CN110291556A - 增强光学图像质量的方法和*** - Google Patents
增强光学图像质量的方法和*** Download PDFInfo
- Publication number
- CN110291556A CN110291556A CN201780058044.1A CN201780058044A CN110291556A CN 110291556 A CN110291556 A CN 110291556A CN 201780058044 A CN201780058044 A CN 201780058044A CN 110291556 A CN110291556 A CN 110291556A
- Authority
- CN
- China
- Prior art keywords
- scanning
- tissue
- sample
- flow
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000003287 optical effect Effects 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 50
- 230000001373 regressive effect Effects 0.000 claims abstract description 9
- 230000001951 hemoperfusion Effects 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims description 36
- 230000017531 blood circulation Effects 0.000 claims description 25
- 230000003068 static effect Effects 0.000 claims description 17
- 210000004369 blood Anatomy 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 15
- 210000004204 blood vessel Anatomy 0.000 claims description 14
- 230000004089 microcirculation Effects 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 9
- 238000002583 angiography Methods 0.000 claims description 8
- 239000012530 fluid Substances 0.000 claims description 7
- 230000010412 perfusion Effects 0.000 claims description 7
- 210000003491 skin Anatomy 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- 210000003477 cochlea Anatomy 0.000 claims description 3
- 238000000799 fluorescence microscopy Methods 0.000 claims description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 3
- 238000001093 holography Methods 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 210000002216 heart Anatomy 0.000 claims description 2
- 210000000214 mouth Anatomy 0.000 claims description 2
- 210000004994 reproductive system Anatomy 0.000 claims description 2
- 210000002345 respiratory system Anatomy 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract description 6
- 239000002245 particle Substances 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000004907 flux Effects 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 58
- 239000000306 component Substances 0.000 description 40
- 238000012014 optical coherence tomography Methods 0.000 description 30
- 238000001228 spectrum Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000001727 in vivo Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 241000699666 Mus <mouse, genus> Species 0.000 description 4
- 210000003743 erythrocyte Anatomy 0.000 description 4
- 230000017105 transposition Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 230000008822 capillary blood flow Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 235000013870 dimethyl polysiloxane Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 208000028867 ischemia Diseases 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010048964 Carotid artery occlusion Diseases 0.000 description 1
