CN117322839A - 一种结合oct偏振与光谱信息的脂质斑块检测方法和系统 - Google Patents
一种结合oct偏振与光谱信息的脂质斑块检测方法和系统 Download PDFInfo
- Publication number
- CN117322839A CN117322839A CN202311155463.0A CN202311155463A CN117322839A CN 117322839 A CN117322839 A CN 117322839A CN 202311155463 A CN202311155463 A CN 202311155463A CN 117322839 A CN117322839 A CN 117322839A
- Authority
- CN
- China
- Prior art keywords
- oct
- band
- spectrum
- lipid plaque
- short
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 214
- 150000002632 lipids Chemical class 0.000 title claims abstract description 156
- 230000010287 polarization Effects 0.000 title claims abstract description 133
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 128
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 100
- 238000003384 imaging method Methods 0.000 claims description 87
- 239000000523 sample Substances 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 25
- 238000012935 Averaging Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 125000003473 lipid group Chemical group 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 239000000835 fiber Substances 0.000 description 25
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 102000008186 Collagen Human genes 0.000 description 9
- 108010035532 Collagen Proteins 0.000 description 9
- 229920001436 collagen Polymers 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002308 calcification Effects 0.000 description 2
- 238000005253 cladding Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
- 210000003708 urethra Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0066—Optical coherence imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种结合OCT偏振与光谱信息的脂质斑块检测方法和系统。利用OCT扫描血管内腔,采集两个正交偏振通道的干涉光谱信号和PS‑OCT图像,对PS‑OCT图像和干涉光谱信号进行特征提取,得到纹理特征矩阵和光谱特征矩阵,对光谱特征矩阵进行分类或聚类处理,得到初始3D脂质斑块概率分布;将特征矩阵输入到预设的分类模型中,输出脂质斑块投影图像,然后对脂质斑块投影图像的非连通噪声进行清洗,生成2D脂质斑块投影掩膜,结合初始3D脂质斑块概率分布和2D脂质斑块投影掩膜获得最终3D脂质斑块概率分布。本发明能够提高OCT组织结构层析性能和NIRS在脂质斑块检测的精度、灵敏度以及特异性。
Description
技术领域
本发明涉及生物医学成像领域的一种脂质斑块检测方法和系统,具体涉及一种结合OCT偏振与光谱信息的脂质斑块检测方法和系统。
背景技术
OCT是一种很有前景的成像方式,具有高分辨率、高扫描速率、无标记和无创活检等优点。通过将内窥探头与OCT相结合,可提供包括气道、消化道、尿道、心血管等体内器官组织的三维微观结构图像。特别值得关注的是,冠状动脉疾病是世界范围内常见的致命疾病之一。OCT可以提供冠状动脉壁微观结构信息,以辅助冠状动脉疾病的诊断过程。此外,使用心血管OCT进行体内检查,可提供包括纤维帽厚度以及巨噬细胞积聚等信息,有助于检测引发心肌梗死的易损斑块。
然而,仅对冠状动脉的微观结构进行分析是不完善的,还需要结合化学和分子信息,以提高对动脉粥样硬化的诊断水平。近年来,NIRS成像已经成功应用于临床检验,基于有机分子对近红外光的吸收,可以通过光谱信息分析动脉壁深处的脂质核心的概率。一种将OCT与NIRS相结合的成像技术将更符合临床需求。因此,如何将OCT与NIRS有机结合,增强微观组织结构探测精度,提高识别脂质斑块的精确度是当前急需解决的问题。
发明内容
本发明的目的是针对现有技术的不足,提出了一种结合OCT偏振与光谱信息的脂质斑块检测方法和系统,可提供深度分辨的组织双折射信息,可增强微观组织结构探测精度,提高识别脂质斑块的精确度。
本发明采用的技术方案如下,包括以下步骤:
步骤S1:利用PS-OCT扫描血管内腔,采集两个正交偏振通道各自的干涉光谱信号,根据两个正交偏振通道各自的干涉光谱信号分别得到两个正交偏振通道各自的PS-OCT图像;
具体实施中,将两个正交偏振通道的干涉光谱信号分别依次进行背景抑制、光谱整形和快速傅里叶变换处理得到两个正交偏振通道各自的PS-OCT图像;
步骤S2:对PS-OCT图像进行纹理特征的提取,得到纹理特征矩阵;
步骤S3:生成初始3D脂质斑块概率分布
首先对干涉光谱信号进行光谱特征的提取,得到光谱特征矩阵;然后对光谱特征矩阵进行分类或者聚类处理,得到初始的3D脂质斑块概率分布;
步骤S4:将步骤S2~步骤S3获得的所有纹理特征矩阵和光谱特征矩阵均输入到预设的分类模型中,输出脂质斑块投影图像;
