容提供了编程为执行本公开内容的方法的计算机系统。图6示出了计算机系统601，其编程为或以其他方式配置为接收光学数据并生成训练算法。计算机系统601可以调节本公开内容的各个方面，例如接收和选择光学数据、基于光学数据生成数据集以及创建训练算法。计算机系统601可以是用户的电子设备或相对于电子设备位于远程的计算机系统。电子设备可以是移动电子设备。电子设备可配置为接收由探针系统的光源生成的光学数据。光学数据可包括一种或多种类型的如本文所述的光学数据。例如，电子设备可以接收二次谐波产生信号、双光子荧光信号、反射共聚焦显微镜信号或其他生成信号，所有信号均由一个光源产生并由一个手持式系统收集。光学数据可以包括两个或多个信息层。两个或多个信息层可以是由从单探针系统的相同光脉冲生成的数据生成的信息。两个或多个层可以来自相同的深度剖面或者可以各自形成不同的深度剖面。形成合成深度剖面的一层的不同深度剖面可以单独训练或不单独训练。例如，深度剖面可以通过获取来自上皮细胞的双光子荧光信号、来自胶原的SHG信号以及来自黑素细胞和颜料的RCM信号，叠加这些信号并生成多色多层深度剖面而生成。
计算机系统601包括中央处理单元(CPU，本文中也称为“处理器”和“计算机处理器”)605，其可以是单核或多核处理器，或用于并行处理的多个处理器。计算机系统601还包括存储器或存储器位置610(例如，随机存取存储器、只读存储器、闪存)、电子存储单元615(例如，硬盘)、用于与一个或多个其他系统通信的通信接口620(例如，网络适配器)和外围设备625(例如高速缓存、其他存储器、数据存储和/或电子显示适配器)。存储器610、存储单元615、接口620和外围设备625通过通信总线(实线)(如，母板)与CPU 605通信。存储单元615可以是用于存储数据的数据存储单元(或数据储存库)。计算机系统601可以在通信接口620的帮助下有效地耦合至计算机网络(“网络”)630。网络630可以是因特网、互联网和/或外联网、或内联网和/或与因特网通信的外联网。在一些情况下，网络630是电信和/或数据网络。网络630可以包括一个或多个计算机服务器，其可以实现分布式计算，例如云计算。在一些情况下，在计算机系统601的帮助下，网络630可以实现对等网络，其可以使耦合至计算机系统601的设备充当客户端或服务器。
CPU 605可以执行一系列机器可读指令，这些指令可以包括在程序或软件中。指令可以存储在存储位置(如存储器610)。指令可以指向CPU 605，CPU 605可以随后对CPU 605进行编程或以其他方式进行配置以执行本公开内容的方法。CPU 605执行的操作的示例可以包括读取、解码、执行和写回。
CPU 605可以是电路(例如集成电路)的一部分。系统601的一个或多个其他组件可以包括在电路中。在一些情况下，该电路是专用集成电路(ASIC)。
存储单元615可以存储文件，例如驱动器、库和保存的程序。存储单元615可以存储用户数据，例如用户偏好和用户程序。在一些情况下，计算机系统601可以包括一个或多个位于计算机系统601外部(例如位于通过内联网或因特网与计算机系统601通信的远程服务器上)的附加数据存储单元。
计算机系统601可以通过网络630与一个或多个远程计算机系统通信。例如，计算机系统601可以与用户的远程计算机系统(例如，电话)通信。远程计算机系统的示例包括个人计算机(例如便携式PC)、平板计算机或板式计算机(例如
iPad、
Galaxy Tab)、电话、智能电话(例如，
iPhone、支持Android的设备、
)或个人数字助理。用户可以通过网络630访问计算机系统601。
本文所述的方法可以通过存储在计算机系统601的电子存储位置(例如存储器610或电子存储设备上单元615)上的机器(例如，计算机处理器)可执行代码来执行。机器可执行代码或机器可读代码可以以软件的形式提供。在使用期间，代码可由处理器605执行。在一些情况下，代码可从存储单元615中检索并存储在存储器610中以供处理器605随时访问。在一些情况下，可以排除电子存储单元615，并且机器可执行指令存储在存储器610上。
代码可预编译并且配置以与具有适于执行代码的处理器的机器一起使用，或可以在运行期间编译。代码可以以编程语言提供，可以选择编程语言以使代码以预编译(pre-compiled)或编译后(as-compiled)的形式执行。
本文提供的系统和方法的各方面，例如计算机系统601，可以在编程中体现。本技术的各方面可以认为是“产品”或“制品”，其一般为携带在一种机器可读介质上或在一种机器可读介质中体现的机器(或处理器)可执行代码和/或相关联数据的形式。机器可执行代码可以存储在电子存储单元上，例如存储器(例如，只读存储器、随机存取存储器、闪存)或硬盘。“存储”型介质可以包括计算机的任何或全部有形存储器、处理器等，或其相关联模块，例如各种半导体存储器、磁带驱动器、磁盘驱动器等，其可在任何时间为软件编程提供非暂时性存储。有时，软件的全部或部分可以通过因特网或各种其他电信网络进行通信。所述通信例如可以使软件从一个计算机或处理器加载到另一个计算机或处理器，例如，从管理服务器或主计算机加载到应用服务器的计算机平台。因此，可以负载软件元件的另一种介质包括光波、电波和电磁波，例如跨越本地设备之间的物理接口、通过有线和光学陆线网络以及通过各种空中链路使用。携带诸如有线或无线链路、光学链路等这种波的物理元件，也可以认为是负载软件的介质。如本文所用，除非限于非暂时性有形“存储”介质，否则诸如计算机或机器“可读介质”等术语是指参与向处理器提供指令以供执行的任何介质。
因此，诸如计算机可执行代码等机器可读介质可以采用多种形式，包括但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质包括例如光盘或磁盘，例如任何计算机中的任何存储设备等，例如可以用于实现附图中所示的数据库等。易失性存储介质包括动态存储器，诸如这种计算机平台的主存储器。有形传输介质包括同轴缆线；铜线和光纤，包括构成计算机系统内总线的线。载波传输介质可以采取电信号或电磁信号或声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间产生的那些。因此，常见形式的计算机可读介质包括例如：软盘、柔性盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD或DVD-ROM、任何其他光学介质、穿孔卡片纸带、具有孔洞图案的任何其他物理存储介质、RAM、ROM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或匣盒、传送数据或指令的载波、传送此类载波的缆线或链路、或计算机可以从中读取编程代码和/或数据的任何其他介质。许多这些形式的计算机可读介质可以涉及将一个或多个指令的一个或多个序列携带至处理器以供执行。
计算机系统601可以包括电子显示器635或可与电子显示器635通信，电子显示器635包括用户界面(UI)640，用于向用户提供例如光学数据分析的结果。UI的示例包括但不限于图形用户界面(GUI)和基于网络的用户界面。
可以通过一种或多种算法来实现本公开内容的方法和系统。算法可以在由中央处理单元605执行时通过软件实现。该算法可以例如用于选择数据、识别数据中的特征和/或分类数据。
折射对准方法和系统
本文还提供了一种用于对准光束的方法(例如，在分束器和光纤之间对准光束)。在一些情况下，对准光束的方法可用于在任意两个组件之间对准光束。例如，可以使用折射元件在透镜和针孔之间对准聚焦光束。在另一个示例中，可以使用本文所述的方法和系统将光束对准样本的特定区域。
在一方面，本公开内容的方法可以包括提供(i)与分束器光学通信的光束。分束器与透镜光学通信。透镜可以与折射元件、(ii)光纤和(iii)与光纤光学通信的检测器光学通信。来自折射元件的光路可未对准光纤。在一方面，该方法还可以包括调节折射元件以将光路与光纤对准。在一方面，该方法还可以包括将光束引导至分束器，该分束器将光束分成细光束。细光束可以通过透镜引导至折射元件，该折射元件将细光束沿着光路引导至光纤，使得检测器检测到细光束。
使用折射元件对准光束的方法可以允许明显更快和更容易地将光束对准光纤。该方法可以允许单模光纤在小于约60、45、30、15、5分钟或更少时间内以高的长期稳定性对准。该方法可以允许通过对折射元件的大调节来执行小的对准调节，这可以产生对准调节的精细控制。
可以将细光束引导至将细光束反射到分束器的附加元件，该分束器将细光束引导通过透镜到达折射元件。附加元件可为反射镜。可以通过提供待对准的强信号来在对准过程中使用反射镜。细光束可从分束器被引导通过一个或多个附加元件，然后被折射元件反射。附加元件可以是本文别处描述的光学探针元件。附加元件可以是反射镜扫描仪、聚焦透镜对、多个中继透镜、二向色镜、物镜、透镜或其任意组合。折射元件可以有效地耦合至透镜。折射元件和透镜可以位于相同或不同的底座上。
在细光束与折射元件相互作用之后，细光束的点扩散函数可以足够小，使得检测器的分辨率小于约200、150、100、75、50、40、30、25、20、15、10、9、8、7、6、5、4、3、2、1、0.9、0.8、0.7、0.6、0.5微米或更小。例如，折射元件可将像散或散焦引入细光束中，但像散或散焦足够小，不至于影响检测器的整体分辨率(例如，散光或散焦可以小于衍射点扩散函数)。折射元件可以是平窗、弯曲窗、具有表面图案化的窗等。
调节位置可以包括施加折射元件的旋转。调节位置可以包括折射元件的平移。旋转可为至多约180、170、160、150、125、100、90、80、70、60、50、40、30、20、10、9、8、7、6、5、4、3、2、1度或更小。旋转可为至多约1、2、3、4、5、6、7、8、9、10、20、30、40、50、60、70、80、90、100、125、150、179度或更大。旋转或平移或两者可在至多三个、两个或一个维度上。折射对准的调节率可以定义为未对准度数除以校正未对准的折射元件的偏转度数。例如，光束偏离对准0.05度，通过折射元件旋转20度进行校正，调节率可为0.05/20＝0.0025或2.5E-3。调节率可为至少约1E-5、5E-5、1E-4、5E-4、1E-3、5E-3、1E-2、5E-2、1E-1、1、5或更大。调节率可为至多约5、1、5E-1、1E-1、5E-2、1E-2、5E-3、1E-3、5E-4、1E-4、5E-5、1E-5或更小。