- 206010008089 Cerebral artery occlusion Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010061309 Neoplasm progression Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 210000001772 blood platelet Anatomy 0.000 description 1
- 210000004781 brain capillary Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 206010006514 bruxism Diseases 0.000 description 1
- 210000001168 carotid artery common Anatomy 0.000 description 1
- 230000009087 cell motility Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011503 in vivo imaging Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 201000007309 middle cerebral artery infarction Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002114 nanocomposite Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
提供了用于增强样本的流动图像的质量的***和方法。从包括血液灌注组织的样本的多次光学图像扫描中获得图像。然后生成包括组织分量、流分量和噪声的向量,并且根据该向量估计特征向量和特征值。根据所述特征向量和所述特征值,应用特征回归滤波器以将样本中的组织分量与流分量分离。然后可以从图像中去除被分离的组织分量,以增强样本内动态移动粒子流的可视化和量化。
Description
相关申请的交叉引用
本申请要求于2016年9月22日提交的序列号为62/398,163的美国临时专利申请的优先权,其全部内容通过引用合并于此。
背景技术
组织灌注成像具有许多临床应用,并且可以用于对例如脑血管灌注、眼部微循环、皮肤微循环、疾病进展、血管成像或血管造影进行成像。与这些图像相结合地量化毛细血管血流有助于在健康和患病条件下维持组织完整性。
各种光学成像技术用于对活体内的生物组织进行成像和分析。一种技术,即光学微血管造影(OMAG)是基于光学相干断层扫描(OCT)的成像技术,用于活体内生物组织的血管造影成像。OMAG方法基于在相同截面处获取的重复B扫描之间的复合或强度OCT信号的直接区分来提取血流信息。OMAG方法对血细胞移动敏感,从而提供高成像分辨率。
然而,在OMAG中,由于例如样本移动、细胞移动、***噪声和扫描机构的稳定性,在重复B扫描内从静态背景获取的信号不完全相同。因此,血管造影结果不仅包含流动信息,还承载来自大块组织的静态信号和噪声。仅基于流动图像,难以区分“假流动”与实际血流。
激光散斑成像(LSI)是一种也用于活体内生物组织的成像的成像技术。然而,该技术还包括背景组织成分,使得慢血流的可视化变得困难。
发明内容
根据本发明,定义一种***和方法,用于增强样本的流动图像的质量。在一个实施例中,计算机实现的方法可以包括从样本的多次光学图像扫描中获取第一流动图像。样本包括有流体流通过的生物组织。该方法包括从多次光学图像扫描中生成向量,该向量包括组织分量、流分量和噪声,以及根据向量估计特征向量和特征值。然后,该方法包括通过对确定数量的特征向量应用特征回归滤波器来将流分量与组织分量分离,然后去除第一流动图像中的组织分量。去除第一流动图像中的组织分量与血液灌注组织内的静态组织的血流形成对比。
流体流可以是血流,并且该方法还可以包括量化图像中生物组织内的血液灌注,包括但不限于计算平均毛细血管流动速度和毛细血管流动异质性。
在一个示例性实施例中,从多次光学图像扫描中生成向量可以包括将来自多次光学图像扫描的信号建模为包括组织分量、流分量和噪声的至少三个独立高斯过程的总和。确定数量的特征向量可以表示流分量并且基于所执行的光学图像扫描的次数。
在一个示例性实施例中,多次光学图像扫描通过光学相干断层扫描产生,并且是OMAG扫描。从样本的多次光学图像扫描中获取第一流动图像可以包括从样本的多次重复B扫描中生成第一流动图像。
在另一示例性实施例中,通过激光散斑成像、激光多普勒成像、共聚焦显微镜、多光子显微镜、全息术、运动对比摄影和荧光成像之一产生多次光学图像扫描。
在另一示例性实施例中,提供一种配置为从活体组织生成图像的OMAG装置。该装置包括非暂时性计算机可读介质,其中存储有可由计算设备执行的指令,以使计算设备执行从生成的图像中提取组织运动的功能,该功能包括:从样本的多次OMAG扫描中获取第一流动图像,其中,样本包括有流体流通过的生物组织;从多次OMAG扫描中生成向量,向量包括组织分量、流分量和噪声;根据向量估计特征向量和特征值;通过对确定数量的特征向量应用特征回归滤波器来将流分量与组织分量分离;以及去除流动图像中的组织分量。OMAG扫描可以包括样本的多次相邻B扫描。在另一实施例中,OMAG扫描可以包括样本的多次相邻3D扫描。
在一些示例性实施例中,样本包括以下之一:脑、眼、视网膜、肿瘤、心脏、皮肤、肾、口腔、胃肠道、呼吸道、生殖***和耳蜗。
该方法可以用于对脑血管灌注、眼部微循环、皮肤微循环、疾病进展、血管成像或血管造影等进行成像。
通过结合本技术的各个方面实现的协同作用的这些以及其他方面和优点,虽然之前未被公开,但是通过适当地参考附图阅读以下详细描述,对于本领域普通技术人员而言将变得显而易见。
附图说明
图1示出根据至少一个实施例的可以执行以增强样本的流动图像的质量的示例性方法的简化流程图;
图2示出根据至少一个实施例的示例性成像***的示意图;
图3a示出根据至少一个实施例的微流体模型样本的截面视图;
图3b示出根据至少一个实施例的列出在图3a的样本的四个通道中的每一个中在泵速率范围内可预测流速和平均速度的表;
图4a示出根据至少一个实施例的图3a的样本的结构性OCT图像;
图4b示出根据至少一个实施例的图3a的样本的静态组织图像;
图4c示出根据至少一个实施例的图3a的样本的OCTA流动图像;
图4d示出根据至少一个实施例的绘制图3a的样本的通道的速度与OCTA信号的功率的关系的示图;
图4e示出根据至少一个实施例的绘制图3a的样本的通道内的平均频率与速度的关系的示图;
图5示出根据至少一个实施例的在应用特征分解(ED)滤波器之后小鼠脑在两个位置处的结构和流动图像;