步骤S5:对脂质斑块投影图像的非连通噪声进行清洗,得到2D脂质斑块投影掩膜;
步骤S6:根据初始的3D脂质斑块概率分布和2D脂质斑块投影掩膜获得最终的3D脂质斑块概率分布,并基于最终的3D脂质斑块概率分布确定脂质斑块的位置。
所述步骤S2中纹理特征矩阵的提取方式包括:
对两个正交偏振通道的PS-OCT图像进行平均,然后对平均后的PS-OCT图像进行纹理特征的提取,得到平均后的纹理特征矩阵;
或者分别对两个正交偏振通道的PS-OCT图像进行纹理特征的提取,得到两个正交偏振通道各自的纹理特征矩阵。
所述步骤S3中光谱特征矩阵的提取方式包括:
对两个正交偏振通道的干涉光谱信号进行平均,然后对平均后的干涉光谱信号进行光谱特征的提取,得到平均后的光谱特征矩阵,并将平均后的光谱特征矩阵分为短波段光谱特征矩阵和长波段光谱特征矩阵;
或者分别对两个正交偏振通道的干涉光谱信号进行光谱特征的提取,得到两个正交偏振通道各自的光谱特征矩阵,将两个正交偏振通道的光谱特征矩阵均分为短波段光谱特征矩阵和长波段光谱特征矩阵;
所述步骤S3中对光谱特征矩阵进行分类/聚类处理的方式,包括:
根据光谱特征矩阵获得平均光谱特征差值,当平均光谱特征差值大于预设阈值时,则为脂质斑块,基于该脂质斑块的位置获得初始的3D脂质斑块概率分布;
或者根据光谱特征矩阵得到特征值,由得到的所有特征值组成主成分特征值空间,最后对主成分特征值空间进行聚类,得到初始的3D脂质斑块概率分布;
或者根据光谱特征矩阵构建短长波段光谱特征空间,对短长波段光谱特征空间进行聚类,得到初始的3D脂质斑块概率分布;
或者利用多元线性回归模型对短长波段光谱特征空间进行分类获得分类曲线,基于分类曲线得到初始的3D脂质斑块概率分布。
所述平均光谱特征差值的获取方式包括:
将平均后的短波段光谱特征矩阵和长波段光谱特征矩阵直接相减计算得到平均光谱特征差值;
或者分别对两个正交偏振通道各自的短波段光谱特征矩阵和长波段光谱特征矩阵直接相减计算光谱特征差值,然后将两个正交偏振通道的光谱特征差值进行平均并作为平均光谱特征差值;
所述特征值的获取方式包括:
对平均后的对短波段光谱特征矩阵和长波段光谱特征矩阵分别进行平均方法处理,获得不同波长下的短波段衰减系数曲线和长波段衰减系数曲线,再分别对短波段衰减系数曲线和长波段衰减系数曲线进行主成分分析后得到各自对应的特征值;
或者分别对两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵进行平均方法处理,获得不同波长下两个正交偏振通道各自的短波段衰减系数曲线和长波段衰减系数曲线,再分别对两个正交偏振通道的短波段衰减系数曲线和长波段衰减系数曲线进行主成分分析后得到各自对应的特征值。
所述短长波段光谱特征空间的构建方式包括:
根据平均后的短波段光谱特征矩阵和长波段光谱特征矩阵构建短长波段光谱特征空间,该方法得到的短长波段光谱特征空间可用于聚类和分类;
或者根据两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵构建两个正交偏振通道各自的短长波段光谱特征空间,将两个正交偏振通道的短长波段光谱特征空间进行平均,平均后得到用于聚类的短长波段光谱特征空间;
或者根据两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵构建两个正交偏振通道各自的用于分类的短长波段光谱特征空间;
所述步骤S3中,对干涉光谱信号进行光谱特征提取,得到光谱特征矩阵的具体步骤如下:
首先将干涉光谱信号分为N个光谱波段信号,N为大于1的整数,对于每个光谱波段信号,通过短时傅里叶变换算法得到波数可分辨的OCT强度信号;
沿深度方向对OCT强度信号去除平均系统噪声,获得去噪后的OCT强度信号;
对去噪后的OCT强度信号在深度方向上进行线性拟合,获得强度深度曲线,强度深度曲线上每一位置的斜率作为当前位置的光谱特征,获得目标组织区域的光谱特征,得到血管内腔组织的N帧光谱特征矩阵;
或者目标组织区域的光谱特征通过以下公式计算获得:
其中,μ(k,x,y,z)为当前波段k当前位置(x,y,z)处的光谱特征,x为OCT探测扫描中的快扫描方向的坐标值,y为OCT探测扫描中的慢扫描方向的坐标值,z为深度方向的坐标值,深度方向为垂直于快扫描方向与慢扫描方向构成平面的方向,即光轴方向,A′(k,x,y,z)为当前波段k当前位置(x,y,z)处去噪后的OCT信号的强度,σ为深度方向上每个像素对应的空气中的物理尺寸,n为目标组织区域的折射率。
所述步骤S2中对PS-OCT图像进行纹理特征的提取,具体包括:
通过PS-OCT图像提取均值、方差、标准差、同质度、对比度、非相似性、熵、角二阶矩和相关性矩阵中的一种或多种。
所述步骤S4中的分类模型,包括基于卷积神经网络、全卷积神经网络、U-net网络、生成对抗网络中的一种或多种分类模型。
一种结合OCT偏振与光谱信息的脂质斑块检测系统,其特征在于:
包括PS-OCT成像装置、扫描装置和信号处理装置;
或者包括PS-OCT成像装置、NIRS成像装置、扫描装置和信号处理装置;
所述的PS-OCT成像装置用于腔内组织成像与光谱探测,NIRS成像装置用于腔内组织光谱探测,扫描装置用于腔内组织成像,信号处理装置用于对采集的PS-OCT信号和NIRS信号进行脂质斑块分析。
所述脂质斑块检测系统是采用以下的一种:
PS-OCT成像装置和NIRS成像装置共用连接同一个PS-OCT光源,通过分析PS-OCT光源的光谱进行脂质斑块识别;
或者PS-OCT成像装置和NIRS成像装置分别连接PS-OCT光源和NIRS光源,通过分析PS-OCT光源的光谱进行脂质斑块识别;
或者PS-OCT成像装置和NIRS成像装置分别连接PS-OCT光源和NIRS光源,通过分析NIRS光源的光谱进行脂质斑块识别;
所述PS-OCT成像装置采用交替A-line编码、频率复用的、深度编码、交叉抽样或并行探测的PS-OCT成像装置,PS-OCT成像装置工作波段的中心波长在1200-1350纳米之间,带宽大于100纳米。
本发明利用内窥式PS-OCT进行血管内成像,以双光电探测器结构分别记录血管内膜至血管外膜三维空间下的两种正交偏振态的干涉光谱信号;基于正交偏振态生成双通道OCT结构图像,平均图像实现散斑抑制;采用分光谱深度解析模型计算光谱特征,其中光谱被分为N个波段(N为大于1的整数);将双偏振通道与多光谱特征复合,结合根据OCT数据提取得到的纹理特征,进行脂质斑块的特征识别与检测,获取NIRS图像。本发明能够提高OCT组织结构层析性能和NIRS在脂质斑块检测的精度、灵敏度以及特异性。
本发明相比现有技术具有以下有益效果和优势:
