[發明專利]一種基于深度學習的擴散相關光譜血流量化方法

有效

• 申請號: 202011456434.4
• 申請日: 2020-12-11
• 公開（公告）號: CN112587118B
• 公開（公告）日: 2023-02-28
• 發明（設計）人: 李哲;姜敏楠;葛奇思;馮金超;賈克斌
• 申請（專利權）人: 北京工業大學
• 主分類號: A61B5/026
• 分類號: A61B5/026
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

本發明公開了一種基于深度學習的擴散相關光譜血流量化方法，用于解決目前擴散相關光譜組織血流量化過程中以解析模型或者蒙特卡洛模型迭代擬合存在的耗時長的問題。具體包括：利用擴散相關光譜技術獲取被測組織的光強自相關函數數據，通過深度學習方法直接建立從光強自相關函數(g2(τ))到血流指數(BFI)之間的端到端網絡，輸出得到血流指數數據，訓練得到用于擴散相關光譜血流量化的深度學習網絡模型，并將測試集數據輸入到血流量化深度學習網絡模型中進行預測，實現對組織血流變化的量化。該方法利用深度學習模型直接建立光強自相關函數與組織血流之間的量化關系，避免了傳統擴散相關光譜擬合方法的不足，在保證量化精度的同時，極大地提高了擬合速度，能夠為組織血流的動態縱向測量提供有利條件。

技術領域

本發明涉及生物醫學工程技術領域，尤其涉及一種基于深度學習的擴散相關光譜血流量化方法。

背景技術

生物組織的血流是衡量機體正常與否的重要指標，大多數疾病都引起了血流的變化，在人類多種疾病的研究，血流已作為一個重要的生物標志物，因此血流參數可以作為疾病的指示性指標。

擴散相關光譜(Diffuse Correlation Spectroscopy,DCS)^[1-4]由于其無創、實時的特性，以及能夠提供無標簽、床頭監測血流變化的能力，在光學成像領域被越來越多地用于評估人體血流。擴散相關光譜利用近紅外光譜照射到組織表面，通過計算組織表面散射光斑的光強自相關函數(g2(τ))，推算組織中紅細胞的運動狀態，從而實現組織血流的定量檢測。血流量也是肌肉激活的一個指標，肌肉纖維通過增加血流量增加耗氧量，從而增加供氧量。目前常用的血液動力學(血流)技術一般有兩種：超聲多普勒和激光多普勒。超聲多普勒適應于組織中大血管的血流測量。而激光多普勒則用于測量表層微血管(3mm)的組織血流。此外，其他的血流測量技術如激光散斑成像，光聲檢測和多普勒相關層析成像等在近幾年發展迅速，但是這些技術也只能測量人體的表層組織的血流或小動物血流成像，不能進行深層組織血流的測量。還有一些比如氙CT(Xenon.CT)，磁共振(MRI)，正電子放射性核素(PET)等血流成像技術，他們所需儀器龐大且昂貴，也不能進行連續血流監測。有幾種用于評估組織血流的臨床技術，包括計算機斷層掃描和磁共振成像。然而，這些模式提供單一快照時間點，不適合在床邊設置進行持續、長期的監測。

目前，擴散相關光譜的組織血流量化方法是用傳統的解析模型或蒙特卡羅模型曲線迭代擬合測量的強度自相關函數，即采用非線性擬合算法(如Matlab中的lsqnonlin算法)迭代地進行參數擬合。利用上述傳統方法進行組織血流量化時，當信噪比降低時，計算量大，精度低；當自相關曲線信噪比低時，擬合方法計算結果不準確；特別是對于動態縱向測量，很耗時，通常作為后處理步驟執行，增加了總計算時間。因此，本發明為了解決上述問題，提出了一種基于深度學習的擴散相關光譜血流量化方法。該方法利用深度學習模型直接建立光強自相關函數與組織血流之間的量化關系，避免了傳統擬合方法中利用解析模型或者蒙特卡洛模型迭代擬合的過程，在保證量化精度的同時，極大地提高了擬合速度，能夠為組織血流的動態縱向測量提供有利條件。

參考文獻

[1]Shang Y,Gurley K,Symons B,et al.Noninvasive opticalcharacterization of muscle blood flow,oxygenation,and metabolism in womenwith fibromyalgia[J].Arthritis ResearchTherapy,2012,14(6):R236-R236.

[2]Tanja D,Hollmann J L,Davide T,et al.Compact,multi-exposure specklecontrast optical spectroscopy(SCOS)device for measuring deep tissue bloodflow[J].Biomedical Optics Express,2018,9(1):322.