图6a至图6b示出根据至少一个实施例的绘制图5中成像的两个位置处的基线和动脉结扎的血管密度的示图;
图7示出根据至少一个实施例的图5中成像的两个位置的平均频率图和频率带宽图;
图8示出根据至少一个实施例的图7中表示的位置的结构、血流、平均频率和带宽的一系列截面图像;
图9示出根据至少一个实施例的绘制图5的两个位置处的平均频率和频率带宽与计数数量的关系的示图;
图10a至图10c示出根据至少一个实施例的在应用ED滤波器之后的二维enface血管造影;
图11示出根据至少一个实施例的提供图10a至图10c的血管造影的度量指标的表;
图12示出根据至少一个实施例的绘制每个位置的重复B扫描的数量与计算成本的关系的示图;以及
图13示出根据至少一个实施例的根据基于ED的方法(诸如图1的方法)获得的一系列图像和根据传统方法获得的一系列图像。
具体实施方式
在以下详细描述中,参考形成其一部分的附图。在附图中,除非上下文另有指示,否则相同的符号通常表示相同的组件。在详细描述、附图和权利要求中描述的说明性实施例并不意味着是限制性的。在不脱离本文提出的主题的精神或范围的情况下,可以利用其他实施例,并且可以进行其他改变。容易理解的是,如本文总体描述的并且在附图中示出的本公开的方面可以以各种不同的配置来布置、替换、组合、分离和设计,所有这些都是本文明确预期的。
概述
光学成像提供非侵入性功能性血管的可视化,因此提供对于活体内微循环组织床内的动态血流的研究。光学成像技术的示例包括光学相干断层扫描(OCT)、OMAG、激光散斑成像、激光多普勒成像、共聚焦显微镜、多光子显微镜、全息术、运动对比摄影和荧光成像等。
血液内移动的细胞就像散射粒子一样,产生动态OCT信号。在一个空间位置随时间从移动的血细胞中获取的OCT信号是时变信号,并且取决于血细胞通过OCT束的方向和速度。每个血细胞促成总接收的时变OCT信号,即,动态散斑信号,由于与通过样本体积的移动有关的有限观察时间,所以该信号具有平均频率和有限频率带宽。动态OCT信号的平均频率与组织床内血细胞移动的平均速度有关。
大块组织移动也促成OCT信号的频率分量。与来自移动血液的动态信号相比,来自大块组织的信号通常包括更低频率。
全血(红细胞、白细胞和悬浮在血浆中的血小板)占受试者活体内总组织体积的约3-7%;因此,是大块组织而非血流占据了给定样本体积的主要部分。
基于特征分解(ED)的分析的统计分析方法提取由于移动的血细胞而引起的动态OCT信号,据此统计地估计与红细胞移动速度有关的特征值的平均频率和频率带宽。平均频率和频率带宽分别指示扫描的组织体积的毛细血管组织床内的血流的平均速度和速度异质性。
本文描述的方法提供指示流动的更清晰图像以及关于毛细血管血流的定量信息两者,如果想要了解微循环如何在健康和患病条件下维持组织完整性,则通常需要这些信息。
图1示出根据至少一个实施例的可以执行以增强样本的流动图像的质量的示例性方法100的简化流程图。
如本文所述,样本可以在诸如人类受试者的受试者中,并且可以是成年人受试者、青少年受试者、婴儿受试者或新生儿受试者。样本可以是活体内样本。
对于本文公开的方法100和其他过程和方法,该流程图示出本实施例的一种可能实现的功能和操作。在这方面,每个框可以表示模块、部段或一部分程序代码,其包括可由处理器执行的一个或多个指令以用于实现该过程中的特定逻辑功能或步骤。程序代码可以存储在任何类型的计算机可读介质上,例如,包括可以由处理器读取或访问的一个或多个计算机可读存储介质的数据存储部,并且可以是固定或可移除硬盘驱动器、闪存、可重写光盘、可重写磁带或上述的一些组合。计算机可读介质可以包括物理和/或非暂时性计算机可读介质,例如,诸如寄存器存储器、处理器高速缓存和随机存取存储器(RAM)之类的短时间存储数据的计算机可读介质。计算机可读介质还可以包括非暂时性介质,诸如辅助或持久性长期存储,例如只读存储器(ROM)、光盘或磁盘、压缩盘只读存储器(CD-ROM)。计算机可读介质还可以是任何其他易失性或非易失性存储***。例如,计算机可读介质可以被认为是计算机可读存储介质、有形存储设备或其他制品。替代地,程序代码、指令和/或数据结构可以经由通信网络经由传播介质上的传播信号(例如,电磁波、声波等)发送。
最初,方法100包括,在框110中,从样本的多次光学图像扫描中获取第一流动图像,其中,样本包括有流体流通过的生物组织。
在一个示例性实施例中,对样本的多次相邻B扫描可以用作多次光学图像扫描以获得时变信号。时变信号包括三个分量:静态组织分量、由于移动的血细胞引起的动态信号、和***噪声。可以获取相同空间位置处的多次扫描以构建B扫描的时间序列。在一个示例性实施例中,可以将整个B扫描视为用于应用特征分解(ED)分析的“体素”,表示为bED。因为活体组织内血液体积的百分比小于7%,所以每个“体素”由大块组织分量主导。
在替代实施例中,方法100可以基于A扫描来执行,其中,A扫描被视为用于应用ED分析的“体素”,并且表示为aED。在又一个实施例中,方法100可以基于3D扫描来执行,其中,3D扫描被视为用于应用ED分析的“体素”。
然后,方法100包括,在框120中,从多次光学图像扫描中生成向量,该向量包括组织分量、流分量和噪声。
假设在一个位置捕获了N次重复扫描,则扫描信号可以统一表示为2-D向量形式:
x=[x(1),x(2),…,x(N)]T (1)
这里,N是整体大小,x(i)表示第i次扫描(i=1,2,...,N)。上标T表示矩阵转置。
作为来自大量独立散射的信号的总和,应用中心极限定理,表明x是零均值高斯随机过程。向量x具有复高斯概率密度函数,其零均值由下式给出:
这里,x*T是x的复共轭转置(Hermitian转置),并且相关矩阵Rx定义如下:
Rx=E{xx*T} (3)
这里,E{*}是参数(argument)的期望值。
OCT信号x是静态分量(xs)、移动血液分量(xb)和白噪声(xn)的总和。每个向量的信号可以由下式给出:
x=xs+xb+xn (4)
目标是将移动血液信号xb从x分开。
假设这三个信号分量在统计上彼此不相关,则可以通过下式给出等式4的相关矩阵:
这里,Rs是静态相关矩阵,Rb是移动血液相关矩阵,是噪声方差,并且I是NxN单位矩阵。
然后,方法100包括,在框130中,根据向量估计特征向量和特征值。
为了将OCT信号分离成其信号子集,可以使用离散卡洛南-洛伊(Karhunen-Loeve)变换(DKLT),其正交地分解一般的非平稳随机信号,并且可以被认为是对于非平稳随机过程的常规傅立叶分析的泛化。DKLT基于相关矩阵的特征向量分解,其中,特征向量和特征值通过求解下式来获得:
Rxei=λiei (6)
相关矩阵Rx是Hermitian对称和半正定。然后能够找到N个正交特征向量e1、e2、…、eN以及对应的特征值λ1、λ2、…、λN,它们是非负实数。相关矩阵可以用以下形式的特征值和特征向量写出:
Rx=EΛE*T (7)
这里,T是Hermitian转置运算,并且Λ和E分别是特征值(λ1>λ2>…>λN)和特征向量矩阵,定义为:
Λ是特征值的NxN对角矩阵,按降序排序。E是特征向量的NxN酉矩阵。接收到的OCT信号中的总能量等于所有特征值的总和。因此,特征值分布是信号谱的量度。在这种情况下,特征值谱是傅立叶功率谱的泛化。
然后,该方法包括,在框140中,通过对确定数量的特征向量应用特征回归滤波器来将流分量与组织分量分离。
每个特征向量及其对应的特征值表示要分析的信号的子集。最高特征值包含信号的最高能量含量。最高特征值的特征向量描述具有最高能量的信号的信号谱内容。特征向量的频率变换给出对应信号分量的信号谱。因此,每个特征向量与特定频带相关。
根据特征值/能量谱,静态信号源自静止且缓慢移动的组织或粒子,其在低频中占主导并且集中在与低频特征向量对应的若干特征值中。来自快速移动的血液的信号使大部分能量集中在具有更高频率分量的特征向量上。噪声在所有特征向量具有相等的能量。因此,通过应用特征回归滤波,可以最大程度地抑制静态分量以最小失真地保留流动信号,其中,滤波器用于识别和去除表示静态组织信号的特征分量。
因为静态组织分量主导X,所以它们促成第一Kc特征分量。假设Kc个特征分量对应于静态组织信号,则特征回归滤波器可以被解释为具有(Kc-1)的滤波器阶数。对于啮齿动物脑成像,例如,Kc=1足以从OCT信号中去除静态信号以便对比血流。该静态组织信号抑制方法固有地适应于A扫描(或重复B扫描),因为其回归滤波器的衰减响应是根据整体信号合成中的特征分量来定义的。
信号的功率谱是由下式定义的自相关函数的傅里叶变换:
如果频率分量在间隔(-π,π)上具有频谱支持,则表示存在血流的信号功率(即OCTA信号)可以简化如下:
信号频谱的平均频率(MF)ωm表示扫描组织体积内血流的平均速度,并且频谱的频率带宽(BF)B2(与流量波动有关(流量的时间异质性))可以通过下式定义:
并且
可以使用以下给出的众所周知的滞后(lag-one)自相关方程来获得谱矩的估计:
其中
这里,R(1)k是第k个特征向量的滞后自相关值,FPS是采样速率,并且ND是特征向量的数量。
然后,该方法包括,在框150中,去除第一流动图像中的组织分量。可以通过抑制来自第一流动图像的组织分量来去除该组织分量。在图4a至图4c和图5的图像500-514中示出通过诸如方法100的方法去除组织分量之前和之后的图像的示例。
方法100提供来自静态大块组织的流动信号的非侵入性、高效且有效的区分,其可以用于随后抑制不需要的大块组织并因此增强流动图像的质量。方法100是在活体内微循环组织床内对比功能性血管网络的高效方法;通过将光学扫描视为体素并因此将ED应用于整个扫描,产生流动图像的计算时间大大减少,同时提供优异的成像。由于减少了产生优质图像的计算时间,因此方法100对于实时实现可能是实用的。
待成像的样本可以包括例如脑、肿瘤、皮肤、肾、胃肠道、生产***和耳蜗。人体的其他部分也可以使用方法100来成像。方法100可以用于许多生物医学成像应用,例如,诸如对脑血管灌注、视网膜微循环、皮肤微循环、疾病进展(例如,肿瘤进展)、眼后血管成像或血管造影进行成像。
对于方法100,流动图像可以是来自OCT/OMAG***的直接图像。在另一实施例中,流动图像可以是从激光散斑成像中获得的连续散斑帧。可以设想其他成像技术,以获得针对应用方法100的合适图像。
图2示出根据至少一个实施例的示例性成像***200的示意图。成像***200是光谱域OCT***,包括超辐射发光二极管(SLD)202、循环器204、2×2光纤耦合器206、镜片208、准直透镜210、y扫描器212、x扫描器214、物镜216、准直器218、光栅220、透镜222和砷化铟镓(InGaAs)CCD相机224以及处理单元226。在一个示例性实施例中,示例性成像***200可以与方法100一起使用。在另一实施例中,示例性成像***200可以是扫频源OCT***。
示例性图像增强方法
a.OMAG
在最近的研究中,生成了特征回归滤波器,并且应用于光学图像扫描,以提取由于移动的红细胞而引起的动态OCT信号。这种提取可以用于计算关于动态流动信号的重要参数,包括血流的频谱功率、平均频率和频率带宽、血流的速度和速度带宽。
在该研究中,使用诸如成像***200的成像***。该成像***是基于光纤的SD-OCT***,其采用具有中心波长为1340nm且带宽为110nm的超辐射发光二极管(SLD),在空气中提供约7μm的轴向分辨率。在样本臂中,使用10倍扫描物镜将光传递到样本上,实现约7μm的横向分辨率。检测***是快速光谱仪,其采用线扫描速率为92kHz的线扫描相机来捕获参考光和样本光之间形成的光谱干涉图。在样本表面探测光功率为3.5mW时,***的动态测量范围为105dB。探测波束扫描、数据获取和数据存储的操作由LabVIEWTM编写的定制软件包控制。
在SD-OCT***上使用M-B扫描协议,即重复的B扫描,时间间隔为50μs至2.5ms,以检测快速流动(定义为高达5mm/s)和慢速流动(定义为约100μm/s)。如此宽的范围是因为毛细血管流动的宽速度范围,从每秒数百微米到每秒几毫米。使用50次A扫描来在相同的空间位置重复,A扫描速率为20kHz。在相邻A扫描位置之间具有均匀间隔的200次A扫描,在快轴(x方向)上形成一次B扫描,成像区域为1.4mm。在慢轴(y方向)上,捕获在相邻B扫描位置之间具有均匀间隔的200次B扫描以达到1.4mm。
在使用该扫描协议进行3D体积数据获取之后,生成血流的血管图像、平均频率和频率带宽。相对较大的血管(>30μm)被排除在分析之外,因为这些血管中的流量可能非常快,以至于它们将超过使用当前扫描协议设定为5mm/s的流量测量极限。
图3a示出根据至少一个实施例的微流体模型样本300的截面视图。包括聚二甲基硅氧烷(PDMS)/TiO2纳米复合材料的散射模型由四个等高(40μm)微流体通道310、312、314和316组成,每个通道灌注具有预定流动速度的5%溶液,并且位于与玻璃基板305之间的界面处。通道310包括120μm的宽度,通道312包括60μm的宽度,通道314包括30μm的宽度,并且通道316包括15μm的宽度。
微流体通道中的5%的流动由外部精密注射泵驱动。由于通道设计基于二分和对称策略,因此每个子通道中的流动参数是可预测的。此外,对称设计在每个微流体通道中提供恒定的平均流动速度。
图3b示出表350,其列出在四个通道中的每一个中在泵速率范围内的可预测流速和平均速度。在表350中,通道310被称为D1,通道312被称为D2,通道314被称为D3,并且通道316被称为D4。