本文还公开了用于对准光束的系统。在一方面，用于对准光束的系统可以包括：配置为提供光束的光源；与光束光学通信的聚焦透镜；与透镜光学通信的可移动折射元件；光纤；以及与光纤光学通信的检测器，其中折射元件位于聚焦透镜和光纤之间。折射对准元件可调节以将光路与光纤对准，使得当光路与光纤对准时，光束可被引导穿过透镜到达折射元件，该折射元件将光束沿光路引导至光纤，使得检测器检测光束。折射对准元件可以相对于光纤和/或光纤底座旋转或成角度地移动。
图9A、图9B和图9C示出了本文别处描述的示例性对准装置。透镜910可配置为将光束聚焦到光纤940上。折射对准元件920可以放置在透镜和光纤之间。折射对准元件920可以有效地耦合至底座930。折射对准元件920可调节以将光束与光纤对准。例如，如果光束太高，可以将折射元件调节至位置921，从而将光束向下偏转到光纤中。在另一个示例中，如果光束太低，可以将折射元件调节至位置922以校正未对准。调节元件950可用于相对于光纤成角度地或旋转地移动折射对准元件920。调节元件950可以是螺钉、电动螺钉、压电调节器等。折射对准元件显示为具有调节元件，该调节元件相对于光纤底座成角度地移动折射调节元件，同时使用定位在折射调节元件和底座之间的球元件960稳定折光元件，其中使用弹簧加载螺钉(spring loaded screw)970使折射对准元件和底座耦合。
光束可以是在将引导至对准装置之前从分束器分离的细光束。对准装置还可以包括位于分束器和聚焦透镜之间的可移动反射镜(例如，如图1和图8所示)。反射镜可用于将来自分束器的拆分信号引导至对准装置。反射镜可以是可移动的和/或可调节的，以提供进入聚焦透镜的细光束的更大对准调节。反射镜可以位于折射对准元件前面的一个焦距处，以例如在反射镜调节期间使细光束的主光线保持平行或几乎平行于透镜的光轴。反射镜也可以是分束器或者可以是偏振光学元件，以将反射信号拆分入具有不同偏振的信号元件。一旦拆分，拆分的信号可引导通过不同的对准装置并通过单独的通道进行处理。还可以使用单独的偏振器将细光束分成偏振信号。
聚焦透镜可以将细光束的光聚焦至衍射受限或几乎衍射受限的点。折射对准元件可用于校正细光束与光纤的任何附加的精细未对准。折射对准元件可以具有允许离开透镜的细光束对准直径小于约20微米、10微米、5微米或更小的光纤的折射率、厚度和/或运动范围(例如，改变几何形状的运动)。根据一些代表性实施方案，可以选择折射对准元件特性(包括折射率、厚度和运动范围)，使得折射对准元件引入的像差不会使聚焦在光纤上的细光束尺寸增加大于聚焦透镜的衍射极限的0％、1％、2％、5％、10％、20％或更多。对准装置可以包含在手持式设备内。
细光束可以包括偏振光。光学探针可以包括一个或多个偏振选择性光学器件(例如，偏振滤波器、偏振分束器等)。可以选择一个或多个偏振选择性光学器件进行细光束的特定偏振，使得检测到的细光束具有特定偏振。
系统可以包括有效地耦合至折射元件的控制器。控制器可编程为引导折射元件的调节以将光路与光纤对准。调节还可通过用户的输入执行或手动地执行。调节可通过有效地耦合至折射元件的致动器来执行。致动器可以是如本文别处所述的致动器。例如，可以将压电电机附接至支撑有石英平板的三轴光学底座上，并且可以通过编程为使检测器的信号最大化的对准算法来控制压电电机。调节可以由用户执行。例如，用户可以调节附接至支撑有玻璃平板的三轴光学底座上的千分尺，从而移动台(stage)直到在检测器上读出可接受的信号水平。
折射元件可以是平窗、弯曲窗、具有图案化表面的平窗、具有图案化表面的弯曲窗、光子结构等。折射元件可以由玻璃、石英、氟化钙、锗、钡、熔融二氧化硅、蓝宝石、硅、硒化锌、氟化镁和塑料制成。折射元件可具有大于2的折射率。
光束与折射元件相互作用后的点扩散函数可以足够小，使得检测器的分辨率小于约200、150、100、75、50、40、30、25、20、15、10、9、8、7、6、5、4、3、2、1、0.9、0.8、0.7、0.6、0.5微米或更小。折射元件可配置为调节光束至多约45、40、35、30、25、20、15、10、5、4、3、2、1、0.5、0.1、0.01度或更少。折射元件可配置为调节光束至少约0.01、0.1、0.5、1、2、3、4、5、6、7、8、9、10、15、20、25、30、35、40、45度或更多。可以调节折射元件以改变调节量。例如，折射元件设置为偏转60度，但系统已经失准。在该示例中，可以调节折射元件以产生15度的调节，以使系统重新对准。
折射元件的覆盖区可为至多约100、90、80、70、60、50、40、30、20、10、5、4、3、2、1、0.5、0.1平方英寸或更小。折射元件和相关联的外壳的覆盖区可为至多约100、90、80、70、60、50、40、30、20、10、5、4、3、2、1、0.5、0.1平方英寸或更小。折射元件的覆盖区可为至少约0.1、0.5、1、2、3、4、5、10、20、30、40、50、60、70、80、90、100平方英寸或更大。折射元件和相关联的外壳的覆盖区可为至少约0.1、0.5、1、2、3、4、5、10、20、30、40、50、60、70、80、90、100平方英寸或更大。
尽管本文已经示出和描述了本发明的优选实施方案，但是对于本领域技术人员容易理解的是，这些实施方案仅以示例的方式提供。并非意图通过说明书中提供的具体示例来限制本发明。尽管已经参考前述说明书描述了本发明，但是本文中的实施方案的描述和图示并不意指以限制性的意义进行解释。在不脱离本发明的情况下，本领域技术人员现在会想到许多变化、改变和替换。此外，应理解，本发明的所有方面不限于本文所阐述的具体描述、构造或相对比例，其取决于各种条件和变量。应理解，本文所述的本发明的实施方案的各种替代方案可用于实施本发明。因此，可预期本发明还应涵盖任何这样的替代方案、修改、变化或等同形式。旨在由以下权利要求限定本发明的范围，并且由此涵盖这些权利要求范围内的方法和结构及其等同形式。
本公开内容的其他方面
1.一种用于生成受试者的组织的深度剖面的方法，包括：
(a)使用光学探针将来自光源的激发光束传输至所述组织的表面，所述激发光束的脉冲在接触所述组织时产生指示所述组织的内在性质的信号，其中所述光学探针包括一个或多个同时调节所述激发光束的焦点的深度和位置的聚焦单元；
(b)检测所述信号的至少子集；和
(c)使用一个或多个计算机处理器，该处理器编程为处理在(b)中检测到的所述信号的所述至少所述子集以生成所述组织的所述深度剖面。
2.根据方面1所述的方法，其中所述激发光束是脉冲光束。
3.根据方面1所述的方法，其中所述激发光束是单光束。
4.根据方面3所述的方法，其中所述单光束是脉冲光束。
5.根据方面1所述的方法，其中所述激发光束包括多光束。
6.根据方面1所述的方法，其中(b)包括同时检测所述信号的多个子集。
7.根据方面1的方法，还包括处理所述信号的所述多个子集以生成多个深度剖面，其中所述多个深度剖面对应于检测所述信号时的探针位置。
8.根据方面7所述的方法，其中所述多个深度剖面对应于相同的扫描路径。
9.根据方面8所述的方法，其中所述扫描路径包括倾斜的扫描路径。
10.根据方面7所述的方法，还包括为所述多个深度剖面的每一个分配至少一种不同的颜色。
11.根据方面7所述的方法，还包括组合来自所述多个深度剖面的数据的至少子集以形成合成深度剖面。
12.根据方面7所述的方法，还包括在显示屏上显示由所述合成深度剖面导出的合成图像。
13.根据方面12所述的方法，其中所述合成图像是多色图像。
14.根据方面13所述的方法，其中所述多色图像的颜色分量对应于使用在时间和位置上同步的信号子集的多个深度剖面。
15.根据方面13所述的方法，其中所述多个层中的每一层包括识别不同于其他层的特征的数据。
16.根据方面13所述的方法，其中所述深度剖面包括多个子集深度剖面，其中所述多个子集深度剖面包括来自处理的生成信号的光学数据。
17.根据方面7所述的方法，其中所述多个深度剖面包括第一深度剖面和第二深度剖面。
18.根据方面17所述的方法，其中所述第一深度剖面包括通过处理一信号而得的数据，该数据与从包括在所述第二深度剖面中的信号而产生的数据不同。
19.根据方面17所述的方法，其中所述第一深度剖面和所述第二深度剖面包括一个或多个独立地选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号的处理的信号。
20.根据方面17所述的方法，其中所述多个深度剖面包括第三深度剖面，所述第三深度剖面包括由选自SHG信号、多光子荧光信号和RCM信号的信号处理的数据。
21.根据方面1所述的方法，其中所述深度剖面包括由所述信号的多个子集创建的单个分量、图像或深度剖面。
22.根据方面1所述的方法，其中所述深度剖面包括由相同位置和时间收集的多个图像子集创建的多个层。
23.根据方面1所述的方法，还包括生成多个深度剖面。
24.根据方面23所述的方法，其中所述多个深度剖面中的每一个对应于不同的探针位置。
25.根据方面23所述的方法，其中所述多个深度剖面对应于在检测信号时不同的扫描图案。
26.根据方面25所述的方法，其中所述不同的扫描图案对应于相同的时间和探针位置。
27.根据方面25所述的方法，其中所述不同扫描图案中的至少一种扫描图案包括倾斜扫描图案。
28.根据方面27所述的方法，其中所述倾斜扫描图案形成倾斜平面。
29.根据方面1所述的方法，其中所述组织包括体内组织。
30.根据方面29所述的方法，其中(c)包括生成体内深度剖面。
31.根据方面1所述的方法，其中所述深度剖面是带注释的深度剖面。
32.根据方面31所述的方法，其中所述注释包括至少一个选自词语和标记的注释。
33.根据方面1所述的方法，其中所述信号包括至少一个选自SHG信号、多光子荧光信号和RCM信号的信号。
34.根据方面33所述的方法，其中所述多光子荧光信号包含多个多光子荧光信号。
35.根据方面33所述的方法，其中所述信号包括至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。
36.根据方面35所述的方法，其中所述信号包括SHG信号、多光子荧光信号和RCM信号。