1、本发明结合PS-OCT成像和NIRS成像的脂质斑块分析方法、装置和探头,可增强微观组织结构探测精度,增加光谱进入组织的深度,提高识别脂质斑块的精确度,具有其突出显著的技术效果。
2、本发明通过基于PS-OCT成像和NIRS成像的脂质斑块分析方法和装置,可提高识别脂质斑块的精确度。
3、本发明基于PS-OCT成像和NIRS成像,可以有效降低OCT散斑噪声。
4、本发明基于PS-OCT成像和NIRS成像,可提供组织双折射信息,提高OCT区分纤维层的能力。
附图说明
图1为本发明的成像系统的示意图,其中,(a)为PS-OCT装置和NIRS装置连接同一个光源的成像系统的示意图,(b)为PS-OCT装置和NIRS装置连接不同光源的成像系统示意图;
图2为本发明实施例的脂质斑块分析方法的流程示意图;
图3为本发明示例性实施例的脂质斑块分析方法的双偏振通道、纹理特征与光谱特征的复合方式的示意图;
图4为本发明示例性实施例的仿体实验结果图,其中,(a)为直角坐标系下仿体断层结构图;(b)为直角坐标系下断层DR衰减系数图。脂质衰减系数明显高于胶原蛋白衰减系数;(c)为catheter-OCT系统带宽内脂质和胶原蛋白衰减谱图。(d)为分光谱DR衰减系数GMM聚类结果图;(e)为极坐标系下IVOCT-NIRS脂质分布图。
其中:1001-PS-OCT光源;1002-NIRS光源;1003-波分复用器;1004-双包层耦合器;1005-低噪声光电探测器;102-90:10光纤耦合器;103-第一偏振控制器;104-第二偏振控制器;105-单模光纤;106-保偏光纤;107-第一环形器;108-第二环形器;109-50:50光纤耦合器;110-参考臂准直镜;111-参考臂聚焦透镜;112-平面反射镜;113-光纤旋转连接器;114-直线电机;115-直流无刷电机;116-探头;117-样品;118-第三偏振控制器;119-第四偏振控制器;120-第一偏振分束器;121-第二偏振分束器;122-第一光电平衡探测器;123-第二光电平衡探测器;124-信号处理器。
具体实施方式
下面将结合附图对本发明的具体实施方式作详细说明,附图形成本文的一部分。需要注意的是,这些说明及示例仅仅为示例性的,不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动都是本发明的保护范围。
本发明提供一种结合OCT偏振与光谱信息的脂质斑块检测方法和系统,可增强微观组织结构探测精度,增加光谱进入组织的深度,提高识别脂质斑块的精确度。
本发明方法包括以下步骤:
步骤S1:利用PS-OCT扫描血管内腔,采集两个正交偏振通道各自的干涉光谱信号,所述干涉光谱信号具体为血管内腔表面以下二维/三维空间的干涉光谱信号,将两个正交偏振通道的干涉光谱信号分别依次进行背景抑制、光谱整形和快速傅里叶变换处理得到两个正交偏振通道各自的PS-OCT图像;
步骤S2:对PS-OCT图像进行纹理特征的提取,得到纹理特征矩阵;
步骤S3:生成初始3D脂质斑块概率分布,包括:
S301、对干涉光谱信号进行光谱特征的提取,得到光谱特征矩阵;
S302、对光谱特征矩阵进行分类或者聚类处理,得到初始的3D脂质斑块概率分布;
步骤S4:将步骤S2~步骤S3获得的所有纹理特征矩阵和光谱特征矩阵均输入到预设的分类模型中进行训练,训练后输出脂质斑块投影图像;
步骤S5:对所述脂质斑块投影图像的非连通噪声进行清洗,得到2D脂质斑块投影掩膜,该步骤具体为通过深度学习的分类模型针对纹理特征矩形制作A-line掩模;
步骤S6:根据初始的3D脂质斑块概率分布和2D脂质斑块投影掩膜获得最终的3D脂质斑块概率分布,并基于最终的3D脂质斑块概率分布确定脂质斑块的位置。
步骤S2中纹理特征矩阵的提取方式包括:
对两个正交偏振通道的PS-OCT图像进行平均,然后对平均后的PS-OCT图像进行纹理特征的提取,得到平均后的纹理特征矩阵;
或者分别对两个正交偏振通道的PS-OCT图像进行纹理特征的提取,得到两个正交偏振通道各自的纹理特征矩阵。
步骤S301中光谱特征矩阵的提取方式包括:
对两个正交偏振通道的干涉光谱信号进行平均,然后对平均后的干涉光谱信号进行光谱特征的提取,得到平均后的光谱特征矩阵;
或者分别对两个正交偏振通道的干涉光谱信号进行光谱特征的提取,得到两个正交偏振通道各自的光谱特征矩阵。
步骤S302中对光谱特征矩阵进行分类/聚类处理的方式,包括:
将平均后的光谱特征矩阵分为短波段光谱特征矩阵和长波段光谱特征矩阵;然后,将短波段光谱特征矩阵和长波段光谱特征矩阵直接相减计算光谱特征差值,当光谱特征差值大于预设阈值时,则为脂质斑块,基于该脂质斑块的位置获得初始的3D脂质斑块概率分布;
或者将两个正交偏振通道的光谱特征矩阵分别分为短波段光谱特征矩阵和长波段光谱特征矩阵;然后分别对两个正交偏振通道各自的短波段光谱特征矩阵和长波段光谱特征矩阵直接相减计算光谱特征差值,再将两个正交偏振通道的光谱特征差值进行平均并作为光谱特征差值的平均值,当光谱特征差值的平均值大于预设阈值时,则为脂质斑块,基于该脂质斑块的位置获得初始的3D脂质斑块概率分布;
或者将平均后的光谱特征矩阵分为短波段光谱特征矩阵和长波段光谱特征矩阵;然后分别对短波段光谱特征矩阵和长波段光谱特征矩阵进行平均方法处理,获得不同波长下的短波段衰减系数曲线和长波段衰减系数曲线,再分别对短波段衰减系数曲线和长波段衰减系数曲线进行主成分分析后得到各自对应的特征值,由得到的所有特征值组成主成分特征值空间,最后对主成分特征值空间进行聚类,得到初始的3D脂质斑块概率分布;
或者将两个正交偏振通道的光谱特征矩阵分别分为短波段光谱特征矩阵和长波段光谱特征矩阵;然后分别对两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵进行平均方法处理,获得不同波长下两个正交偏振通道各自的短波段衰减系数曲线和长波段衰减系数曲线,再分别对两个正交偏振通道的短波段衰减系数曲线和长波段衰减系数曲线进行主成分分析后得到各自对应的特征值,由得到的所有特征值组成主成分特征值空间,最后对主成分特征值空间进行聚类,得到初始的3D脂质斑块概率分布;
或者将平均后的光谱特征矩阵分为短波段光谱特征矩阵和长波段光谱特征矩阵;根据短波段光谱特征矩阵和长波段光谱特征矩阵构建短长波段光谱特征空间,对短长波段光谱特征空间进行聚类,得到初始的3D脂质斑块概率分布;
或者将两个正交偏振通道的光谱特征矩阵分别分为短波段光谱特征矩阵和长波段光谱特征矩阵;分别根据两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵构建两个正交偏振通道各自的短长波段光谱特征空间,将两个正交偏振通道的短长波段光谱特征空间进行平均,然后将平均后的短长波段光谱特征空间进行聚类,得到初始的3D脂质斑块概率分布;