图4a示出根据至少一个实施例的图3a的扫描样本的结构性OCT B扫描图像400。图4b示出根据至少一个实施例的图3a的扫描样本的静态组织B扫描图像410。将ED滤波器(诸如以上参考方法100所讨论的)应用于从微流体模型样本300获取的3D数据,并且图4c示出根据至少一个实施例的在应用ED滤波器之后的图3a的扫描样本的基于光学相干断层扫描的血管造影(OCTA)流动图像420。
每个特征向量对应于每个通道中的特定频率或速度。通过对每个通道中的所有频率求平均,可以针对应用于微流体通道的每个泵速率而获得平均频率。在根据不同的泵速率计算信号功率和平均频率之后,获得速度与信号功率/强度和平均频率的关系,并且总结在图4d至图4e中。图4d示出曲线430,其根据至少一个实施例绘制图3a的扫描样本的四个通道内的速度与OCTA信号的功率/强度的关系。在图4d中,通过ED量化方法分解的信号功率随着流动速度的增加而增加并且渐近地接***稳。
图4e示出曲线440,其根据至少一个实施例绘制图3a的扫描样本的四个通道内的速度与平均频率的关系。在图4e中,所有通道的平均频率和流动速度之间的关系显示出具有相同的线性关系,在给出的所有速度中,D1通道310的平方皮尔逊(Pearson)相关系数为0.983,D2通道312为0.982,D3通道314为0.970,并且D4通道316为0.920。无论通道大小如何,平均频率与流动速度的近似一对一关系表明ED量化方法能够精确地测量具有不同尺寸的毛细血管中的速度。
ED量化方法还能够检测缺血性损伤的脑毛细血管反应(在远端大脑中动脉闭塞(dMCAO)模型中)。皮质组织床内的毛细血管流动应表现出异质性,并且缺血性损伤会改变这种异质性。图5示出根据至少一个实施例的在应用ED滤波器之后在两个位置处的小鼠脑的体积成像结果的结构和流动enface投影图像。
在受影响的脑区域中选择两个区域以提供在脑血管形态和毛细血管流动方面上对dMCAO的响应的变化的定量评估。这种选择的目的是为了检查量化的一致性,因为这两个区域的响应应该大致相同。
dMCAO之前和之后的脑组织和血管形态的变化总结在图5的图像500-514中,其通过扫描组织体积的3D结果的enface投影获得。两个选定位置的扫描位置改变,因为需要动物从成像平台移动到手术台以进行dMCA的手术结扎以诱发dMCAO,然后放回成像平台进行下一次成像会话。当比较dMCA结扎之前的结果(在图像500-506中示出)和之后的结果(在图像508-514中示出)时,在OCTA图像上清楚地观察到血流和毛细血管密度的降低。
进行定量分析以计算dMCA结扎之前和之后血管密度的变化。血管密度的形态学参数被定义为血管占据的面积与总扫描面积的比率。由于扫描位置的变动,适当的量化需要共同配准,以便对dMCA结扎之前和之后的同一区域(感兴趣区域,ROI)进行比较。ROI的共同配准被示出为图5的图像502、506、510和514中的图像对中的白色框,在其上评估血管密度。
对于位置1和位置2,结果分别在图6a和图6b中示出。图6a至图6b示出根据至少一个实施例的绘制图5中成像的两个位置处的对于基线和颈总动脉结扎的血管密度的示图600和650。两张图均显示dMCA结扎后血管密度降低约30%,表明当前实验中的dMCA结扎导致皮质组织中约1/3毛细血管血流停止,导致受影响区域出现轻度缺血。
图7示出根据至少一个实施例的图5中成像的两个位置的平均频率图和频率带宽图。图5中所示的OCT血管造影图像不提供关于结扎之前和之后关于毛细血管速度或流动信息的直接信息。然而,利用基于ED的定量算法,通过比较图像700和740中结扎之前与图像710和750中结扎之后的结果,在enface MF图上观察到毛细血管流动的减少。
根据微流体模型研究,当前具有20kHz A线速率的扫描协议能够提供0至5mm/s的速度范围的测量,在该范围内,速度与平均频率(从0到约2000Hz)成线性关系。观察到图7中所示的小鼠脑中的MF范围是从0到约1200Hz,其对应于0到约3mm/s范围内的速度。
图像720、730、760和770中的频率带宽图反映了毛细血管流动的时间异质性。在毛细血管或穿透毛细血管中清楚地观察到这种异质性,特别是在dMCA结扎后毛细血管的下游。比较dMCA结扎之前和之后的结果,毛细血管流动速度随着脑区域中dMCAO的诱发而降低。
图8示出根据至少一个实施例的图7的图像700、710、740和750中表示的位置处的结构、血流、平均频率及其带宽的一系列截面图像。
图9示出根据至少一个实施例的绘制图5的两个位置处的平均频率和频率带宽与计数数量的关系的示图。直方图分布示出图9的图900和910中毛细血管流动的空间异质性。在dMCA结扎后,可以清楚地看到毛细血管流动的减少,但毛细血管流动仍具有空间异质性。为了更清楚地示出毛细血管流动如何减少,我们在dMCA结扎之前和之后进行了直方图功能的区分。其结果作为图9中的***物提供,其中可以得出结论,在dMCA结扎后,大部分毛细血管中的毛细血管流动在统计上变化到慢速,而更快的流动速度的计数变得更少。对于图920和930中毛细血管流动的时间异质性也是如此。毛细血管血流动的这种表现表征缺血性损伤,因为缺少来自远端大脑中动脉的灌注。
在另一OMAG***示例中,通过使用具有92kHz成像速度的谱域OCT***进行小鼠脑血流的成像。工作波长为1310nm,频谱带宽约为80nm。使用覆盖小鼠皮质上2mm×2mm区域的扫描协议来捕获体积数据集。每次B扫描由240次A扫描(在x轴上)组成,其中每次A扫描中具有1024个像素(在z轴上)。在慢扫描y轴中,有240个位置。在每个位置处,收集多个重复B扫描(N=8),在其上应用诸如上述方法100的方法以分离由于来自组织信号的流动而引起的移动信号。然后形成单个B扫描血管造影图像。
这里,我们将传统的基于体素(或基于像素)的ED(vED)方法与基于A扫描的ED(aED)或基于B扫描的ED(bED)方法之间的血管成像性能进行比较。对于传统的基于体素的ED方法,3×3像素被认为是使结果平滑的体素。这种处理是合适的,因为B扫描的成像视图内相邻样本体积更可能共享类似的统计数据,从而获得最终结果的平滑效果。
图10a至图10c示出根据至少一个实施例的在应用ED滤波器之后的二维enface血管造影。通过沿距离皮质表面0.5mm的深度投射三维ED-OMAG值来生成二维enface血管造影片。选择0.5mm的深度是因为在该处OCT信号衰减不显著。结果显示在图10a至图10c中,其中,图像是使用最大强度投影产生的。
进行血管造影片的定量评估。图11示出根据至少一个实施例的提供图10a至图10c的血管造影的度量指标的表1100。图11中列出了三个指标:成像信噪比(SNR)、图像对比噪声比和血管连通性。如表1100所示,基于整个A扫描的ED分析(aED)和基于整个B扫描的ED分析(bED)具有比基于体素的ED(vED)更大的信噪比(SNR)值和对比度值,这表明他们在这些类别中性能更好。aED和bED中血管连通性的更低值意味着血管***连接性能更好。aED和bED的更好性能证实了在ED分析中应用整个B扫描或A扫描使得流动和组织信号之间的统计分类比使用单个像素或体素(如在vED中那样)更好。