37.根据方面33所述的方法，其中所述信号还包括至少一个选自三次谐波产生信号、相干反斯托克斯拉曼散射信号、受激拉曼散射信号和荧光寿命成像信号的信号。
38.根据方面1所述的方法，其中所述信号在所述组织内的相同时间和位置产生。
39.根据方面1的方法，还包括在(a)之前，使所述受试者的所述组织与所述光学探针接触。
40.根据方面1所述的方法，还包括沿着扫描路径调节所述激发光束的所述焦点的所述深度和所述位置。
41.根据方面40所述的方法，其中所述扫描路径是倾斜的扫描路径。
42.根据方面41所述的方法，其中所述倾斜的扫描路径形成沿相对于所述光学探针的光轴成角度的方向定位的倾斜平面。
43.根据方面42所述的方法，其中所述倾斜平面与所述光轴之间的角度大于0度且小于90度。
44.根据方面1所述的方法，其中(a)-(c)在不向所述受试者施用对比度增强剂的情况下进行。
45.根据方面1所述的方法，其中所述激发光束包括非偏振光。
46.根据方面1所述的方法，其中所述激发光束包括偏振光。
47.根据方面1所述的方法，其中所述检测在环境光的存在下执行。
48.根据方面1所述的方法，其中(a)在不穿透所述受试者的所述组织的情况下进行。
49.根据方面1所述的方法，还包括使用所述一个或多个计算机处理器使用所述深度剖面识别所述组织的特征。
50.根据方面1所述的方法，还包括使用所述一个或多个计算机处理器来识别所述组织中的疾病。
51.根据方面50所述的方法，其中以至少约80％的准确度识别所述疾病。
52.根据方面51所述的方法，其中以至少约90％的准确度识别所述疾病。
53.根据方面50所述的方法，其中所述疾病是癌症。
54.根据方面53所述的方法，其中所述组织是所述受试者的皮肤，并且其中所述癌症是皮肤癌。
55.根据方面1所述的方法，其中所述深度剖面具有至少约0.8微米的分辨率。
56.根据方面55所述的方法，其中所述深度剖面具有至少约4微米的分辨率。
57.根据方面56所述的方法，其中所述深度剖面具有至少约10微米的分辨率。
58.根据方面1所述的方法，还包括测量所述激发光束的功率。
59.根据方面58所述的方法，还包括实时监测所述激发光束的所述功率。
60.根据方面58所述的方法，还包括使用所述一个或多个计算机处理器对所述功率进行归一化，从而生成归一化的深度剖面。
61.根据方面1所述的方法，还包括显示至少部分地由所述深度剖面生成的所述组织的投影横截面图像。
62.根据方面61所述的方法，还包括显示多个层的图像的合成图。
63.根据方面62所述的方法，其中所述多个层中的每一层由多个深度剖面中的对应深度剖面生成。
64.一种用于生成受试者的组织的深度剖面的系统，包括：
光学探针，其配置为将激发光束从光源传输至所述组织的表面，所述激发光束在接触所述组织时产生指示所述组织的固有性质的信号，其中所述光学探针包括一个或多个聚焦单元，所述聚焦单元配置为同时调节所述激发光束的焦点的深度和位置；
一个或多个传感器，其配置为检测所述信号的至少子集；和
一个或多个计算机处理器，其有效地耦合至所述一个或多个传感器，其中所述一个或多个计算机处理器单独地或共同地编程以处理由所述一个或多个传感器检测到的所述信号的所述至少所述子集，以生成所述信号的深度剖面。
65.根据方面64所述的系统，其中所述激发光束是脉冲光束。
66.根据方面65所述的系统，其中所述脉冲光束是单光束。
67.根据方面64所述的系统，其中所述一个或多个聚焦单元包括z轴扫描仪和微机电系统(MEMS)反射镜。
68.根据方面67所述的系统，其中所述z轴扫描仪包括一个或多个透镜。
69.根据方面68所述的系统，其中所述一个或多个透镜中的至少一个是无焦透镜。
70.根据方面67所述的系统，其中所述z轴扫描仪包括致动器。
71.根据方面70所述的系统，其中所述致动器包括音圈。
72.根据方面70所述的系统，其中所述z轴扫描仪和所述MEMS反射镜分别由通过所述一个或多个计算机处理器控制的两个或多个致动器致动。
73.根据方面72所述的系统，其中所述一个或多个计算机处理器编程为或以其他方式配置为使所述z轴扫描仪和所述MEMS反射镜的运动同步。
74.根据方面73所述的系统，其中所述z轴扫描仪和所述MEMS反射镜的所述同步运动提供一个或多个焦点以倾斜角度的同步运动。
75.根据方面64所述的系统，其中所述信号包括至少一个选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号的信号。
76.根据方面75所述的系统，其中所述多光子荧光信号包含多个多光子荧光信号。
77.根据方面75所述的系统，其中所述信号包含至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。
78.根据方面77所述的系统，其中所述信号包含SHG信号、多光子荧光信号和RCM信号。
79.根据方面64所述的系统，其中所述组织是上皮组织，并且其中所述深度剖面有助于识别所述受试者的所述上皮组织中的疾病。
80.根据方面64所述的系统，其中沿着扫描路径调节所述激发光束的所述焦点的所述深度和所述位置。
81.根据方面80所述的系统，其中所述扫描路径是倾斜的扫描路径。
82.根据方面81所述的系统，其中所述倾斜的扫描路径是沿着相对于所述光学探针的光轴成角度的方向定位的倾斜平面。
83.根据方面82所述的系统，其中所述倾斜平面与所述光轴之间的角度为0度至90度。
84.根据方面64所述的系统，其中所述光源包括脉冲持续时间小于约200飞秒的超快脉冲激光器。
85.根据方面64所述的系统，其中在使用期间，所述光学探针与所述组织的所述表面接触。
86.根据方面64所述的系统，还包括检测所述光学探针和所述组织的所述表面之间的位移的传感器。
87.根据方面64所述的系统，其中所述光学探针配置为接收所述信号的至少一个所述子集，其中所述信号的所述至少一个所述子集包括至少一个RCM信号。
88.根据方面87所述的系统，其中所述光学探针包括配置成将所述信号的所述至少一个所述子集发送至光纤元件的选择性光学器件。
89.根据方面88所述的系统，其中所述光学探针包括配置为将信号的所述至少一个所述子集聚焦和对准至所述光纤元件的对准装置。
90.根据方面89所述的系统，其中所述对准装置包括聚焦透镜以及位于所述聚焦透镜和所述光纤元件之间的可调节折射元件。
91.根据方面90所述的系统，其中所述聚焦透镜和所述光纤元件相对于所述可调节折射元件处于固定位置。
92.根据方面91所述的系统，其中所述可调节折射元件是角度可移动的。
93.根据方面92所述的系统，其中所述可调节折射元件还包括至少一个调节元件。
94.根据方面90所述的系统，还包括可移动反射镜，其中所述聚焦透镜定位在所述可移动反射镜和所述折射元件之间。
95.根据方面90所述的系统，还包括定位在分束器和聚焦透镜之间的偏振选择性光学器件。
96.根据方面88所述的系统，其中所述选择性光学器件包括选自分束器、偏振分束器、陷波滤波器、二向色镜、长通滤波器、短通滤波器、带通滤波器和平坦响应滤波器的滤光器。
97.根据方面87所述的系统，其中所述信号的所述至少所述子集包括偏振光。
98.根据方面97所述的系统，其中所述光学探针包括一个或多个选择所述偏振光的偏振的偏振选择性光学器件。
99.根据方面98所述的系统，其中所述信号的所述至少所述子集包括来自所述偏振光的偏振的RCM信号。
100.根据方面87所述的系统，其中所述信号的所述至少所述子集包括非偏振光。
101.根据方面87所述的系统，其中所述光学探针配置为拒绝散焦光。
102.根据方面64所述的系统，其中所述一个或多个传感器包括一个或多个光电传感器。
103.根据方面64所述的系统，还包括标记工具，所述标记工具用于勾勒出指示所述受试者的所述组织中的所述疾病的位置的边界。
104.根据方面64所述的系统，其中所述系统是便携式系统。
105.根据方面104所述的系统，其中所述便携式系统小于或等于50磅。106.根据方面64所述的系统，其中所述光学探针包括配置为与用户的手交互的外壳。
107.根据方面106所述的系统，其中所述外壳还包括在所述外壳内的传感器。
108.根据方面107所述的系统，其中所述传感器配置为在空间中定位所述光学探针。
109.根据方面108所述的系统，其中所述传感器是图像传感器，其中所述图像传感器配置为通过跟踪一个或多个特征在空间中定位所述光学探针。
110.根据方面109所述的系统，其中所述一个或多个特征包括所述受试者的所述组织的特征。
111.根据方面109所述的系统，其中所述一个或多个特征包括使用所述光学探针的空间的特征。
112.根据方面109所述的系统，其中所述图像传感器是摄像机。
113.根据方面106所述的系统，其中所述系统还包括与所述外壳相邻的图像传感器。
114.根据方面113所述的系统，其中所述图像传感器在空间中定位所述光学探针。
115.根据方面114所述的系统，其中所述一个或多个特征包括所述受试者的所述组织的特征。
116.根据方面113所述的系统，其中所述一个或多个特征包括使用所述光学探针的空间的特征。
117.根据方面64所述的系统，还包括光学耦合至所述激发光束的功率传感器。
118.根据方面64所述的系统，其中所述深度剖面的分辨率为至少约0.8微米。
119.根据方面116所述的系统，其中所述深度剖面的分辨率为至少约4微米。
120.根据方面119所述的系统，其中所述深度剖面的分辨率为至少约10微米。
121.根据方面62所述的系统，其中所述深度剖面是体内深度剖面。
122.根据方面64所述的系统，其中所述深度剖面是带注释的深度剖面。
123.根据方面64所述的系统，其中所述深度剖面包括多个深度剖面。
124.根据方面64所述的系统，其中所述一个或多个计算机处理器编程为显示组织的投影横截面图像。
125.一种用于分析受试者的身体组织的方法，其包括：
(a)将光引导至所述受试者的所述身体的所述组织；
(b)从所述受试者的所述身体的所述组织接收多个信号以响应在(a)中引导至所述受试者的所述身体的所述组织的光，其中所述多个信号的至少子集来自所述组织内；
(c)将与所述多个信号相对应的数据输入到训练的机器学习算法，所述算法对所述数据进行处理，以生成所述受试者的所述身体的所述组织的分类；和
(d)在用户的电子设备的用户界面上输出所述分类。
126.根据方面125所述的方法，其中所述数据包括至少一个深度剖面。127.根据方面126所述的方法，其中所述至少一个深度剖面包括一个或多个层。
