2017, Vol. 39
Issue (1): 73-80
2. 上海理工大学医疗器械与食品学院, 上海 200093
2. School of Medical Instrument and Food Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China
目前, 基于光谱成像 (SI) 的遥感技术 (RST) 已经在农业生产监测、煤矿挖掘、目标识别和检测、灾难预警、军事勘测以及城市规划等方面得到了广泛的应用[1]。高光谱成像 (HSI) 技术的出现和快速发展是遥感技术又一个新的重要应用。
在医学应用领域, 高光谱成像仍是一项比较新的技术。到目前为止, 组织病理学仍然是各种癌症诊断的黄金标准, 但是, 这种方法对人体有很大的损伤且成本比较高, 最终的诊断结果仍取决于病理学专家的主观判断[2], 诊断的结果难免会具有一定的片面性。最重要的是, 检查一个疑似肿瘤的病理学组织切片通常需要花费几天的时间[3]。核磁共振成像 (MRI)、X射线断层摄影术 (CT) 以及超声波检查法等技术虽然已经发展成为现代生物医学的主流成像技术, 但其最大的困难之一是成像时器官和周围的组织区分得不是特别明显, 当需要检测的物体在不断运动的时候, 整个检测过程将会变得更具有挑战性[4]。高光谱成像技术的出现将会为各种疾病的诊断以及外科手术的指导提供参考[5]。
基于生物组织光学特性的不同, 高光谱成像技术按照测量模式的不同可以分为三大类:反射式高光谱[6]、透射式高光谱[7]以及与荧光技术结合的反射式高光谱[8]。荧光和反射模式相结合的技术[8-9]一般用于鉴定生物分子或者诊断各种组织的表面形态。透射模式通常和显微镜相结合[7, 10], 用来测量入射光透过生物组织后的光强。在高光谱的实际应用中, 反射模式应用最为广泛[11]。例如, Akbari等[12]利用近红外 (1 000~2 500 nm) 高光谱成像技术并结合支持向量机 (SVM) 算法来检测10个人体的胃组织, 最终确定1 226~1 251 nm和1 288~1 370 nm波段的光谱作为测量正常组织和癌变组织的光谱, 能为医生在手术时提供安全边距, 也能检测手术之后癌变组织是否被完全切除干净。Nouri等[13]利用高光谱成像系统结合波段转换与选择的方法在实验中检测猪的输尿管, 实验证明波段选择法比波段转换法提供的信息更多, 但是波段转换法中波段与波段之间的相关性更低。
本文主要介绍反射式高光谱在可见光到近红外波段 (400~1 100 nm) 在人体生物组织检测方面的应用及反射式高光谱成像系统的工作原理。
1 高光谱成像系统的关键步骤及工作原理高光谱成像系统如图 1所示[14], 白光均匀地照射在组织上, 入射狭缝的作用是限制光谱带宽, 即决定了高光谱系统的光谱分辨率, 然后经过准直透镜进行准直, 之后再通过散光装置 (目前主要的散光装置有棱镜、光栅、声光可调滤光器 (AOTF) 和液晶可调谐滤光片 (LCTF)) 将白光分成一系列窄带光谱, 这些光谱通过聚焦透镜聚焦在探测器阵列上。为了得到比较理想的图像, 探测器的光谱响应值一般应调节在其最大光谱响应值的80%左右。
|
图 1 高光谱成像系统 Figure 1 Hyperspectral imaging system |
高光谱成像系统能产生三维信息, 包括二维空间成像信息和第三维光谱信息, 即能同时提供实验对象的光谱 (即化学信息) 和图像 (即物理信息) 特征[15], 如图 2所示[16]。利用高光谱成像技术对组织进行检测时, 光能够穿透生物组织一定的厚度, 由于生物组织结构的不均一性, 光在各个方向发生散射, 血红蛋白、黑色素和水会吸收不同波长的光[17], 所以, 不同组织或者器官的反射光谱取决于自身的生物化学和组织学特性[18], 为鉴别正常组织和癌变组织提供了强有力的依据。
|
图 2 高光谱图像三维信息示意图 Figure 2 Hyperspectral image three dimensional information diagram |
舌癌是一种恶性肿瘤, 刚开始只是一个比较硬的小白块或者溃疡, 但是会慢慢扩散到身体的其他部位并危及生命。Liu等[2]在2011年利用基于AOTF (AOTF没有可移动的单元, 因此不会受到方位变换或者机械振动等的干扰, 是一种具有高输出和高速可编程装置的大视场可调谐滤波片) 的医学高光谱成像系统 (600~1 000 nm) 测量并分析了人舌的反射光谱, 如图 3所示[2], 然后采用稀疏表示 (SR) 的算法判断每一个像素点是正常的还是癌性的。他们首创性地构建了自己的舌肿瘤图像数据库, 其中包括65个肿瘤组织和34个部分肿瘤组织。图 4所示为肿瘤组织和正常组织的归一化反射光谱曲线, 两者之间的差异能有效地帮助我们区分肿瘤组织和正常组织[2]。
|
图 3 舌的高光谱图像立方体 Figure 3 Hyperspectral image cube of tongue |
|
图 4 反射光谱 Figure 4 Reflectance spectra |
为了验证实验数据处理方法的优越性, Liu等还将自己的方法和支持向量机 (SVM)[19]以及关联向量机 (RVM)[20]进行比较, 如图 5所示[2]。实验结果表明识别率最高时可以达到96.5%, 如果能将样本的数量再进一步扩大并尝试其他的数据处理方法, 或许会有更好的效果。虽然最终的结果还要让医生进行鉴定, 但是此实验系统提供的小型数据库可以在医生进行舌诊断时提供非常有用的参考。