图12示出根据至少一个实施例的曲线图1200,其绘制了每个位置的重复B扫描的数量与计算成本的关系。图1200示出通过在N从2到16的范围内应用每个算法来产生截面(B扫描)流动图像所需的计算时间。ED算法在处理语言中编码,在使用Xeon E5345(2.33GHz)处理器和16GB随机存取存储器(RAM)的7Pro计算机上运行。通过将第一特征分量作为静态组织信号,从测量的复合OCT信号中提取血流信号。报告400个随机选择的B扫描的计算时间的平均值和标准差。具有误差条的所得计算成本在图1200中绘制为分别针对vED、aED和bED算法产生血流B扫描所需的B扫描的重复次数的函数。
在图1200中可以看出,vED算法花费大约恒定的时间(约15秒),以生成所有N的截面流动图像。然而,aED和bED算法的计算时间随着B扫描重复数量的增加而增加。示出bED的显著计算成本节省,其仅需要约1/3的aED计算时间和1/750的vED计算时间。因此,对于实时实现基于OCT的血管造影的测量光学图像信号的统计ED,bED比aED或vED更实用。
b.激光散斑成像
在另一项研究中,制备了一种简单的透射激光散斑成像(LSI)***,其中来自激光二极管的准直光束用于从底部照射样本。然后通过变焦镜头收集漫射的透射光并将其中继到CCD相机上。CCD相机的采集速率为每秒125帧、曝光时间为0.2毫秒,其连续记录由移动的红细胞引起的波动的散斑强度。
将小鼠耳廓用于实验,并且使用诸如参考等式1-12描述的特征回归来应用诸如方法100的方法,以提取移动的散斑信号以映射组织内的血液灌注。
图13示出根据示例性实施例的根据基于ED的方法(诸如图1的方法100)获得的一系列图像和根据传统方法获得的一系列图像。图13示出分别根据N=4、8和16获得的图像1302、1304和1306。图像1302-1306不仅示出小动脉和小静脉,而且还示出微血管消退,其中主-支血管显得更亮,可能是由于通过这些血管的血流更快。为了比较,在图13的图像1308、1310和1312中也示出了使用传统LSI方法的散斑图像。从图像1302、1304和1306相对于图像1308、1310和1312的比较可以看出,由于在血管造影图像的重建中消除了静态组织分量,所以基于ED的方法更有效地提取慢血流的动态散斑信号。
虽然本文已经公开了各种方面和实施例,但是其他方面和实施例对于本领域技术人员而言将是显而易见的。本文公开的各个方面和实施例是出于说明的目的而不是限制性的,真正的范围和精神由所附权利要求以及这些权利要求所赋予的等同物的全部范围表示。还应当理解,本文中使用的术语仅是为了描述特定实施例的目的,并不旨在限制。
Claims (21)
1.一种用于增强样本的流动图像的质量的方法,包括:
从样本的多次光学图像扫描中获取第一流动图像,其中,所述样本包括有流体流通过的生物组织;
从所述多次光学图像扫描中生成向量,所述向量包括组织分量、流分量和噪声;
根据所述向量估计特征向量和特征值;
通过对确定数量的所述特征向量应用特征回归滤波器来将所述流分量与所述组织分量分离;以及
去除所述第一流动图像中的所述组织分量。
2.根据权利要求1所述的方法,其中,从所述样本的所述多次光学图像扫描中获取所述第一流动图像包括:
在所述样本的单个位置处获取重复的光学图像扫描;以及
生成所述光学图像扫描的时间序列。
3.根据权利要求1-2中任一项所述的方法,其中,所述向量是二维向量。
4.根据权利要求1-3中任一项所述的方法,其中,从所述多次光学图像扫描中生成所述向量包括:将来自所述多次光学图像扫描的信号建模为包括所述组织分量、所述流分量和所述噪声的至少三个独立高斯过程的总和。
5.根据权利要求1-4中任一项所述的方法,其中,所述确定数量的特征向量基于所进行的光学图像扫描的次数。
6.根据权利要求1-5中任一项所述的方法,其中,包括所述确定数量的特征向量的特征向量表示所述流分量。
7.根据权利要求1-6中任一项所述的方法,其中,所述多次光学图像扫描是通过光学相干断层扫描而产生的,并且是光学微血管造影(OMAG)扫描。
8.根据权利要求7所述的方法,其中,从所述样本的所述多次光学图像扫描中获取所述第一流动图像包括:从所述样本的多次重复B扫描中生成所述第一流动图像。
9.根据权利要求1-6中任一项所述的方法,其中,通过激光散斑成像、激光多普勒成像、共聚焦显微镜、多光子显微镜、全息术、运动对比摄影和荧光成像之一产生所述多次光学图像扫描。
10.根据权利要求1-9中任一项所述的方法,其中,所述流体流是血流,且其中,所述方法还包括量化所述生物组织内的血液灌注。
11.根据权利要求10所述的方法,其中,量化所述生物组织内的血液灌注包括:计算平均毛细血管流动速度和毛细血管流动异质性。
12.根据权利要求10所述的方法,其中,去除所述第一流动图像中的所述组织分量与血液灌注组织内的静态组织的血流形成对比。
13.一种用于活体成像的***,包括:
光学微血管造影(OMAG)装置,配置为从活体组织生成图像;和
非暂时性计算机可读介质,其中存储有可执行指令,以使计算设备执行权利要求1-12中任一项所述的方法。
14.一种光学微血管造影(OMAG)装置,配置为从活体组织生成图像;并且非暂时性计算机可读介质中存储有可由计算设备执行的指令,以使所述计算设备执行从所生成的图像中提取组织运动的功能,所述功能包括:
从所述样本的多次OMAG扫描中获取第一流动图像,其中,所述样本包括有流体流通过的生物组织;
从所述多次OMAG扫描中生成向量,所述向量包括组织分量、流分量和噪声;
根据所述向量估计特征向量和特征值;
通过对确定数量的特征向量应用特征回归滤波器来将所述流分量与所述组织分量分离;以及
去除所述流动图像中的所述组织分量。
15.根据权利要求14所述的装置,其中,所述样本的多次OMAG扫描包括所述样本的多次相邻B扫描。
16.根据权利要求14-15中任一项所述的装置,其中,从所述样本的所述多次OMAG扫描中获取所述第一流动图像包括:
在所述样本的单个位置处获取重复的OMAG扫描;以及
生成所述OMAG扫描的时间序列。
17.根据权利要求14-16中任一项所述的装置,其中,所述确定数量的特征向量基于所进行的OMAG扫描的次数。
18.根据权利要求14-17中任一项所述的装置,其中,从所述多次OMAG扫描中生成所述向量包括:将来自所述多次OMAG扫描的信号建模为包括所述组织分量、所述流分量和所述噪声的三个独立高斯过程的总和。
19.根据权利要求14-18中任一项所述的装置,其中,所述向量是二维向量。