或者将平均后的光谱特征矩阵分为短波段光谱特征矩阵和长波段光谱特征矩阵;根据短波段光谱特征矩阵和长波段光谱特征矩阵构建短长波段光谱特征空间,利用多元线性回归模型对短长波段光谱特征空间进行分类获得分类曲线,基于分类曲线得到初始的3D脂质斑块概率分布;
或者将两个正交偏振通道的光谱特征矩阵分别分为短波段光谱特征矩阵和长波段光谱特征矩阵;根据两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵构建两个正交偏振通道各自的短长波段光谱特征空间,利用多元线性回归模型对两个正交偏振通道的短长波段光谱特征空间进行分类获得分类曲线,基于分类曲线得到初始的3D脂质斑块概率分布。
具体实施中,根据OCT工作波段的中心波长将血管内腔组织的N帧光谱特征矩阵分为短波段光谱特征矩阵和长波段光谱特征矩阵,对短波段光谱特征矩阵和长波段光谱特征矩阵进行分类/聚类处理,实现脂质斑块的检测。
步骤S301中,对平均后/两个正交偏振通道的干涉光谱信号进行光谱特征提取,得到平均后/两个正交偏振通道各自的光谱特征矩阵的具体步骤如下:
首先将干涉光谱信号分为N个光谱波段信号,N为大于1的整数,对于每个光谱波段信号,通过短时傅里叶变换算法得到波数可分辨的OCT强度信号;
沿深度方向对OCT强度信号去除平均系统噪声,获得去噪后的OCT强度信号;
对去噪后的OCT强度信号在深度方向上进行线性拟合,获得强度深度曲线,强度深度曲线上每一位置的斜率作为当前位置的光谱特征,获得目标组织区域的光谱特征,得到血管内腔组织的N帧光谱特征矩阵;
或者目标组织区域的光谱特征通过以下公式计算获得:
其中,μ(k,x,y,z)为当前波段k当前位置(x,y,z)处的光谱特征,x为OCT探测扫描中的快扫描方向的坐标值,y为OCT探测扫描中的慢扫描方向的坐标值,z为深度方向的坐标值,深度方向为垂直于快扫描方向与慢扫描方向构成平面的方向,即光轴方向,A′(k,x,y,z)为当前波段k当前位置(x,y,z)处去噪后的OCT信号的强度,σ为深度方向上每个像素对应的空气中的物理尺寸,n为目标组织区域的折射率。
步骤S2中对PS-OCT图像进行纹理特征的提取,具体包括:
通过PS-OCT图像提取均值、方差、标准差、同质度、对比度、非相似性、熵、角二阶矩和相关性矩阵中的一种或多种,用于脂质斑块分类与识别。
步骤S4中的分类模型,包括基于卷积神经网络、全卷积神经网络、U-net网络、生成对抗网络中的一种或多种分类模型。
本发明的一种结合OCT偏振与光谱信息的脂质斑块检测系统,包括两种连接形式:
第一种形式:
包括一个PS-OCT成像装置,用于腔内组织成像与光谱探测,此时的PS-OCT成像装置既可以用于PS-OCT成像装置也可以用于NIRS成像,即在第一种形式中,PS-OCT成像装置也可以是NIRS成像装置;
包括一个扫描装置,包括内窥式扫描,用于腔内组织成像;
包括一个或多个信号处理装置,用于对采集的PS-OCT信号和NIRS信号进行脂质斑块分析。
第二种形式:
或者包括一个PS-OCT成像装置,用于腔内组织成像与光谱探测,用于PS-OCT成像;
包括一个NIRS成像装置,用于腔内组织光谱探测,用于NIRS成像;
包括一个扫描装置,包括内窥式扫描,用于腔内组织成像;
包括一个或多个信号处理装置,用于对采集的PS-OCT信号和NIRS信号进行脂质斑块分析。
扫描装置包括光纤旋转连接器113、直线电机114、直流无刷电机115和探头116。PS-OCT成像装置主要由PS-OCT光源1001、90:10光纤耦合器102、第一偏振控制器103、第二偏振控制器104、单模光纤105、保偏光纤106、第一环形器107、第二环形器108、50:50光纤耦合器109、参考臂准直镜110、参考臂聚焦透镜111、平面反射镜112、第三偏振控制器118、第四偏振控制器119、第一偏振分束器120、第二偏振分束器121、第一光电平衡探测器122和第二光电平衡探测器123组成,第二种形式中,NIRS成像装置主要由NIRS光源1002、波分复用器1003、双包层耦合器1004和低噪声光电探测器1005组成。
PS-OCT成像装置是采用以下的一种:
采用交替A-line编码的PS-OCT成像装置,工作波段的中心波长为1200-1350纳米,带宽大于100纳米;
或者频率复用的PS-OCT成像装置,工作波段的中心波长为1200-1400纳米,带宽大于100纳米;
或者深度编码的PS-OCT成像装置,工作波段的中心波长为1200-1400纳米,带宽大于100纳米;
或者交叉抽样的PS-OCT成像装置,工作波段的中心波长为1200-1400纳米,带宽大于100纳米;
或者并行探测的PS-OCT成像装置,工作波段的中心波长为1200-1400纳米,带宽大于100纳米。
本发明脂质斑块检测系统是采用以下的一种:
PS-OCT成像装置和NIRS成像装置连接同一个PS-OCT光源,通过分析PS-OCT光源的光谱进行脂质斑块识别,即第一种形式,PS-OCT成像装置和NIRS成像装置为同一个装置;
或者PS-OCT成像装置和NIRS成像装置分别连接PS-OCT光源和NIRS光源,通过分析PS-OCT光源的光谱进行脂质斑块识别,即第二种形式;
或者PS-OCT成像装置和NIRS成像装置分别连接PS-OCT光源和NIRS光源,通过分析NIRS光源的光谱进行脂质斑块识别,即第二种形式。
探头设置脂质斑块检测系统中,图1的(a)为本发明的一种成像系统的示意图,此时PS-OCT成像装置和NIRS成像装置连接同一个PS-OCT光源,系统包括PS-OCT光源1001、90:10光纤耦合器102、第一偏振控制器103、第二偏振控制器104、单模光纤105、保偏光纤106、第一环形器107、第二环形器108、50:50光纤耦合器109、参考臂准直镜110、参考臂聚焦透镜111、平面反射镜112、光纤旋转连接器113、直线电机114、直流无刷电机115、探头116、样品117、第三偏振控制器118、第四偏振控制器119、第一偏振分束器120、第二偏振分束器121、第一光电平衡探测器122、第二光电平衡探测器123和信号处理器124。