128.根据方面127所述的方法，其中所述一个或多个层在时间和位置上同步。
129.根据方面126所述的方法，其中所述深度剖面包括在时间和位置上同步的一个或多个深度剖面。
130.根据方面126所述的方法，其中所述多个信号由所述光基本上同时生成。
131.根据方面126所述的方法，其中所述深度剖面包括带注释的深度剖面。
132.根据方面126所述的方法，其中所述深度剖面包括体内深度剖面。
133.根据方面126所述的方法，其中所述训练的机器学习算法包括输入层，所述数据提供给所述输入层；一个或多个内层；和输出层。
134.根据方面133所述的方法，其中所述输入层包括使用由时间和位置同步的一个或多个信号处理的数据的多个所述深度剖面。
135.根据方面134所述的方法，其中使用所述光学探针生成所述深度剖面。
136.根据方面134所述的方法，其中所述深度剖面包括由多个所述信号子集生成的单个分量、图像或深度剖面。
137.根据方面134所述的方法，其中所述深度剖面包括从在相同位置和时间收集的多个图像子集生成的多个层。
138.根据方面134所述的方法，其中多个层中的每一层包括识别不同于其他层的特征的数据。
139.根据方面134所述的方法，其中所述深度剖面包括多个子集深度剖面。
140.根据方面125所述的方法，其中所述分类识别所述受试者中与所述组织的特性有关的所述组织的特征，所述组织的特性选自健康、功能、治疗和外观。
141.根据方面125所述的方法，其中所述分类将所述受试者识别为患有疾病。
142.根据方面141所述的方法，其中所述疾病是癌症。
143.根据方面142所述的方法，其中所述组织是所述受试者的皮肤，并且其中所述癌症是皮肤癌。
144.根据方面125所述的方法，其中所述多个信号包括至少一个选自SHG信号、多光子荧光信号和RCM信号的信号。
145.根据方面144所述的方法，其中所述多个信号包括至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。
146.根据方面145所述的方法，其中所述多个信号包括SHG信号、多光子荧光信号和RCM信号。
147.根据方面144所述的方法，其中所述多光子荧光信号包括一个或多个多光子荧光信号。
148.根据方面144所述的方法，其中(c)包括使用所述训练的机器学习算法识别对应于所述多个信号的一个或多个特征。
149.根据方面125所述的方法，其中所述经训练的机器学习算法包括神经网络。
150.根据方面149所述的方法，其中所述神经网络包括输入层，数据提供给所述输入层。
151.根据方面150所述的方法，其中所述神经网络还包括一个或多个内层和输出层。
152.根据方面150所述的方法，其中所述输入层包括使用在时间和位置上同步的所述多个信号的至少子集生成的多个深度剖面。
153.根据方面152所述的方法，其中使用所述光学探针生成所述多个深度剖面中的至少一个，其中所述光学探针包括一个或多个聚焦单元，其中所述一个或多个聚焦单元包括z轴扫描仪和MEMS反射镜。
154.根据方面152所述的方法，其中所述多个深度剖面中的至少一个包括来自所述多个信号的多个子集的单个分量。
155.根据方面152所述的方法，其中所述多个深度剖面中的至少一个深度剖面包括从在相同位置和时间收集的光学数据生成的多个层。
156.根据方面155所述的方法，其中所述多个层中的每一层包括识别不同于另一层的特征的数据。
157.根据方面152所述的方法，其中所述深度剖面包括多个子集深度剖面。
158.根据方面149所述的方法，其中所述神经网络包括卷积神经网络。
159.根据方面125所述的方法，其中针对所述光信号的照明功率来控制所述数据。
160.根据方面125的方法，还包括接收所述受试者的医学数据。
161.根据方面160所述的方法，其中所述受试者的所述医学数据包括至少一种选自所述受试者的身体状况、病史、当前和既往职业、年龄、性别、种族和国籍的医学数据。
162.根据方面161所述的方法，其中所述身体状况包括所述受试者的生命体征。
163.根据方面161所述的方法，其中所述医学数据包括至少一种选自结构数据、时序数据、非结构数据和相关数据的医学数据。
164.根据方面161所述的方法，其中所述医疗数据上传到基于云的数据库。
165.根据方面160所述的方法，其中所述数据包括至少一种选自结构数据、时序数据、非结构数据和相关数据的医学数据。
166.根据方面160所述的方法，其中所述数据上传到基于云的数据库。
167.根据方面160所述的方法，其中所述数据保存在本地设备上。
168.根据方面125所述的方法，其中所述数据包括从所述组织的重叠区域获取的深度剖面。
169.一种用于分析受试者的身体组织的系统，其包括：
光学探针，其配置为(i)将激发光束引导至所述受试者的所述身体的所述组织，和(ii)接收来自所述受试者的所述身体的所述组织的多个信号，以响应在(i)中引导至所述受试者的所述身体的所述组织的所述激发光束，其中所述多个信号的至少子集来自所述组织内；以及
一个或多个计算机处理器，其有效地耦合至所述光学探针，其中所述一个或多个计算机处理器单独地或共同地编程为(i)接收与所述多个信号相对应的数据，(ii)将所述数据输入到处理所述数据的训练的机器学习算法，以生成所述受试者的所述身体的所述组织的分类，和(iii)在用户的电子设备的用户界面上输出所述分类。
170.根据方面169所述的系统，其中所述激发光束是脉冲光束。
171.根据方面170所述的系统，其中所述脉冲光束是单光束。
172.根据方面169所述的系统，其中所述数据包括至少一个深度剖面。
173.根据方面172所述的系统，其中所述至少一个深度剖面包括一个或多个层。
174.根据方面173所述的系统，其中所述一个或多个层在时间和位置上同步。
175.根据方面172所述的系统，其中所述深度剖面包括在时间和位置上同步的一个或多个深度剖面。
176.根据方面172所述的系统，其中所述深度剖面包括带注释的深度剖面。
177.根据方面172所述的系统，其中所述深度剖面包括体内深度剖面。
178.根据方面172所述的系统，其中所述训练的机器学习算法包括输入层，所述数据提供给所述输入层；一个或多个内层；和输出层。
179.根据方面178所述的系统，其中所述输入层包括使用从时间和位置同步的一个或多个信号处理的数据的多个所述深度剖面。
180.根据方面179所述的系统，其中使用所述光学探针生成所述深度剖面。
181.根据方面169所述的系统，其中所述光学探针包括一个或多个聚焦单元。
182.根据方面181所述的系统，其中所述一个或多个聚焦单元包括z轴扫描仪和微机电系统(MEMS)反射镜。
183.根据方面182所述的系统，其中所述z轴扫描仪包括一个或多个透镜。
184.根据方面183所述的系统，其中所述一个或多个透镜中的至少一个是无焦透镜。
185.根据方面182所述的系统，其中所述z轴扫描器包括致动器。
186.根据方面185所述的系统，其中所述致动器包括音圈。
187.根据方面185所述的系统，其中所述z轴扫描器和所述MEMS反射镜分别由通过所述一个或多个计算机处理器控制的两个或多个致动器致动。
188.根据方面187所述的系统，其中所述一个或多个计算机处理器编程为或以其他方式配置为使所述z轴扫描仪和所述MEMS反射镜的运动同步。
189.根据方面188所述的系统，其中所述z轴扫描器和所述MEMS反射镜的所述同步运动提供焦点以倾斜角度的同步运动。
190.根据方面169所述的系统，其中所述光学探针和所述一个或多个计算机处理器在同一设备中。
191.根据方面190所述的系统，其中所述设备是移动设备。
192.根据方面169所述的系统，其中所述光学探针是设备的一部分，并且其中所述一个或多个计算机处理器与所述设备分离。
193.根据方面192所述的系统，其中所述一个或多个计算机处理器是计算机服务器的一部分。
194.根据方面192所述的系统，其中所述一个或多个计算机处理器是分布式计算基础设施的一部分。
195.根据方面169所述的系统，其中所述一个或多个计算机处理器编程为接收所述受试者的医学数据。
196.根据方面195所述的系统，其中所述受试者的所述医学数据包括至少一种选自所述受试者的身体状况、病史、当前和既往职业、年龄、性别、种族和国籍的医学数据。
197.根据方面196所述的系统，其中所述身体状况包括所述受试者的生命体征。
198.根据方面195所述的系统，其中所述医疗数据包括至少一种选自结构数据、时序数据、非结构数据和相关数据的医学数据。
199.根据方面169所述的系统，其中所述数据包括至少一种选自结构数据、时序数据、非结构数据和相关数据的医学数据。
200.一种生成用于识别受试者组织的特征的训练算法的方法，其包括：
(a)从受试者的训练组织中收集信号，所述训练组织先前或随后识别为具有所述特征；
(b)处理所述信号以生成与所述受试者的所述训练组织的深度剖面相对应的数据；和
(c)使用来自(b)的所述数据以训练机器学习算法，以在计算机存储器中产生训练算法，用于识别所述受试者的所述组织中的所述特征，其中所述组织独立于所述训练组织。
201.根据方面200所述的方法，其中所述特征是疾病。
202.根据方面200所述的方法，其中所述特征是对应于选自组织的健康、功能、治疗和外观的所述组织的特性的特征。
203.根据方面200所述的方法，其中所述数据包括具有一致标识和一致特性的数据。
204.根据方面203所述的方法，其中所述一致特性包括选自照明强度、对比度、颜色、尺寸和质量的特性。
205.根据方面203所述的方法，其中将关于照明强度的所述数据进行归一化。
206.根据方面203所述的方法，其中所述深度剖面对应于光学探针在所述组织上的不同位置。
207.根据方面200所述的方法，其中(a)包括使用所述信号的至少子集来生成一个或多个深度剖面。
208.根据方面207所述的方法，其中所述信号的所述至少所述子集在时间和位置上同步。
209.根据方面207所述的方法，其中所述数据对应于所述一个或多个深度剖面。
210.根据方面207所述的方法，其中所述一个或多个深度剖面中的至少一个包括多个层。
211.根据方面210所述的方法，其中所述多个层由在相同时间和位置收集的多个图像子集生成。