20.根据权利要求14-19中任一项所述的装置,其中,所述样本包括以下之一:脑、眼、视网膜、肿瘤、心脏、皮肤、肾、口腔、胃肠道、呼吸道、生殖***和耳蜗。
21.根据权利要求20所述的装置,其中,所述装置用于对脑血管灌注、眼部微循环、皮肤微循环、疾病进展、血管成像或血管造影进行成像。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662398163P | 2016-09-22 | 2016-09-22 | |
US62/398,163 | 2016-09-22 | ||
PCT/US2017/052869 WO2018057838A1 (en) | 2016-09-22 | 2017-09-22 | Methods and systems for enhancing optical image quality |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110291556A true CN110291556A (zh) | 2019-09-27 |
Family
ID=60081268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780058044.1A Pending CN110291556A (zh) | 2016-09-22 | 2017-09-22 | 增强光学图像质量的方法和*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US10909683B2 (zh) |
CN (1) | CN110291556A (zh) |
WO (1) | WO2018057838A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111317500A (zh) * | 2020-02-21 | 2020-06-23 | 孙磊 | 基于胎心胎动信号的智能穿戴*** |
CN111493853A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种针对血管性皮肤病的血管参数评价方法及*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220039651A1 (en) * | 2020-08-05 | 2022-02-10 | LighTopTech Corp. | Apparatus and methods for three dimensional optical imaging of dynamics with reduced motion artifacts |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120063665A1 (en) * | 2009-05-04 | 2012-03-15 | Oregon Health & Science University | Method and apparatus for quantitative imaging of blood perfusion in living tissue |
US20140316286A1 (en) * | 2013-04-22 | 2014-10-23 | Covidien Lp | System and method for determining respiratory parameters from blood flow signals |
US20160066798A1 (en) * | 2013-04-09 | 2016-03-10 | University Of Washington Through Its Center For Commercialization | Methods and Systems for Determining Hemodynamic Properties of a Tissue |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8208709B2 (en) | 2008-04-17 | 2012-06-26 | The Ohio State University Research Foundation | System and method for improved real-time cine imaging |
-
2017
- 2017-09-22 US US16/332,524 patent/US10909683B2/en active Active
- 2017-09-22 WO PCT/US2017/052869 patent/WO2018057838A1/en active Application Filing
- 2017-09-22 CN CN201780058044.1A patent/CN110291556A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120063665A1 (en) * | 2009-05-04 | 2012-03-15 | Oregon Health & Science University | Method and apparatus for quantitative imaging of blood perfusion in living tissue |
US20160066798A1 (en) * | 2013-04-09 | 2016-03-10 | University Of Washington Through Its Center For Commercialization | Methods and Systems for Determining Hemodynamic Properties of a Tissue |
US20140316286A1 (en) * | 2013-04-22 | 2014-10-23 | Covidien Lp | System and method for determining respiratory parameters from blood flow signals |
Non-Patent Citations (1)
Title |
---|
CHIHIRO KASAI ET AL.: "Real-Time Two-Dimensional Blood Flow Imaging Using an Autocorrelation Technique", 《IEEE TRANSACTIONS ON SONICS AND ULTRASONICS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111317500A (zh) * | 2020-02-21 | 2020-06-23 | 孙磊 | 基于胎心胎动信号的智能穿戴*** |