PS-OCT光源1001的输出的初始光束入射至90:10光纤耦合器102中,以90:10的比例分配入样品臂和参考臂。进入参考臂的光束通过第一偏振控制器103稳定其偏振态,入射到单模光纤105中,出射光进入第一环形器107的1号端口,从2号端口出射依次进入参考臂准直镜110、参考臂聚焦透镜111和平面反射镜112。经过平面反射镜112反射后的光返回第一环形器107中,通过第一环形器107的3号端口出射。进入样品臂的光束通过第二偏振控制器104稳定其偏振态,入射到保偏光纤106中,出射光进入第二环形器108的1号端口,从2号端口出射通过光纤旋转连接器113后进入探头116。其中,探头116的扫描通过驱动直线电机114和直流无刷电机115进行控制,探头116用于扫描样品117。经过样品反射后的光从探头116返回到第二环形器108中,并通过第二环形器108的3号端口出射。从样品臂和参考臂的反射光分别经过50:50光纤耦合器109中发生干涉,并以50:50的比例分别进入第三偏振控制器118和第四偏振控制器119,出射光分别进入第一偏振分束器120和第二偏振分束器121,生成的四束光分别进入第一光电平衡探测器122和第二光电平衡探测器123。光电平衡探测器122、123的电信号由高速数字采集卡接收并传输至信号处理器124中进行处理。
图1的(b)为本发明的另一种成像系统的示意图,此时PS-OCT成像装置和NIRS成像装置分别使用两个光源,系统包括PS-OCT光源1001、1002-NIRS光源、1003-波分复用器、1004-双包层耦合器、1005-低噪声光电探测器、90:10光纤耦合器102、第一偏振控制器103、第二偏振控制器104、单模光纤105、保偏光纤106、第一环形器107、第二环形器108、50:50光纤耦合器109、参考臂准直镜110、参考臂聚焦透镜111、平面反射镜112、光纤旋转连接器113、直线电机114、直流无刷电机115、探头116、样品117、第三偏振控制器118、第四偏振控制器119、第一偏振分束器120、第二偏振分束器121、第一光电平衡探测器122、第二光电平衡探测器123和信号处理器124。
NIRS光源1002输出的光束经过波分复用器1003耦合至PS-OCT光路中,经过双包层耦合器1004进入探头116。此系统中的探头116采用双包层光纤制作,其中,内包层传输PS-OCT光束,外包层传输NIRS光束,经过成像探头汇聚于样品中。经样品返回的NIRS光束,通过低噪声光电探测器1005接收。经样品返回的PS-OCT光束,通过第一光电平衡探测器122和第二光电平衡探测器123接收。
示例性地,PS-OCT光源选取高速扫频光源实现系统的高速成像性能,采用保偏光纤产生正交偏振态的延迟,通过光纤型偏振分束器进行偏振态分集输出,以实现偏振OCT成像。
图2示出的是本发明实施例的脂质斑块检测方法的流程示意图,本实施例的脂质斑块分析方法包括如下步骤:
步骤S1:获取腔内PS-OCT图像。
示例性地,使用OCT设备进行图像采集,旋转电机周向扫描速度设置为50rps,直线电机回撤速度设置为13mm/s,每组数据包含200帧,每帧2000条A-line,该200帧图像将按照扫描的先后顺序进行依次排布。
步骤S2:根据腔内PS-OCT图提取纹理特征矩阵;
步骤S3:生成初始3D脂质斑块概率分布
步骤S301、根据干涉光谱信号提取光谱特征矩阵;
示例性地,对笛卡尔坐标系下的PS-OCT图像进行处理,首先利用现有技术对管腔边界、导丝进行分割。然后通过在最大强度投影图上手动选择导丝阴影的区域,将导丝伪影的A-lines值设置为零。最后提取特征矩阵,包括双通道的纹理特征和光谱特征。具体可通过分别对偏振通道一和偏振通道二的光谱特征进行分光谱计算,提取对比度、相关性、能量、同质度等纹理特征。其中,光谱被一分为二,分别为短波段光谱和长波段光谱。此外,偏振通道一和偏振通道二的光谱特征可先复合,再进行分光谱计算;也可先进行分光谱计算再进行复合。该步骤涉及偏振双通道和双光谱的多种复合方式,同时将双偏振通道生成的结构图像进行平均,可有效抑制散斑噪声,提高OCT对微观组织结构的成像效果。
步骤S302、对光谱特征矩阵进行分类或者聚类处理,得到初始的3D脂质斑块概率分布;
示例性地,同时将双偏振通道的血管腔边界以下前150像素(~0.75mm)的A-line光学特征输入高斯混合模型(Gaussian Mixture Model GMM)进行脂质像素间的聚类分析。
计算PS-OCT三维数据集的光谱衰减系数μt(1250-1300nm)和μt(1300-1350nm)。然后将A-line血管腔边界下前150个像素(约0.75mm)的光学特征输入GMM聚类模型,得到脂质斑块的概率。GMM聚类参数设置为:分类数M=2(代表聚类为两类,脂质和非脂质),收敛误差ε=10-8,最大迭代次数n=100。
步骤S4:将特征矩阵输入到预设的分类模型中获取脂质斑块投影图像。
示例性地,先将A-line像素沿径向(z)方向移动,使PS-OCT特征图像拉平至1像素点位置(z方向),并使用(5,5)(z-x)核高斯滤波器和平均双偏振通道数据降低散斑噪声。然后将血管腔边界以下前200像素(~1mm)的A-line特征输入CNN中进行A-line间的脂质分类。
具体地,考虑到计算量以及计算精度,将血管腔边界下前200个像素(~1mm)的A-line光学和纹理特征输入深度CNN,输出A-line间的脂质概率值。CNN结构包含9个层,包括1个输入层、3个卷积层、2个最大池化层和3个全连接层。在2、4和6卷积层中,应用了不同大小的滤波器(32、64和96)和内核大小(11、9和7),并生成了步距为2像素的相关特征图。然后,使用批量归一化和线性整流函数层来加快模型训练的收敛速度。最大池化层的池大小为2像素,用于降低维度,防止过拟合,并使模型不受轻微变换、扭曲和平移的影响。网络以三个全连接层结束,其中前两层包括100个具有线性整流函数和剔除层的输出单元,而最后一层包括两个具有Softmax激活函数的输出单元。最后,得到一个基于二值化的投影f(x,y)掩模,其中1表示脂质,0表示其他。
步骤S5:对脂质斑块投影图像的非连通噪声进行清洗确定2D脂质斑块投影掩膜。
示例性地,利用全连通条件随机场(Conditional Random Field CRF)清除二维投影面(x-y)掩模中的噪声。
由于A-line分类可能会忽略相邻A-line之间的空间相似性,因此采用全连接CRF对噪声投影(x-y)脂质掩膜进行净化,通过高斯核的线性组合定义每个概率分类的成对边缘势能,以提高分类性能。高斯核有两种(平滑核和外观核):
其中,CRF(fi+fj)为二值化投影掩膜矩阵,ω1和ω2为权重因子,exp()表示以自然常数e为底的指数函数,pi表示i行空间位置,pj表示j列空间位置,Ii表示矩阵中i行位置处的强度,Ij表示j列位置处的强度,θα为可配置参数,代表邻域的大小和形状,θβ为邻近度参数,θγ为相似度参数。第一项平滑核去除CNN预测结果中的小的孤立区域。第二项外观核/> 根据强度相似的相邻像素可能属于同一类别进行优化。由于投影图像中的像素强度受探头距离的影响,这里我们用光谱特征值代替探头距离进行优化。