|
图 5 样品测试的实验结果比较 Figure 5 The relative result of sample test |
Lee等[21]于2009年利用基于LCTF的高光谱系统 (650~1 100 nm) 在实验中检测猪的正常肺和模拟的吸烟者的人肺的差异, 其中LCTF的调谐、图像的获取以及数据的存储都通过C++编程实现。由于获得的数字图像包含系统的补偿和增益, 它们会随着时间的推移而发生改变, 所以有必要进行光学校准。图 6显示了LCTF由双卤素灯照射下在波长650~1 100 nm之间的透射特性[21], 表征了可调谐滤波器的校准状况, 然后根据不同空间坐标在相对应波长处的模型公式I (x, y, λk)=L (x, y, λk) S (x, y, λk)·R (x, y, λk)+O (x, y, λk)[22]进行校准, 其中I (x, y, λk) 代表高光谱图像中空间坐标点 (x, y) 和波长λk, L (x, y, λk) 代表光照度, S (x, y, λk) 代表系统光谱响应, R (x, y, λk) 代表反射率, O (x, y, λk) 代表暗电流和杂散光引起的误差。
|
图 6 可调谐滤波片的透射特性 Figure 6 Transmission characteristic of tunable filter |
校准之后, 分别从肺的三个不同部位 (左肺、右肺和心切迹) 选取10 000个像素点求其平均值, 图 7所示为猪的健康肺和模拟的吸烟者的肺的光谱区别[21]。两种组织有相似的光谱形状, 但是模拟的吸烟者的肺的反射率明显高于正常肺。因此, 此实验结果有助于我们区别健康肺和不健康的肺。
|
图 7 健康肺和模拟的吸烟者肺的反射光谱比较 Figure 7 Comparison of reflectance of healthy lung and simulated smoker's lung |
虽然实验结果比较明显, 但是猪肺和人肺之间还是存在很大的差异性, 所以下一步的工作如果能都用人肺进行比较会具有更强的说服力。
2.3 用宏观的高光谱方法检测癌症转移直到2012年才有人提出用高光谱技术对病理组织切片进行成像来检测癌症, Akbari等[23]采用波带宽度为450~950 nm的光谱相机来检测人体头和脖子的癌细胞转移。他们将高度扩散的癌细胞转移到老鼠身上, 大约2~3周以后将老鼠的淋巴结和肺组织做成病理切片, 然后利用高光谱进行成像, 如图 8所示[23]。
|
图 8 老鼠淋巴结病理切片的高光谱图像 Figure 8 Hyperspectral images of histologic slide of mouse lymph node tissue |
而后, 将高光谱收集到的不同组织的高维度数据利用支持向量机算法进行分类, 区分正常的像素点和癌变的像素点, 建立实验的训练集, 图 9分别为老鼠淋巴结和肺组织的正常组织和癌变组织的反射光谱图[23], 可以有效地区分正常组织和癌变组织。建立训练集以后, 用支持向量机算法对其余的组织进行评价, 其敏感度和特异性[24-25](也是一种统计学测量方法) 在肺病理切片和淋巴结病理切片中分别为97.7%和92.6%以及98.3%和96.2%, 取得了很好的效果。
|
图 9 老鼠的正常和癌变组织的平均光谱曲线图 Figure 9 The mean spectral signatures of the cancerous and normal tissues in mice |
用高光谱成像技术检测病理切片的方法为研究癌症的扩散机制以及治疗癌症的方法提供了一种全新的途径, 在医学上具有重要的现实意义。
2.4 用高光谱直接监测人体皮肤水肿组织发炎的时候通常会伴随局部组织积水, 称为水肿, 可能会导致组织感染、淋巴结堵塞以及癌症等。Stamatas等[26]用高光谱成像技术检测皮肤水肿和红疹, 水肿和红疹是通过电离子透入疗法将组胺通过皮肤注射到体内产生的, 图 10分别为注射不同剂量的组胺所产生的水肿和红疹的效果[26], 水肿和红疹的明显程度取决于组胺的剂量。水肿的区域随着组胺剂量的增大而增大, 而红疹却在到达一定程度后保持稳定甚至衰减, 主要是因为水肿挤压削弱了深处血管的扩张, 红疹的区域超出了水肿的区域属于典型的风团反应。
|
图 10 不同剂量组胺产生的效果 Figure 10 The effect of different dose histamine |
水肿和红疹的光谱分析如图 11所示[26], 分别显示了在560, 580, 700, 970 nm处的光谱图。在前两个波长处, 脱氧血红蛋白和血红蛋白吸收强烈, 较暗的区域是由于血液浓度较高所以吸收较多造成的, 但是这个波长范围内的光只能渗透皮肤几百微米的深度。在后两个波长处, 表面毛细血管处的红疹在这个波段范围内是不可见的, 但是, 较深较大的毛细血管由于较高的血红蛋白浓度所以吸收比较强烈, 这也就解释了为何在600 nm以上的波段内在较白的背景下能看见较深处的血管。
|
图 11 选定波段的光谱图证明组织的光学特性 Figure 11 Spectral images in selected bands demonstrate the optical properties of the tissue |