CN111493853A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种针对血管性皮肤病的血管参数评价方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2018057838A1 (en) | 2018-03-29 |
US10909683B2 (en) | 2021-02-02 |
US20190213738A1 (en) | 2019-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11471057B2 (en) | Single-impulse panoramic photoacoustic computed tomography (SIP-PACT) | |
US10617303B2 (en) | Functional optical coherent imaging | |
Wang et al. | Optical coherence tomography angiography-based capillary velocimetry | |
Chang et al. | In vivo visualization of vasculature in adult zebrafish by using high-frequency ultrafast ultrasound imaging | |
US20160066798A1 (en) | Methods and Systems for Determining Hemodynamic Properties of a Tissue | |
EP3136951A1 (en) | Multimodal transcranial brain optical imaging | |
CN110291556A (zh) | 增强光学图像质量的方法和*** | |
US20230172448A1 (en) | Systems and methods for performing gabor optical coherence tomographic angiography | |
Deán-Ben et al. | Noninvasive three-dimensional optoacoustic localization microangiography of deep tissues | |
US20140073915A1 (en) | Apparatus and method for volumetric imaging of blood flow properties | |
Qin et al. | High-resolution in vivo imaging of rhesus cerebral cortex with ultrafast portable photoacoustic microscopy | |
WO2023039353A2 (en) | Real-time super-resolution ultrasound microvessel imaging and velocimetry | |
CN114209278A (zh) | 一种基于光学相干层析成像的深度学习皮肤病诊断*** | |
Qureshi et al. | Advances in laser speckle imaging: from qualitative to quantitative hemodynamic assessment | |
CN111436909B (zh) | 一种活体组织的光学相干层析成像***及方法 | |
Vymazalová et al. | The possibilities of studying human embryos and foetuses using micro-CT: a technical note | |
Zhao et al. | Separation of cortical arteries and veins in optical neurovascular imaging | |
Tang et al. | Non-invasive Deep-Brain Imaging with 3D Integrated Photoacoustic Tomography and Ultrasound Localization Microscopy (3D-PAULM) | |
US20190099083A1 (en) | Information processing apparatus and information processing method | |
JP4068098B2 (ja) | 血流測定装置 | |
Chen et al. | Measuring absolute microvascular blood flow in cortex using visible-light optical coherence tomography | |
Di Ianni et al. | Deep-fUS: functional ultrasound imaging of the brain using deep learning and sparse data | |
Chen | Spectral and temporal interrogation of cerebral hemodynamics via high speed laser speckle contrast imaging | |
Karanasiou | Functional brain imaging using non-invasive non-ionizing methods: towards multimodal and multiscale imaging | |
Ozbek | Exploring Multi-dimensional Sparsity for Ultrafast Volumetric Optoacoustic Tomography |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190927 |
|
WD01 | Invention patent application deemed withdrawn after publication |