步骤S6、根据初始的3D脂质斑块概率分布和2D脂质斑块投影掩膜获得最终的3D脂质斑块概率分布,并基于最终的3D脂质斑块概率分布确定脂质斑块的位置。步骤S6中获得最终3D脂质斑块概率分布的具体方式为:结合初始的3D脂质斑块概率分布和2D脂质斑块投影掩膜,去除正常血管壁和钙化边界光谱特征伪影,以获取最终的3D脂质斑块概率分布。
示例性地,将识别到的脂质A-line掩模应用于GMM三维结果中,避免最终结果受到明暗边界影响的衰减伪影,得到3D脂质概率分布。
图3示出的是本发明示例性实施例的脂质斑块检测方法的双偏振通道、纹理特征与光谱特征的复合方式的示意图,其中包括双通道的光谱特征和纹理特征的提取与复合。
具体地,仅针对单通道数据进行说明(双通道的特征提取步骤一致),对轴向扫描干涉光谱进行短时傅立叶变换。轴向扫描切片在应用汉宁窗后进行傅里叶变换,分割光谱的数量优选设置为2。使用深度解析模型计算与波长相关的光谱特征:
首先对光谱信号进行短时傅里叶变换(STFT),可得到沿深度z波数k可分辨的轴向OCT强度信号A(k,z):
其中,STFT[Sint(k)]表示对光谱进行短时傅里叶变换,Sint(k′)为带波数k′的干涉光谱信号,k′表示波数,w(k′-k;Δk)为分析窗函数,固定窗函数在光谱干涉信号滑动进行傅里叶变换,窗函数的类型这里我们选择的是Hanning窗,也可以使用其他窗,比如Kaiser窗;
然后,根据深度方向波数可分辨的OCT强度信号特征计算不同波段的光谱特征,包括:
沿深度方向对OCT强度信号去除平均系统噪声,获得去噪后的OCT强度信号,通过以下公式进行设置:
A′(k,z)=A0(k,z)-B(k,z)
其中,A′(k,z)表示当前深度和波段的坐标值z的对应的去噪后的OCT强度信号,A0(k,z)为当前深度坐标z和当前波段k的对应的OCT强度信号,B(k,z)为当前深度方向的坐标值z的对应的平均系统噪声。平均系统噪声具体为:不放置样品空扫,获得系统噪声,沿深度方向对每一X-Y平面的系统噪声取平均,即依次对X方向和Y方向的系统的噪声值求平均,获得一条一维的沿深度方向分布的平均系统噪声。
根据去噪后的OCT信号的深度方向特征计算目标组织区域的光谱特征,具体为:
对去噪后的OCT信号的深度方向的特征在深度方向上进行线性拟合,获得强度深度曲线,强度深度曲线上的每一位置的斜率作为当前位置的光谱特征,获得目标组织区域的光谱特征;
或者目标组织区域的光谱特征通过以下公式进行设置:
其中,μ(k,x,y,z)为当前波段k当前位置(x,y,z)处的光谱特征,x为OCT探测扫描中的快扫描方向的坐标值,y为OCT探测扫描中的慢扫描方向的坐标值,z为深度方向的坐标值,深度方向为垂直于快扫描方向与慢扫描方向构成平面的方向,即光轴方向,A′(k,x,y,z)为当前波段k当前位置(x,y,z)处去噪后的OCT信号的强度,σ为深度方向上每个像素对应的空气中的物理尺寸,n为目标组织区域的折射率。
纹理特征的提取通过灰度共生矩阵实现。灰度共生矩阵是一个维度为L×L的特征矩阵,在图像中定义为I(i,j),计算灰度值为i的像素点与灰度值为j的像素点在空间上相邻的频率。偏移量(Dx,Dz)用于描述空间关系:
Dx=D·cos(θ),Dz=D·sin(θ)
其中,Dx和Dz分别为x方向和z方向的偏移量,D为像素间的步距,θ为空间方向。在笛卡尔坐标系下计算灰度共生矩阵时,PS-OCT图像的灰度G=64,θ=90°,D=2。因此,对n×n邻域(此处n=11)中的每个单像素点计算四个/>提取对比度相关性/>能量/>和同质性/>四个纹理特征:
其中,i,j为矩阵行列位置,μi和μj均为均值,σi和σj均为方差,为共生矩阵,/>表示矩阵行列位置与灰度共生矩阵相乘。
双通道、纹理特征与光谱特征存在多种复合方式,示例性地先将双偏振通道的光谱进行平均,再获取短波段光谱特征图像和长波段光谱特征图像,将短波段光谱特征图像和长波段光谱特征图像直接相减计算光谱特征差值,当光谱特征差值大于预设阈值时,认为是脂质斑块,再通过构建深度学习模型针对纹理特征制作A-line掩模,去除正常血管壁和钙化边界光谱特征伪影,最终获得脂质斑块分布。
图4示出的是利用本实施例得到的仿体实验结果。针对获取的PS-OCT图像,运用本发明所示的脂质斑块分析方法获取的脂质斑块信息。如图4(a)所示,仿体的左侧部分为脂质成分,右侧部分为胶原蛋白成分,脂质成分由于对近红外光具有高衰减特性所以无法穿透,胶原蛋白部分由于低衰减特性所以近红外光穿透深。从图4(b)的深度解析衰减系数图中也可以验证此特征,脂质部分衰减系数高,而胶原蛋白部分衰减系数低,脂质衰减系数明显高于胶原蛋白衰减系数,OCT系统带宽内脂质和胶原蛋白衰减谱如图4(c)所示。胶原蛋白成分衰减谱整体平坦,而脂质成分衰减谱在长短波段显示出差异。图4(d)分光谱深度解析衰减系数的聚类结果。其中,点为分类出的脂质像素(脂质概率>0.6),叉为分类出的胶原蛋白像素。图4(e)为极坐标系下OCT-NIRS脂质分布图。实际处理过程中,可以使用不同的颜色代表不同的成分,具体可设置为:黄色为脂质,红色为非脂质,在图4(e)中利用颜色表示脂质概率,其中,白色代表脂质,黑色代表非脂质,越接近白色(真实颜色为黄色),该成分为脂质的概率越高。
上述实验结果充分说明:利用本发明所涉及的结合PS-OCT成像和NIRS成像的脂质斑块分析方法、装置和探头,可增强微观组织结构探测精度,增加光谱进入组织的深度,提高识别脂质斑块的精确度,具有其突出显著的技术效果。
利用PS-OCT-NIRS对仿体进行脂质检测的结果和已知成分一致,证明了所提方法的有效性。
Claims (10)
1.一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于,包括以下步骤:
步骤S1:利用PS-OCT扫描血管内腔,采集两个正交偏振通道各自的干涉光谱信号,根据两个正交偏振通道各自的干涉光谱信号分别得到两个正交偏振通道各自的PS-OCT图像;
步骤S2:对PS-OCT图像进行纹理特征的提取,得到纹理特征矩阵;
步骤S3:对干涉光谱信号进行光谱特征的提取,得到光谱特征矩阵;对光谱特征矩阵进行分类/聚类处理,得到初始的3D脂质斑块概率分布;
步骤S4:将所有纹理特征矩阵和光谱特征矩阵输入到预设的分类模型中,输出脂质斑块投影图像;
步骤S5:对脂质斑块投影图像的非连通噪声进行清洗,得到2D脂质斑块投影掩膜;
步骤S6:根据初始的3D脂质斑块概率分布和2D脂质斑块投影掩膜获得最终的3D脂质斑块概率分布,并基于最终的3D脂质斑块概率分布确定脂质斑块的位置。
2.根据权利要求1所述的一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于:所述步骤S2中纹理特征矩阵的提取方式包括:
对两个正交偏振通道的PS-OCT图像进行平均,然后对平均后的PS-OCT图像进行纹理特征的提取,得到平均后的纹理特征矩阵;