虽然光谱图像包含了发色团不同浓度在相应谱带范围内吸收光的信息, 但是由于染色团对光的吸收有很多重叠部分, 需要用曲线拟合和发色团的消光系数作为主要的向量, 计算出每个像素点上发色团对应的浓度, 这样就可以构建一个浓度图, 每一个像素点的发色团浓度可以根据光谱分析算法计算得到, 如图 12所示[26], 依次代表了血红蛋白浓度、脱氧血红蛋白浓度、水浓度和光的强度散射图, 用图像分析的方法就能够从这些图片中提取定量的信息进行分析。
|
图 12 由光谱图所构建的发色团浓度图 Figure 12 Chromophore concentration maps can be constructed from the spectral images |
该实验第一次提出用水和血红蛋白的特征吸收带来证明水肿反应的功能图像, 对于研究水肿有重要的意义。但是, 水肿是由于血浆胶体渗透压降低或者淋巴回流受阻等多方面病因引起的, 如果能对水肿反应进行具体的定性分析, 将会有特别的价值。
2.5 利用高光谱技术研发针对胃癌的诊断支持系统Goto等[27]在2015年利用高光谱技术来区分胃肿瘤和周围正常黏膜组织, 并试图确定一个特定的最优波长用于诊断胃癌。
他们将104个肿瘤块分为两组, 即训练组54个和测试组50个, 为了保证准确性, 训练组每一块组织上分别平均取1个肿瘤区域和正常区域10个像素点进行测量。因为每块组织都不完全相同, 所以肿瘤区域的校正光谱是通过肿瘤区域的平均光谱减去正常黏膜区域的平均光谱, 相应地, 正常黏膜区域的校正光谱为零, 肿瘤区域的校正光谱和正常黏膜区域的校正光谱之间的马氏距离用于确定最优波长, 之后再将训练集的54块组织平均分为子训练集和子测试集用于确定截止值。图 13显示了测试集中其中一块组织上的光谱反射曲线[27], 经过30次实验以后可以确定770 nm作为最优波长, 然后可以确定1/4为最优截止值。最后用测试集的50块组织以同样的方法来检测诊断支持系统的可靠性并取得了很好的效果, 将反射光谱数据和最优截止值导入到光谱相机 (HSC) 分析软件中就可以很快地自动识别正常组织和肿瘤组织。
|
图 13 正常黏膜组织和肿瘤组织的光谱反射曲线 Figure 13 Spectral reflectance of the tumor and the normal mucosa |
图 14所示为胃腺瘤的图片实例[27], 利用上述实验方法和结果完全可以在组织颜色极其相似的情况下将腺瘤组织 (图上箭头所指) 找到并且很好地显示出来。
|
图 14 光谱相机处理过程 Figure 14 Image processing by HSC |
此实验是在胃腺瘤切除以后的样本上进行的, 此时血液的流动量以及氧饱和度都已经发生改变, 对提取的数据有一定的影响; 此外, 最优截止值取决于光谱相机和实验过程, 所以最优截止值必须进行相应的优化, 以提高实验的精确度。
3 结论在介绍高光谱在医学领域的发展现状以及工作原理的基础上, 描述了反射式高光谱成像系统在可见光到近红外 (400~1 100 nm) 波段在人体组织检测中的应用, 提供了较为完备的人体组织研究现状, 为医学方面的检测提供了很大的帮助。但是, 目前的高光谱检测技术在医学方面的应用主要停留在实验水平, 因为从提取像素点进行分析到确定最终的结果需要一定的时间, 这严重地阻碍了其在医学方面的应用。同时, 现在的高光谱设备的光谱相机工作波段一般比较窄, 有较大的局限性, 如果能开发出比较宽的波段范围, 将大大促进高光谱在医学领域的应用。因此, 如何将光谱仪器和算法有效地融合在一起, 在短时间内给出诊断结果, 以及研究宽波段光谱仪, 都将是以后的主要研究方向。
| [1] | YANG J H, WANG L G, QIAN J X. Hyperspectral image classification based on spatial and spectral features and sparse representation[J]. Applied Geophysics, 2014, 11(4): 489–499. DOI:10.1007/s11770-014-0451-3 |
| [2] | LIU Z, WANG H J, LI Q L. Tongue tumor detection in medical hyperspectral images[J]. Sensors, 2012, 12(1): 162–174. |
| [3] | KONG S G, MARTIN E M, VO-DINH T. Hyperspectral fluorescence imaging for mouse skin tumor detection[J]. ETRI Journal, 2006, 28(6): 770–776. DOI:10.4218/etrij.06.0106.0061 |
| [4] | LIU Z, YAN J Q, ZHANG D, et al. Automated tongue segmentation in hyperspectral images formedicine[J]. Applied Optics, 2007, 46(34): 8328–8334. DOI:10.1364/AO.46.008328 |