212.根据方面210所述的方法，其中多个层中的每一层包括识别不同于另一层的特征的数据。
213.根据方面207所述的方法，其中所述一个或多个深度剖面中的每一个包括多个子集深度剖面。
214.根据方面213所述的方法，还包括单独使用所述多个子集深度剖面中的每一个来训练所述机器学习算法。
215.根据方面213所述的方法，还包括使用所述多个子集深度剖面生成所述合成深度剖面。
216.根据方面215所述的方法，还包括使用所述合成深度剖面来训练所述机器学习算法。
217.根据方面207所述的方法，还包括使用从训练组织的第一区域收集的第一组信号和从所述训练组织的第二区域收集的第二组信号来生成所述一个或多个深度剖面。
218.根据方面217所述的方法，其中所述训练组织的所述第一区域不同于所述训练组织的所述第二区域。
219.根据方面217所述的方法，其中所述训练组织的所述第一区域具有所述疾病。
220.根据方面200所述的方法，其中所述信号包括两个或多个信号。
221.根据方面220所述的方法，其中所述两个或多个信号选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号。
222.根据方面220所述的方法，其中所述两个或多个信号是所述组织的单个区域的基本上同时的信号。
223.根据方面220所述的方法，其中处理和组合所述两个或多个信号以生成合成图像。
224.一种生成用于识别受试者组织中的特征的训练算法的系统，其包括：
数据库，其包括与先前或随后识别为具有所述特征的受试者的训练组织的深度剖面相对应的数据，其中深度剖面从所述训练组织收集的处理信号生成；以及
一个或多个计算机处理器，其有效地耦合至所述数据库，其中所述一个或多个计算机处理器单独地或共同地编程以(i)从所述数据库中检索所述数据，和(ii)使用所述数据来训练机器学习算法以在计算机存储器中产生训练算法，用于识别所述受试者的所述组织中的所述特征，其中所述组织独立于所述训练组织。
225.根据方面224所述的系统，其中所述特征是疾病。
226.根据方面224所述的系统，其中所述特征对应于选自健康、功能、治疗和外观的所述组织的特征。
227.根据方面224所述的系统，其中所述一个或多个计算机处理器编程为接收一个或多个深度剖面的光学数据。
228.根据方面224所述的系统，其中使用从所述训练组织收集的信号生成所述深度剖面。
229.根据方面228所述的系统，其中所述信号在时间和位置上同步。
230.根据方面228所述的系统，其中所述深度剖面包括多个层。
231.根据方面230所述的系统，其中所述多个层从在相同时间和位置收集的多个图像子集生成。
232.根据方面230所述的系统，其中所述多个层中的每一层包括识别不同于另一层的特征的数据。
233.根据方面224所述的系统，其中所述一个或多个计算机处理器编程为接收所述受试者的医学数据。
234.根据方面233所述的系统，其中所述医疗数据包括至少一种选自结构数据、时序数据、非结构数据和相关数据的医学数据。
235.根据方面224所述的系统，其中所述数据包括结构数据、时序数据、非结构数据、相关数据或其任意组合。
236.一种用于对准光束的方法，包括：
(a)提供(i)与透镜光学通信的光束，其中所述透镜与折射元件光学通信，(ii)光纤，以及(iii)与所述光纤光学通信的检测器，其中所述折射元件位于所述透镜与所述光纤之间；和
(b)调节所述折射元件以将所述光路与所述光纤对准，其中所述光路由此与所述光纤对准。
237.根据方面236所述的方法，其中在与所述折射元件相互作用之后，细光束的点扩散函数足够小，使得所述检测器的分辨率小于1微米。
238.根据方面236所述的方法，其中所述调节所述位置包括向所述折射元件施加旋转。
239.根据方面238所述的方法，其中所述旋转为至多180°旋转。
240.根据方面238所述的方法，其中所述旋转为至多二维旋转。
241.根据方面240所述的方法，其中所述旋转为一维旋转。
242.根据方面240所述的方法，还包括提供可调节反射镜，其中所述透镜固定在所述可调节反射镜和所述可调节折射元件之间，并且调节所述可调节反射镜使所述光路对准，然后使用所述可调节折射元件。
243.根据方面240所述的方法，其中所述提供所述光束包括提供由与受试者组织的相互作用生成的光信号。
244.根据方面243所述的方法，其中所述组织是体内皮肤组织。
245.一种用于对准光束的系统，包括：
配置为提供光束的光源；
与所述光源光学通信的聚焦透镜；
与所述透镜光学通信的可调节折射元件；
光纤；以及
与所述光纤光学通信的检测器，其中可调节折射元件位于聚焦透镜和光纤之间并且可移动以对准聚焦透镜和所述光纤之间的光路。
246.根据方面245所述的系统，其中所述聚焦透镜和所述光纤相对于所述可调节折射元件固定。
247.根据方面245所述的系统，其中所述可调节折射元件是角度可移动的。
248.根据方面245所述的系统，还包括耦合至所述可调节折射元件的调节元件，其中所述调节元件配置为调节所述可调节折射元件的位置。
249.根据方面248所述的系统，其中所述调节元件成角度地移动所述可调节折射元件。
250.根据方面245所述的系统，还包括有效地耦合至所述折射元件的控制器，其中所述控制器编程为引导调节所述折射元件以将所述光路与所述光纤对准。
251.根据方面250所述的系统，其中在没有用户输入的情况下执行所述调节。
252.根据方面250所述的系统，其中所述调节由用户执行。
253.根据方面245所述的系统，还包括分束器，所述分束器配置为将光沿着所述光路引导向所述光纤。
254.根据方面253所述的系统，还包括位于所述分束器和所述聚焦透镜之间的可移动反射镜。
255.根据方面253所述的系统，还包括定位在所述光路上的偏振选择性光学器件。
256.根据方面255所述的系统，其中所述偏振选择性光学器件位于所述分束器和所述聚焦透镜之间。
257.根据方面245所述的系统，其中所述折射元件是平窗。
258.根据方面245所述的系统，其中所述折射元件是玻璃折射元件。
259.根据方面245所述的系统，其中在与所述折射元件相互作用之后，细光束的点扩散函数足够小，使得所述检测器的分辨率小于1微米。
260.根据方面245所述的系统，其中所述折射元件的覆盖区小于1,000mm2。
261.根据方面245所述的系统，其中所述折射元件配置为将细光束的光束调节至多约10度。
262.根据方面245所述的系统，其中所述折射元件具有允许将离开所述透镜的光束对准光纤的特性。
263.根据方面262所述的系统，其中所述直径小于约20微米。
264.根据方面263所述的系统，其中所述直径小于约10微米。
265.根据方面264所述的系统，其中所述光纤的直径小于约5微米。
266.根据方面262所述的系统，其中所述特性为至少一个选自折射率、厚度和运动范围的特性。
267.根据方面245所述的系统，其中由所述折射元件引入的像差小于所述聚焦透镜的衍射极限的20％。
268.根据方面267所述的系统，其中所述像差小于所述衍射极限的10％。
269.根据方面268所述的系统，其中所述像差小于所述衍射极限的5％。
270.根据方面269所述的系统，其中所述像差小于所述衍射极限的2％。
271.根据方面270所述的系统，其中所述像差小于所述衍射极限的1％。
272.一种用于对准光束的方法，其包括：
a.提供(i)与分束器光学通信的光束，其中所述分束器与透镜光学通信，其中所述透镜与折射元件光学通信，(ii)光纤，和(iii)与所述光纤光学通信的检测器，其中来自所述折射元件的光路未对准所述光纤；
b.调节所述折射元件使所述光路与所述光纤对准；和
c.将所述光束引导至所述分束器，所述分束器将所述光束分成细光束，其中所述细光束通过所述透镜被引导至所述折射元件，所述折射元件将所述细光束沿所述光路引导至所述光纤，使得所述检测器检测所述细光束。
273.一种用于对准光束的系统，包括：
配置为提供光束的光源；
与所述光源光学通信的分束器；
与所述分束器光学通信的透镜；
与所述透镜光学通信的折射元件；
光纤；以及
与所述光纤光学通信的检测器，其中来自所述折射元件的光路未对准所述光纤，
其中所述折射元件可调节以将所述光路与所述光纤对准，使得当所述光路与所述光纤对准时，所述光束从光源被引导至所述分束器，其中所述分束器将所述光束拆分成细光束，其中所述细光束通过所述透镜被引导至所述折射元件，所述折射元件沿着所述光路将所述细光束引导至所述光纤，使得所述检测器检测所述细光束。
Claims (120)
1.一种用于生成受试者的组织的深度剖面的方法，包括：
(a)使用光学探针将来自光源的激发光束传输至所述组织的表面，所述激发光束的脉冲在接触所述组织时产生指示所述组织的内在性质的信号，其中所述光学探针包括一个或多个聚焦单元，所述聚焦单元同时调节所述激发光束的焦点的深度和位置；
(b)检测所述信号的至少一子集；以及
(c)使用一个或多个计算机处理器，所述一个或多个计算机处理器编程为处理在(b)中检测到的所述信号的所述至少所述子集以生成所述组织的所述深度剖面。
2.根据权利要求1所述的方法，其中所述激发光束是脉冲光束。
3.根据权利要求1所述的方法，其中所述激发光束是单光束。
4.根据权利要求3所述的方法，其中所述单光束是脉冲光束。
5.根据权利要求1所述的方法，其中所述激发光束包括多光束。
6.根据权利要求1所述的方法，其中(b)包括同时检测所述信号的多个子集。
7.根据权利要求1的方法，还包括处理所述信号的所述多个子集以生成多个深度剖面，其中所述多个深度剖面对应于检测所述信号时的探针位置。
8.根据权利要求7所述的方法，其中所述多个深度剖面对应于相同的扫描路径。
9.根据权利要求8所述的方法，其中所述扫描路径包括倾斜的扫描路径。
10.根据权利要求7所述的方法，还包括为所述多个深度剖面的每一个分配至少一种不同的颜色。
11.根据权利要求7所述的方法，还包括组合来自所述多个深度剖面的数据的至少一子集，以形成合成深度剖面。
12.根据权利要求7所述的方法，还包括在显示屏上显示从所述合成深度剖面导出的合成图像。
13.根据权利要求12所述的方法，其中所述合成图像是多色图像。
14.根据权利要求13所述的方法，其中所述多色图像的颜色分量对应于使用在时间和位置上同步的信号子集的多个深度剖面。
15.根据权利要求13所述的方法，其中所述多个层中的每一层包括识别不同于其他层的特征的数据。