或者分别对两个正交偏振通道的PS-OCT图像进行纹理特征的提取,得到两个正交偏振通道各自的纹理特征矩阵。
3.根据权利要求1所述的一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于:所述步骤S3中光谱特征矩阵的提取方式包括:
对两个正交偏振通道的干涉光谱信号进行平均,然后对平均后的干涉光谱信号进行光谱特征的提取,得到平均后的光谱特征矩阵,并将平均后的光谱特征矩阵分为短波段光谱特征矩阵和长波段光谱特征矩阵;
或者分别对两个正交偏振通道的干涉光谱信号进行光谱特征的提取,得到两个正交偏振通道各自的光谱特征矩阵,将两个正交偏振通道的光谱特征矩阵均分为短波段光谱特征矩阵和长波段光谱特征矩阵。
4.根据权利要求2所述的一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于:所述步骤S3中对光谱特征矩阵进行分类/聚类处理的方式,包括:
根据光谱特征矩阵获得平均光谱特征差值,当平均光谱特征差值大于预设阈值时,则为脂质斑块,基于脂质斑块的位置获得初始的3D脂质斑块概率分布;
或者根据光谱特征矩阵得到特征值,由得到的所有特征值组成主成分特征值空间,最后对主成分特征值空间进行聚类,得到初始的3D脂质斑块概率分布;
或者根据光谱特征矩阵构建短长波段光谱特征空间,对短长波段光谱特征空间进行聚类,得到初始的3D脂质斑块概率分布;
或者利用多元线性回归模型对短长波段光谱特征空间进行分类获得分类曲线,基于分类曲线得到初始的3D脂质斑块概率分布。
5.根据权利要求4所述的一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于:
所述平均光谱特征差值的获取方式包括:
将平均后的短波段光谱特征矩阵和长波段光谱特征矩阵直接相减计算得到平均光谱特征差值;或者分别对两个正交偏振通道各自的短波段光谱特征矩阵和长波段光谱特征矩阵直接相减计算光谱特征差值,然后将两个正交偏振通道的光谱特征差值进行平均并作为平均光谱特征差值;
所述特征值的获取方式包括:
对平均后的对短波段光谱特征矩阵和长波段光谱特征矩阵分别进行平均方法处理,获得不同波长下的短波段衰减系数曲线和长波段衰减系数曲线,再分别对短波段衰减系数曲线和长波段衰减系数曲线进行主成分分析后得到各自对应的特征值;
或者分别对两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵进行平均方法处理,获得不同波长下两个正交偏振通道各自的短波段衰减系数曲线和长波段衰减系数曲线,再分别对两个正交偏振通道的短波段衰减系数曲线和长波段衰减系数曲线进行主成分分析后得到各自对应的特征值。
6.根据权利要求4所述的一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于:
所述短长波段光谱特征空间的构建方式包括:
根据平均后的短波段光谱特征矩阵和长波段光谱特征矩阵构建短长波段光谱特征空间;
或者根据两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵构建两个正交偏振通道各自的短长波段光谱特征空间,将两个正交偏振通道的短长波段光谱特征空间进行平均,平均后得到用于聚类的短长波段光谱特征空间;
或者根据两个正交偏振通道的短波段光谱特征矩阵和长波段光谱特征矩阵构建两个正交偏振通道各自的用于分类的短长波段光谱特征空间。
7.根据权利要求1所述的一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于:所述步骤S3中,对干涉光谱信号进行光谱特征提取,得到光谱特征矩阵的具体步骤如下:
首先将干涉光谱信号分为N个光谱波段信号,N为大于1的整数,对于每个光谱波段信号,通过短时傅里叶变换算法得到波数可分辨的OCT强度信号;
沿深度方向对OCT强度信号去除平均系统噪声,获得去噪后的OCT强度信号;
对去噪后的OCT强度信号在深度方向上进行线性拟合,获得强度深度曲线,强度深度曲线上每一位置的斜率作为当前位置的光谱特征,获得目标组织区域的光谱特征,得到血管内腔组织的N帧光谱特征矩阵;
或者目标组织区域的光谱特征通过以下公式计算获得:
其中,μ(k,x,y,z)为当前波段k当前位置(x,y,z)处的光谱特征,x为OCT探测扫描中的快扫描方向的坐标值,y为OCT探测扫描中的慢扫描方向的坐标值,z为深度方向的坐标值,深度方向为垂直于快扫描方向与慢扫描方向构成平面的方向,即光轴方向,A′(k,x,y,z)为当前波段k当前位置(x,y,z)处去噪后的OCT信号的强度,σ为深度方向上每个像素对应的空气中的物理尺寸,n为目标组织区域的折射率。
8.根据权利要求1所述的一种结合OCT偏振与光谱信息的脂质斑块检测方法,其特征在于:
所述步骤S2中对PS-OCT图像进行纹理特征的提取,具体包括:
通过PS-OCT图像提取均值、方差、标准差、同质度、对比度、非相似性、熵、角二阶矩和相关性矩阵中的一种或多种;
所述步骤S4中的分类模型,包括基于卷积神经网络、全卷积神经网络、U-net网络、生成对抗网络中的一种或多种分类模型。
9.用于实施权利要求1~8任一所述方法的一种结合OCT偏振与光谱信息的脂质斑块检测系统,其特征在于:
包括PS-OCT成像装置、扫描装置和信号处理装置;
或者包括PS-OCT成像装置、NIRS成像装置、扫描装置和信号处理装置;
所述的PS-OCT成像装置用于腔内组织成像与光谱探测,NIRS成像装置用于腔内组织光谱探测,扫描装置用于腔内组织成像,信号处理装置用于对采集的PS-OCT信号和NIRS信号进行脂质斑块分析。
10.根据权利要求9所述的一种结合OCT偏振与光谱信息的脂质斑块检测系统,其特征在于:所述脂质斑块检测系统是采用以下的一种:
PS-OCT成像装置和NIRS成像装置连接同一个PS-OCT光源,通过分析PS-OCT光源的光谱进行脂质斑块识别;
或者PS-OCT成像装置和NIRS成像装置分别连接PS-OCT光源和NIRS光源,通过分析PS-OCT光源或者NIRS光源的光谱进行脂质斑块识别;
所述PS-OCT成像装置采用交替A-line编码、频率复用的、深度编码、交叉抽样或并行探测的PS-OCT成像装置,PS-OCT成像装置工作波段的中心波长为1200-1350纳米,带宽大于100纳米。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155463.0A CN117322839A (zh) | 2023-09-08 | 2023-09-08 | 一种结合oct偏振与光谱信息的脂质斑块检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155463.0A CN117322839A (zh) | 2023-09-08 | 2023-09-08 | 一种结合oct偏振与光谱信息的脂质斑块检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117322839A true CN117322839A (zh) | 2024-01-02 |