| [5] | LU G L, FEI B W. Medical hyperspectral imaging:a review[J]. Journal of Biomedical Optics, 2014, 19(1): 010901. DOI:10.1117/1.JBO.19.1.010901 |
| [6] | ROSAS J G, BLANCO M. A criterion for assessing homogeneity distribution in hyperspectral images.Part 2:application of homogeneity indices to solid pharmaceutical dosage forms[J]. Journal of Pharmaceutical and Biomedical Analysis, 2012, 70: 691–699. DOI:10.1016/j.jpba.2012.06.037 |
| [7] | DICKER D T, LERNER J, VAN BELLE P, et al. Differentiation of normal skin and melanoma using high resolution hyperspectral imaging[J]. Cancer Biology & Therapy, 2006, 5(8): 1033–1038. |
| [8] | LARSENE L P, RANDEBERG L L, OLSTAD E, et al. Hyperspectral imaging of atherosclerotic plaques in vitro[J]. Journal of Biomedical Optics, 2011, 16(2): 026011. DOI:10.1117/1.3540657 |
| [9] | MARTIN M E, WABUYELE M, PANJEHPOUR M, et al. An AOTF-based dual-modality hyperspectral imaging system (DMHSI) capable of simultaneous fluorescence and reflectance imaging[J]. Medical Engineering & Physics, 2006, 28(2): 149–155. |
| [10] | LI Q L, WANG Y T, LIU H Y, et al.Nerve fibers identification based on molecular hyperspectral imaging technology[C]//Proceedings of 2012 IEEE International Conference on Computer Science and Automation Engineering.Zhangjiajie, China, 2012:15-17. |
| [11] | 侯宝路, 李柏承, 周瑶, 等. 基于可见-近红外高光谱成像技术的梨硬度和可溶性固体含量的预测[J]. 激光杂志, 2015(10): 70–74. |
| [12] | AKBARI H, UTO K, KOSUGI Y, et al. Cancer detection using infrared hyperspectral imaging[J]. Cancer Science, 2011, 102(4): 852–857. DOI:10.1111/cas.2011.102.issue-4 |
| [13] | NOURI D, LUCAS Y, TREUILLET S.Efficient tissue discrimination during surgical interventions using hyperspectral imaging[M]//STOYANOV D, COLLINSD L, SAKUMA I, et al.Information processing in computer-assisted interventions.Switzerland:Springer, 2014:266-275. |
| [14] | GOETZ A F H. Three decades of hyperspectral remote sensing of the earth:a personal view[J]. Remote Sensing of Environment, 2009, 113(S1): S5–S16. |
| [15] | 易伟松, 刘文强, 陆东, 等. 高光谱成像结合化学计量学诊断胃癌组织[J]. 中国医学物理学杂志, 2015, 32(1): 124–128. |
| [16] | SHAHZAD A, SAAD M N, WALTER N, et al. Hyperspectral venous image quality assessment for optimum illumination range selection based on skin tone characteristics[J]. Biomedical Engineering Online, 2014, 13(1): 109. DOI:10.1186/1475-925X-13-109 |