16.根据权利要求13所述的方法，其中所述深度剖面包括多个子集深度剖面，其中所述多个子集深度剖面包括来自处理的生成信号的光学数据。
17.根据权利要求7所述的方法，其中所述多个深度剖面包括第一深度剖面和第二深度剖面。
18.根据权利要求17所述的方法，其中所述第一深度剖面包括通过处理一信号而得的数据，该数据与从包括在所述第二深度剖面中的信号而产生的数据不同。
19.根据权利要求17所述的方法，其中所述第一深度剖面和所述第二深度剖面包括一个或多个独立地选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号的处理的信号。
20.根据权利要求17所述的方法，其中所述多个深度剖面包括第三深度剖面，所述第三深度剖面包括由选自SHG信号、多光子荧光信号和RCM信号的信号处理的数据。
21.根据权利要求1所述的方法，其中所述深度剖面包括从所述信号的多个子集创建的单个分量、图像或深度剖面。
22.根据权利要求1所述的方法，其中所述深度剖面包括从相同位置和时间收集的多个图像子集创建的多个层。
23.根据权利要求1所述的方法，还包括生成多个深度剖面。
24.根据权利要求23所述的方法，其中所述多个深度剖面中的每一个对应于不同的探针位置。
25.根据权利要求23所述的方法，其中所述多个深度剖面对应于在检测信号时不同的扫描图案。
26.根据权利要求25所述的方法，其中所述不同的扫描图案对应于相同的时间和探针位置。
27.根据权利要求25所述的方法，其中所述不同扫描图案中的至少一种扫描图案包括倾斜扫描图案。
28.根据权利要求27所述的方法，其中所述倾斜扫描图案形成倾斜平面。
29.根据权利要求1所述的方法，其中所述组织包括体内组织。
30.根据权利要求29所述的方法，其中(c)包括生成体内深度剖面。
31.根据权利要求1所述的方法，其中所述深度剖面是带注释的深度剖面。
32.根据权利要求31所述的方法，其中所述注释包括至少一个选自词语和标记的注释。
33.根据权利要求1所述的方法，其中所述信号包括至少一个选自SHG信号、多光子荧光信号和RCM信号的信号。
34.根据权利要求33所述的方法，其中所述多光子荧光信号包含多个多光子荧光信号。
35.根据权利要求33所述的方法，其中所述信号包括至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。
36.根据权利要求35所述的方法，其中所述信号包括SHG信号、多光子荧光信号和RCM信号。
37.根据权利要求33所述的方法，其中所述信号还包括至少一个选自三次谐波产生信号、相干反斯托克斯拉曼散射信号、受激拉曼散射信号和荧光寿命成像信号的信号。
38.根据权利要求1所述的方法，其中所述信号在所述组织内的相同时间和位置产生。
39.根据权利要求1的方法，还包括在(a)之前，使所述受试者的所述组织与所述光学探针接触。
40.根据权利要求1所述的方法，还包括沿着扫描路径调节所述激发光束的所述焦点的所述深度和所述位置。
41.根据权利要求40所述的方法，其中所述扫描路径是倾斜的扫描路径。
42.根据权利要求41所述的方法，其中所述倾斜的扫描路径形成沿相对于所述光学探针的光轴成角度的方向定位的倾斜平面。
43.根据权利要求42所述的方法，其中所述倾斜平面与所述光轴之间的角度大于0度且小于90度。
44.根据权利要求1所述的方法，其中(a)-(c)在不向所述受试者施用对比度增强剂的情况下进行。
45.根据权利要求1所述的方法，其中所述激发光束包括非偏振光。
46.根据权利要求1所述的方法，其中所述激发光束包括偏振光。
47.根据权利要求1所述的方法，其中所述检测在环境光的存在下执行。
48.根据权利要求1所述的方法，其中(a)在不穿透所述受试者的所述组织的情况下进行。
49.根据权利要求1所述的方法，还包括使用所述一个或多个计算机处理器使用所述深度剖面识别所述组织的特征。
50.根据权利要求1所述的方法，还包括使用所述一个或多个计算机处理器来识别所述组织中的疾病。
51.根据权利要求50所述的方法，其中以至少约80％的准确度识别所述疾病。
52.根据权利要求51所述的方法，其中以至少约90％的准确度识别所述疾病。
53.根据权利要求50所述的方法，其中所述疾病是癌症。
54.根据权利要求53所述的方法，其中所述组织是所述受试者的皮肤，并且其中所述癌症是皮肤癌。
55.根据权利要求1所述的方法，其中所述深度剖面具有至少约0.8微米的分辨率。
56.根据权利要求1所述的方法，还包括测量所述激发光束的功率。
57.根据权利要求56所述的方法，还包括实时监测所述激发光束的所述功率。
58.根据权利要求56所述的方法，还包括使用所述一个或多个计算机处理器对所述功率进行归一化，从而生成归一化的深度剖面。
59.根据权利要求1所述的方法，还包括显示至少部分地由所述深度剖面生成的所述组织的投影横截面图像。
60.根据权利要求59所述的方法，还包括显示多个层的图像的合成图。
61.根据权利要求60所述的方法，其中所述多个层中的每一层由多个深度剖面中的对应深度剖面生成。
62.一种用于生成受试者的组织的深度剖面的系统，包括：
光学探针，所述光学探针被配置为将激发光束从光源传输至所述组织的表面，所述激发光束在接触所述组织时产生指示所述组织的固有性质的信号，其中所述光学探针包括一个或多个聚焦单元，所述聚焦单元配置为同时调节所述激发光束的焦点的深度和位置；
一个或多个传感器，所述一个或多个传感器被配置为检测所述信号的至少一子集；和
一个或多个计算机处理器，所述一个或多个计算机处理器有效地耦合至所述一个或多个传感器，其中所述一个或多个计算机处理器单独地或共同地编程以处理由所述一个或多个传感器检测到的所述信号的所述至少所述子集，以生成所述信号的深度剖面。
63.根据权利要求62所述的系统，其中所述激发光束是脉冲光束。
64.根据权利要求63所述的系统，其中所述脉冲光束是单光束。
65.根据权利要求62所述的系统，其中所述一个或多个聚焦单元包括z轴扫描仪和微机电系统(MEMS)反射镜。
66.根据权利要求65所述的系统，其中所述z轴扫描仪包括一个或多个透镜。
67.根据权利要求66所述的系统，其中所述一个或多个透镜中的至少一个是无焦透镜。
68.根据权利要求65所述的系统，其中所述z轴扫描仪包括致动器。
69.根据权利要求68所述的系统，其中所述致动器包括音圈。
70.根据权利要求68所述的系统，其中所述z轴扫描仪和所述MEMS反射镜分别由通过所述一个或多个计算机处理器控制的两个或多个致动器致动。
71.根据权利要求70所述的系统，其中所述一个或多个计算机处理器编程为或以其他方式配置为使所述z轴扫描仪和所述MEMS反射镜的运动同步。
72.根据权利要求71所述的系统，其中所述z轴扫描仪和所述MEMS反射镜的所述同步运动提供一个或多个焦点以倾斜角度的同步运动。
73.根据权利要求62所述的系统，其中所述信号包括至少一个选自二次谐波产生(SHG)信号、多光子荧光信号和反射共聚焦显微镜(RCM)信号的信号。
74.根据权利要求73所述的系统，其中所述多光子荧光信号包含多个多光子荧光信号。
75.根据权利要求73所述的系统，其中所述信号包含至少两个选自SHG信号、多光子荧光信号和RCM信号的信号。
76.根据权利要求75所述的系统，其中所述信号包含SHG信号、多光子荧光信号和RCM信号。
77.根据权利要求62所述的系统，其中所述组织是上皮组织，并且其中所述深度剖面有助于识别所述受试者的所述上皮组织中的疾病。
78.根据权利要求62所述的系统，其中沿着扫描路径调节所述激发光束的所述焦点的所述深度和所述位置。
79.根据权利要求78所述的系统，其中所述扫描路径是倾斜的扫描路径。
80.根据权利要求79所述的系统，其中所述倾斜的扫描路径是沿着相对于所述光学探针的光轴成角度的方向定位的倾斜平面。
81.根据权利要求80所述的系统，其中所述倾斜平面与所述光轴之间的角度为0度至90度。
82.根据权利要求62所述的系统，其中所述光源包括脉冲持续时间小于约200飞秒的超快脉冲激光器。
83.根据权利要求62所述的系统，其中在使用期间，所述光学探针与所述组织的所述表面接触。
84.根据权利要求62所述的系统，还包括检测所述光学探针和所述组织的所述表面之间的位移的传感器。
85.根据权利要求62所述的系统，其中所述光学探针配置为接收所述信号的至少一个所述子集，其中所述信号的所述至少一个所述子集包括至少一个RCM信号。
86.根据权利要求85所述的系统，其中所述光学探针包括配置成将所述信号的所述至少一个所述子集发送至光纤元件的选择性光学器件。
87.根据权利要求86所述的系统，其中所述光学探针包括配置为将信号的所述至少一个所述子集聚焦和对准至所述光纤元件的对准装置。
88.根据权利要求87所述的系统，其中所述对准装置包括聚焦透镜以及位于所述聚焦透镜和所述光纤元件之间的可调节折射元件。
89.根据权利要求88所述的系统，其中所述聚焦透镜和所述光纤元件相对于所述可调节折射元件处于固定位置。
90.根据权利要求89所述的系统，其中所述可调节折射元件是角度可移动的。
91.根据权利要求90所述的系统，其中所述可调节折射元件还包括至少一个调节元件。
92.根据权利要求88所述的系统，还包括可移动反射镜，其中所述聚焦透镜定位在所述可移动反射镜和所述折射元件之间。
93.根据权利要求88所述的系统，还包括定位在分束器和聚焦透镜之间的偏振选择性光学器件。
94.根据权利要求86所述的系统，其中所述选择性光学器件包括选自分束器、偏振分束器、陷波滤波器、二向色镜、长通滤波器、短通滤波器、带通滤波器和平坦响应滤波器的滤光器。
95.根据权利要求85所述的系统，其中所述信号的所述至少所述子集包括偏振光。
96.根据权利要求95所述的系统，其中所述光学探针包括一个或多个选择所述偏振光的偏振的偏振选择性光学器件。
97.根据权利要求96所述的系统，其中所述信号的所述至少所述子集包括来自所述偏振光的偏振的RCM信号。
98.根据权利要求85所述的系统，其中所述信号的所述至少所述子集包括非偏振光。
99.根据权利要求85所述的系统，其中所述光学探针配置为拒绝散焦光。
100.根据权利要求62所述的系统，其中所述一个或多个传感器包括一个或多个光电传感器。
