肤色对游离皮瓣手术中高光谱成像影响的研究

【编者按】

高光谱成像技术为皮瓣灌注评估提供了新可能,但肤色差异对测量结果的影响不容忽视。本研究揭示了色素沉着对组织指数的显著干扰,提醒临床需关注技术在不同人群中的适用性。在推进精准医疗的今天,这项研究为改进医疗设备公平性提供了重要依据。

figure 3
摘要
“高光谱成像(HSI)是一种新兴的无接触评估游离皮瓣灌注的技术。这种测量技术依赖于组织内的光学特性。由于血红蛋白(Hb)和黑色素的光学特性存在重叠,灌注评估和其他组织特异性参数的结果很可能被黑色素扭曲,特别是在黑色素浓度较高的情况下。许多光谱设备已被证明存在与黑色素相关的偏差,这导致临床上需要改进无创灌注评估,特别是对于色素沉着较多的人群。”

本研究调查了肤色对使用HSI测量组织指数的影响。此外,还考虑了可能影响HSI的其他因素,如年龄、体重指数(BMI)、性别或吸烟习惯。因此,进行了一项前瞻性可行性研究,包括101名志愿者,在16个不同身体部位进行了组织指数测量。使用Fitzpatrick皮肤类型分类问卷进行肤色分类,同时通过测量计算从RGB图像获取的个人类型角度(ITA)。将所用HSI设备提供的组织指数与可能的影响因素进行相关性分析。结果显示,深色肤色以及因此较高的色素沉着水平会影响HSI衍生的组织指数。此外,还发现了可能影响HSI测量的生理因素。总之,基于HSI的组织指数可用于浅色肤色人群的灌注评估,但在深色肤色人群中显示出局限性。此外,如果考虑到不同的生理影响因素,它可以用于更个体化的灌注评估。

引言

皮瓣手术是头颈癌治疗的重要组成部分。由于皮瓣丢失的最常见原因是血栓形成,因此正确监测局部和游离皮瓣的灌注非常重要,因为组织缺氧可导致组织损伤和坏死。使用监测设备早期发现血管问题有助于及时干预并挽救移植组织。目前组织灌注评估的金标准是通过临床评估皮肤颜色、毛细血管再充盈时间、组织肿胀度和皮瓣温度,并进行多普勒超声检查,但观察到的皮瓣颜色和毛细血管再充盈变化可能被高水平的皮肤色素沉着所掩盖。由于游离皮瓣移植失败大多发生在术后48小时内,并在术后第一周过后变得罕见,因此一种不受黑色素影响、能在术后过程中正确指示灌注的无接触实时成像设备将是最有利的。

figure 1
查看全文: 点击查看原文 |
⏰ 发布时间: 2024年06月17日

高光谱视网膜成像作为眼部和全身疾病的生物标志物

【编者按】

高光谱成像技术正为医学诊断带来革命性突破。这项前沿技术通过同时捕捉光谱与空间数据,为识别传统影像难以发现的生物标记物提供了全新视角。特别是在视网膜成像领域,它不仅揭示了疾病发生发展的新机制,更开创了无创诊断与监测的新路径。本期将带您深入了解这一技术如何重塑医疗影像的未来图景。

figure 1
摘要
“高光谱成像是医学影像学技术领域的前沿。它可同时收集光谱和空间数据。编码于这些数据中的结构和生理信息可用于识别和定位典型的难以捕捉的生物标记物。视网膜高光谱成像研究为疾病的病理生理学提供了新的见解,为视网膜和全身疾病的非侵入性诊断和监测提供了新方法。”
引言

我们对视觉世界的感知与光和物质独特而特定的相互作用密切相关。这种相互作用随着物质组成和照明光物理特性的变化而变化。在实验室中,通过研究这种相互作用来了解物体的组成是光谱学的基础。在更简单的层面上,传统摄影通过宽带光与视网膜的相互作用提供了对视网膜结构的洞察,这种相互作用由模拟人类视锥细胞敏感度的三通道(红、绿、蓝)传感器检测,因此可以重现眼睛所看到的内容。虽然这种方法在临床上很有用,但其本质上受到限制。通过研究光与组织的波长特异性相互作用,可以获得关于视网膜结构的更详细信息。这对大多数临床医生来说很直观——绿色(无红色)滤光片通常用于裂隙灯生物显微镜检查以突出视网膜出血,部分原因是血液中的血红蛋白是绿光的强吸收体。高光谱成像是这种方法的延伸,它涉及在不同波长的光下获取一系列视网膜图像。以这种方式获取的高维信息有可能改变一系列眼部和全身疾病的生物标志物检测,并推进对病理生理学的理解。

高光谱成像原理

高光谱成像起源于地理空间科学[1],但经过几十年的发展,其应用已扩展到艺术保护[2]、食品质量与安全控制[3,4]、制药[5]、农业[6]、法医学[7,8]和医学[9,10]等领域。高光谱成像类似于传统摄影,然而它不是使用单一的宽带(白光)闪光,而是在连续的离散波长范围内捕获一系列图像。这些图像随后被堆叠以产生一个称为超立方体的三维数据集,该数据集由两个空间维度(x和y)和一个光谱维度(λ)组成(图1)[11]。超立方体中的每个位置或像素都有其自己的光谱特征(反射率作为波长的函数),指示其组成[12],并且可以进一步分析以识别各个组分(称为端元)。

图1:高光谱成像示意图
“高光谱成像相机(标记为HS)使用窄带宽可调光源在通常不到一秒的时间内照亮视网膜。然后从视网膜反射的光由图像传感器收集。获取高光谱图像有多种模式,但通常通过扫描源波长来获取不同的帧以生成数据立方体(HS Cube)。每个图像都包含空间和光谱信息,每个像素都有相应的光谱特征。使用深度学习图像分析方法分析图像。这里展示了一个卷积神经网络(CNN)。CNN模型由输入层、隐藏层和输出层组成。隐藏层完全连接,由多个卷积、池化和激活堆栈组成,实现自动特征提取、分类和回归。训练CNN模型需要准确的真实数据,此处为说明目的描绘了正电子发射断层扫描(PET)、光学相干断层扫描(OCT)和光学相干断层扫描血管成像(OCTA)扫描。该模型的输出包括疾病生物标志物。”
采集模式

已经开发了多种高光谱成像方法[11,13,14,15,16]。由于成像传感器通常收集二维信息,而高光谱成像数据是三维的,因此两个维度是同时捕获的,而第三个维度是通过扫描获得的。空间扫描方法,通常称为推帚式扫描仪,涉及在空间维度上以“扫掠”运动逐点或逐行扫描。这通常导致低帧率和较长的采集时间[14]。

查看全文: 点击查看原文 |
⏰ 发布时间: 2024年05月22日