| [17] | WANG L V, WU H I. Biomedical optics, principle and imaging[J]. Journal of Biomedical Optics, 2008, 13(4): 049902. DOI:10.1117/1.2976007 |
| [18] | AKBARI H, KOSUGI Y, KOJIMA K, et al. Detection and analysis of the intestinal ischemia using visible and invisible hyperspectral imaging[J]. IEEE Transactions on Biomedical Engineering, 2010, 57(8): 2011–2017. DOI:10.1109/TBME.2010.2049110 |
| [19] | RAJPOOT K, RAJPOOT N.SVM optimization for hyperspectral colon tissue cell classification[M]//BARILLOT C, HAYNORD R, HELLIER P.Medical image computing and computer-assisted intervention.Heidelberg:Springer, 2004:829-837. |
| [20] | MIANJIF A, ZHANG Y. Robust hyperspectral classification using relevance vector machine[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2100–2112. DOI:10.1109/TGRS.2010.2103381 |
| [21] | LEE J H, WON C H.Characterization of lung tissues using liquid-crystal tunable filter and hyperspectral imaging system[C]//Proceedings of 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Minneapolis, 2009:1416-1419. |
| [22] | PAN Z H, HEALEY G, PRASAD M, et al. Face recognition in hyperspectral images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(12): 1552–1560. DOI:10.1109/TPAMI.2003.1251148 |
| [23] | AKBARI H, HALIG L V, ZHANG H Z, et al.Detection of cancer metastasis using a novel macroscopic hyperspectral method[C]//Proceedings of the SPIE Medical Imaging 2012:Biomedical Applications in Molecular, Structural, and Functional Imaging.San Diego, California, 2012, 8317:831711. |
| [24] | YANG X F, FEI B W. A multiscale and multiblock fuzzy C-means classification method for brain MR images[J]. Medical Physics, 2011, 38(6): 2879–2891. DOI:10.1118/1.3584199 |
| [25] | WANG H S, FEI B W. A modified fuzzy C-means classification method using a multiscale diffusion filtering scheme[J]. Medical Image Analysis, 2008, 13(2): 193–202. |
| [26] | STAMATASG N, SOUTHALL M, KOLLIAS N. In vivo monitoring of cutaneous edema using spectral imaging in the visible and near infrared[J]. Journal of Investigative Dermatology, 2006, 126(8): 1753–1760. DOI:10.1038/sj.jid.5700329 |
| [27] | GOTO A, NISHIKAWA J, KIYOTOKI S, et al. Use of hyperspectral imaging technology to develop a diagnostic support system for gastric cancer[J]. Journal of Biomedical Optics, 2015, 20(1): 016017. DOI:10.1117/1.JBO.20.1.016017 |