101.根据权利要求62所述的系统，还包括标记工具，所述标记工具用于勾勒出指示所述受试者的所述组织中的所述疾病的位置的边界。
102.根据权利要求62所述的系统，其中所述系统是便携式系统。
103.根据权利要求102所述的系统，其中所述便携式系统小于或等于50磅。
104.根据权利要求62所述的系统，其中所述光学探针包括配置为与用户的手交互的外壳。
105.根据权利要求104所述的系统，其中所述外壳还包括在所述外壳内的传感器。
106.根据权利要求105所述的系统，其中所述传感器配置为在空间中定位所述光学探针。
107.根据权利要求106所述的系统，其中所述传感器是图像传感器，其中所述图像传感器配置为通过跟踪一个或多个特征在空间中定位所述光学探针。
108.根据权利要求107所述的系统，其中所述一个或多个特征包括所述受试者的所述组织的特征。
109.根据权利要求107所述的系统，其中所述一个或多个特征包括使用所述光学探针的空间的特征。
110.根据权利要求107所述的系统，其中所述图像传感器是摄像机。
111.根据权利要求104所述的系统，其中所述系统还包括与所述外壳相邻的图像传感器。
112.根据权利要求111所述的系统，其中所述图像传感器在空间中定位所述光学探针。
113.根据权利要求112所述的系统，其中所述一个或多个特征包括所述受试者的所述组织的特征。
114.根据权利要求111所述的系统，其中所述一个或多个特征包括使用所述光学探针的空间的特征。
115.根据权利要求62所述的系统，还包括光学耦合至所述激发光束的功率传感器。
116.根据权利要求62所述的系统，其中所述深度剖面的分辨率为至少约0.8微米。
117.根据权利要求62所述的系统，其中所述深度剖面是体内深度剖面。
118.根据权利要求62所述的系统，其中所述深度剖面是带注释的深度剖面。
119.根据权利要求62所述的系统，其中所述深度剖面包括多个深度剖面。
120.根据权利要求62所述的系统，其中所述一个或多个计算机处理器编程为显示组织的投影横截面图像。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862760620P | 2018-11-13 | 2018-11-13 | |
| US62/760,620 | 2018-11-13 | ||
| PCT/US2019/061306 WO2020102442A1 (en) | 2018-11-13 | 2019-11-13 | Methods and systems for generating depth profiles |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113473900A true CN113473900A (zh) | 2021-10-01 |
| CN113473900B CN113473900B (zh) | 2024-09-24 |
Family
ID=70730737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980088871.4A Active CN113473900B (zh) | 2018-11-13 | 2019-11-13 | 用于生成深度剖面的方法和系统 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220007943A1 (zh) |
| EP (1) | EP3880066A4 (zh) |
| JP (1) | JP7510415B2 (zh) |
| CN (1) | CN113473900B (zh) |
| AU (1) | AU2019381715A1 (zh) |
| WO (1) | WO2020102442A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820329A (zh) * | 2022-07-01 | 2022-07-29 | 之江实验室 | 基于高斯过程大核注意力装置引导的曲面测量方法及装置 |
| WO2023061068A1 (en) * | 2021-10-12 | 2023-04-20 | The Hong Kong University Of Science And Technology | Translational rapid ultraviolet-excited sectioning tomography assisted with deep learning |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017229690B2 (en) | 2016-03-08 | 2021-12-16 | Enspectra Health, Inc. | Non-invasive detection of skin disease |
| EP3614915A4 (en) | 2017-04-28 | 2021-01-20 | Enspectra Health, Inc. | SARCOMAS IMAGING AND MEASUREMENT SYSTEMS AND METHODS |
| US20200311532A1 (en) * | 2019-04-01 | 2020-10-01 | The Regents Of The University Of California | Lambda-reservoir computing |
| WO2021097142A1 (en) * | 2019-11-13 | 2021-05-20 | Enspectra Health, Inc. | Methods and systems for identifying tissue characteristics |
| US20230092006A1 (en) * | 2020-02-12 | 2023-03-23 | Mgi Tech Co., Ltd. | Optical imaging system and biochemical substance detection system using same |
| US11443424B2 (en) * | 2020-04-01 | 2022-09-13 | Kpn Innovations, Llc. | Artificial intelligence methods and systems for analyzing imagery |
| US12112488B2 (en) * | 2020-08-06 | 2024-10-08 | Canon U.S.A., Inc. | Methods and systems for image synchronization |
| US20220047165A1 (en) * | 2020-08-12 | 2022-02-17 | Welch Allyn, Inc. | Dermal image capture |
| WO2022056385A1 (en) * | 2020-09-14 | 2022-03-17 | Singular Genomics Systems, Inc. | Methods and systems for multidimensional imaging |
| DE102020130275A1 (de) | 2020-11-17 | 2022-05-19 | Abberior Instruments Gmbh | Hochauflösendes mikroskop, mikrooptisches system und detektionsanordnung |
| TWI796268B (zh) * | 2022-08-05 | 2023-03-11 | 國立勤益科技大學 | 多頻段光聲內視鏡探針診斷裝置及其運作方法 |
| CN115294128B (zh) * | 2022-10-08 | 2022-12-02 | 四川大学 | 一种用于消化内镜的单目结构三维成像方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7616986B2 (en) * | 2001-05-07 | 2009-11-10 | University Of Washington | Optical fiber scanner for performing multimodal optical imaging |
| US20120080616A1 (en) * | 2009-06-17 | 2012-04-05 | W.O.M. World Of Medicine Ag | Device and method for multi-photon fluorescence microscopy for obtaining information from biological tissue |
| US20140213897A1 (en) * | 2013-01-31 | 2014-07-31 | Physical Sciences, Inc. | Combined Reflectance Confocal Microscopy-Optical Coherence Tomography System for Imaging of Biological Tissue |
| WO2017156182A1 (en) * | 2016-03-08 | 2017-09-14 | Zebra Medical Technologies, Inc. | Non-invasive detection of skin disease |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2002240155A1 (en) * | 2001-01-29 | 2002-09-19 | Joseph A. Izatt | Frequency-encoded parallel oct and associated systems and methods |