Family
ID=89292311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311155463.0A Pending CN117322839A (zh) | 2023-09-08 | 2023-09-08 | 一种结合oct偏振与光谱信息的脂质斑块检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117322839A (zh) |
-
2023
- 2023-09-08 CN CN202311155463.0A patent/CN117322839A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1971848B1 (en) | Systems and methods for generating data based on one or more spectrally-encoded endoscopy techniques | |
KR102513779B1 (ko) | 생체 내 이미징 및 진단을 위한 장치, 디바이스 및 방법 | |
US11382516B2 (en) | Apparatuses, methods, and storage mediums for lumen and artifacts detection in one or more images, such as in optical coherence tomography images | |
EP1611470B1 (en) | Speckle reduction in optical coherence tomography by path length encoded angular compounding | |
US9332942B2 (en) | Systems, processes and computer-accessible medium for providing hybrid flourescence and optical coherence tomography imaging | |
WO2017133083A1 (zh) | 基于全空间调制谱分割角度复合的微血管造影方法与系统 | |
Larsen et al. | Hyperspectral imaging of atherosclerotic plaques in vitro | |
CN110292361B (zh) | 一种超宽范围的皮肤成像设备与方法 | |
WO2008144766A1 (en) | Porcine biliary tract imaging | |
CN112022093A (zh) | 一种皮肤成像系统 | |
CN112704470A (zh) | 分光谱频域相干断层成像系统 | |
CN114209278B (zh) | 一种基于光学相干层析成像的深度学习皮肤病诊断系统 | |
Fan et al. | Optimized optical coherence tomography imaging with Hough transform-based fixed-pattern noise reduction | |
Yang et al. | Identification of oral squamous cell carcinoma in optical coherence tomography images based on texture features | |
CN113066142A (zh) | 一种结合空间正则化与半盲光谱解混的光学功能成像方法 | |
CN110954481B (zh) | 导管偏振敏感光学相干层析成像优化平均偏振解调方法 | |
CN117322839A (zh) | 一种结合oct偏振与光谱信息的脂质斑块检测方法和系统 | |
CN115715668A (zh) | 一种结合oct成像和吸收光谱的脂质斑块检测方法和装置 | |
St-Pierre et al. | Dimension reduction technique using a multilayered descriptor for high-precision classification of ovarian cancer tissue using optical coherence tomography: a feasibility study | |
Luo et al. | Classification of gastric cancerous tissues by a residual network based on optical coherence tomography images | |
CN113706567A (zh) | 一种结合血管形态特征的血流成像量化处理方法与装置 | |
Wang et al. | Sparse coding-enabled low-fluence multi-parametric photoacoustic microscopy | |
Jaedicke et al. | Spectroscopic optical coherence tomography with graphics processing unit based analysis of three dimensional data sets | |
Gómez-Valverde et al. | Speckle reduction process based on digital filtering and wavelet compounding in optical coherence tomography for dermatology | |
Cano et al. | Deep learning assisted classification of spectral photoacoustic imaging of carotid plaques |
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 |