| US6870613B1 (en) * | 2001-03-07 | 2005-03-22 | Carolyn Tisone | Simultaneous recording of multispectral fluorescence signatures |
| CA2390072C (en) * | 2002-06-28 | 2018-02-27 | Adrian Gh Podoleanu | Optical mapping apparatus with adjustable depth resolution and multiple functionality |
| JP4468684B2 (ja) | 2003-12-05 | 2010-05-26 | オリンパス株式会社 | 走査型共焦点顕微鏡装置 |
| GB0425419D0 (en) * | 2004-11-18 | 2004-12-22 | Sira Ltd | Interference apparatus and method and probe |
| US7440659B2 (en) | 2006-02-27 | 2008-10-21 | Wisconsin Alumni Research Foundation | Depth-resolved reflectance instrument and method for its use |
| JP4759425B2 (ja) | 2006-03-28 | 2011-08-31 | オリンパス株式会社 | 多光子励起型観察装置 |
| JP2011521747A (ja) | 2008-06-02 | 2011-07-28 | ライトラブ イメージング， インコーポレイテッド | 光コヒーレンストモグラフィ画像から組織特徴を取得する定量的方法 |
| CA2832162C (en) * | 2011-04-08 | 2019-05-14 | British Columbia Cancer Agency Branch | Apparatus and methods for multiphoton microscopy |
| EP2574273B1 (en) * | 2011-06-23 | 2014-09-24 | Nidek Co., Ltd. | Optical coherence tomography apparatus |
| EP2967319B1 (en) * | 2013-03-15 | 2019-12-11 | Amo Wavefront Sciences, LLC | Angular multiplexed optical coherence tomography systems and methods |
| US9983127B2 (en) * | 2013-09-03 | 2018-05-29 | Nanyang Technological University | Optical detection device and optical detection method |
| US9958253B2 (en) * | 2014-07-29 | 2018-05-01 | Collage Medical Imaging Ltd. | Synchronized dual mode OCT system |
| US11219485B2 (en) * | 2016-02-12 | 2022-01-11 | Sciton, Inc. | Devices for image-guided light treatment of skin |
-
2019
- 2019-11-13 WO PCT/US2019/061306 patent/WO2020102442A1/en unknown
- 2019-11-13 EP EP19885962.1A patent/EP3880066A4/en active Pending
- 2019-11-13 CN CN201980088871.4A patent/CN113473900B/zh active Active
- 2019-11-13 JP JP2021525709A patent/JP7510415B2/ja active Active
- 2019-11-13 AU AU2019381715A patent/AU2019381715A1/en active Pending
-
2021
- 2021-05-11 US US17/317,661 patent/US20220007943A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7616986B2 (en) * | 2001-05-07 | 2009-11-10 | University Of Washington | Optical fiber scanner for performing multimodal optical imaging |
| US20120080616A1 (en) * | 2009-06-17 | 2012-04-05 | W.O.M. World Of Medicine Ag | Device and method for multi-photon fluorescence microscopy for obtaining information from biological tissue |
| US20140213897A1 (en) * | 2013-01-31 | 2014-07-31 | Physical Sciences, Inc. | Combined Reflectance Confocal Microscopy-Optical Coherence Tomography System for Imaging of Biological Tissue |
| WO2017156182A1 (en) * | 2016-03-08 | 2017-09-14 | Zebra Medical Technologies, Inc. | Non-invasive detection of skin disease |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023061068A1 (en) * | 2021-10-12 | 2023-04-20 | The Hong Kong University Of Science And Technology | Translational rapid ultraviolet-excited sectioning tomography assisted with deep learning |
| CN114820329A (zh) * | 2022-07-01 | 2022-07-29 | 之江实验室 | 基于高斯过程大核注意力装置引导的曲面测量方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3880066A4 (en) | 2022-07-20 |
| CN113473900B (zh) | 2024-09-24 |
| WO2020102442A1 (en) | 2020-05-22 |
| AU2019381715A1 (en) | 2021-06-03 |
| JP7510415B2 (ja) | 2024-07-03 |
| JP2022507237A (ja) | 2022-01-18 |
| EP3880066A1 (en) | 2021-09-22 |
| US20220007943A1 (en) | 2022-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113473900B (zh) | 用于生成深度剖面的方法和系统 | |
| US20210169336A1 (en) | Methods and systems for identifying tissue characteristics | |
| JP7387702B2 (ja) | 皮膚の疾患の非侵襲的な検出 | |
| WO2021097142A1 (en) | Methods and systems for identifying tissue characteristics | |
| US11181728B2 (en) | Imaging systems with micro optical element arrays and methods of specimen imaging | |
| Zuzak et al. | Characterization of a near-infrared laparoscopic hyperspectral imaging system for minimally invasive surgery | |
| US20230359007A1 (en) | Imaging systems with micro optical element arrays and methods of specimen imaging | |
| US20240312598A1 (en) | Systems, methods and computer-accessible medium for a feedback analysis and/or treatment of at least one patient using an electromagnetic radiation treatment device | |
| Kakaletri et al. | Development, implementation and application of confocal laser endomicroscopy in brain, head and neck surgery—a review | |
| CN118661128A (zh) | 用于光操控的系统和方法 | |
| TW202123871A (zh) | 一種量測皮膚基底細胞高度的方法 |
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 |