壹号娱乐 - NG大舞台,有梦你就来

Innovative Photonic Solutions手持式拉曼光谱系统用于肿瘤边界智能识别与精准切除导航

作者:小编    发布时间:2026-02-13 03:46:00    浏览:次

[返回]

  重要性: 拉曼光谱技术已被开发用于肿瘤切除手术中的手术指导,通过探测活组织以检测与癌症病理生理变化相符的分子对比。迄今为止,为医疗应用开发的振动光谱系统包括单点测量探针和术中显微镜。需要开发具有更大视野(FOV)的系统,以便在手术中快速发现手术中的癌区切缘。目标: 我们设计了一套手持式宏观拉曼成像系统用于组织边缘表征,并在模型系统中测试其性能。方法: 该系统由可灭菌线扫描仪组成,采用相干光纤束将 785 纳米激光的激发光传递到组织。第二束相干纤维用于在 1 cm2 范围内对指纹拉曼信号进行高光谱检测。机器学习分类器在猪脂肪和肌肉组织上进行了训练和验证。结果: 使用支持向量机验证猪脂肪与肌肉边缘的检测精度为 95 毫米 2 英寸,约 3 分钟内为 99%。结论: 该系统是首个设计用于癌症切除手术工作流程的大视角拉曼成像系统。该技术将进一步改进,旨在在胶质瘤手术中临床可接受的时间内区分脑癌。

  恶性肿瘤的当前标准治疗涉及对受累组织的手术切除。肿瘤切除可以缓解肿瘤压迫健康器官给患者带来的痛苦,并且已被证明可以改善乳腺癌和胰腺癌患者的预后。当最大限度地切除癌症时,预后改善尤为明显,因为残留的癌细胞可能导致肿瘤复发。手术前,肿瘤的诊断通常通过触诊、结构成像(如磁共振成像(MRI)、计算机断层扫描和超声)、分子成像(如正电子发射断层扫描)或组织学(如活检)来实现。这些方法用于评估疾病的位置、严重程度和范围,以确定手术成功与否,并评估术后疾病进展。外科医生随后制定手术计划,并通过开放或微创手术进入肿瘤部位,其中肿瘤主体通常通过目视检查和触诊来识别。在一些肿瘤部位,还使用其他工具如冰冻切片组织学和术中MRI来进一步帮助评估疾病边缘。肿瘤分级和位置可能需要切除整个器官,如前列腺癌和乳腺癌的情况,而其他部位(如脑癌)则需要细致地最大限度切除恶性组织,同时保留邻近的健康组织。对切除组织进行组织病理学分析,无论是在手术期间(即莫氏显微外科手术)还是手术后,都用于评估阳性切缘的存在,阳性切缘定义为位于切除组织外周的癌细胞。据估计,头颈癌、肝癌、口腔癌、乳腺癌和前列腺癌手术中有15%至60%会在初次手术后出现阳性切缘。为了改善患者预后,阳性切缘可能需要进行额外的手术,从而导致进一步的创伤和并发症风险。另一方面,有研究表明减少健康组织的切除可以减少手术并发症、缩短住院时间并减轻患者不适,这促使直肠癌采用组织保留手术作为根治性手术的替代方案。显然,在保留健康组织的同时扩大癌症切除是肿瘤外科的临床需求,这种需求可以通过实时和原位手术引导技术来解决。

  显示实时手术引导潜力的方法涉及分子成像模态,这些模态可以无创地恢复组织的独特分子特征,并为外科医生提供组织特异性信息,以可视化原位肿瘤范围。目前用于医疗治疗的此类方法包括荧光引导手术(FGS),其中内源性荧光分子前体或荧光分子探针(如5-氨基乙酰丙酸(5-ALA)或吲哚菁绿(ICG))在术前口服或注射入血流。这些探针在不同浓度的器官中积累,并在用激发光源照射时发出荧光(如ICG发出绿光)。在胶质瘤手术中,5-ALA在肿瘤中优先代谢为荧光原卟啉IX,以识别手术腔内残留的致密癌症。这些方法通过增加肿瘤完全切除的发生率(即术后MRI中无可见对比)证明了其有效性。然而,FGS并不总是向外科医生显示癌症的完整范围,部分原因是发光猝灭、荧光探针分解或探针在健康和病变组织中分布缺乏特异性。这导致在仅发生细微肿瘤学、形态学和/或分子变化的组织中,荧光对比缺失或难以检测。研究表明,即使使用对比剂,术后成像如MRI也无法检测与肿瘤浸润相关的低密度癌细胞区域。当用作评估胶质母细胞瘤完全肿瘤切除的金标准时,MRI测量的肿瘤体积可能确认肿瘤的切除,但不能保证手术部位没有残留癌细胞。这一临床现实与胶质母细胞瘤患者切除边缘的高肿瘤复发率(85%)及其即使实现完全肿瘤切除仍预后极差相关。目前正在努力开发新的增强对比分子探针(如OTL38、LUM015和SGM-101),以增加对各种癌症部位(包括前列腺、乳腺和结肠)的特异性。

  免标记分子成像(如漫反射和内源性荧光检测)作为替代手术引导解决方案引起了关注,部分原因是其独立于需要在患者使用前进行昂贵且耗时的安全性研究的标记物和染料。在免标记分子成像技术中,拉曼光谱(RS)因其能够从被检测组织中恢复分子特异性指纹而脱颖而出。RS能够实时区分癌症与正常组织,并且已被证明在区分乳腺组织病理类别方面优于漫反射和内源性荧光结合。这种无创且无损的方法使用激光源来检测组织内容的固有分子振动,即DNA、脂质和蛋白质,并利用这种组织特异性信息相应地绘制组织异质性图谱。RS依赖于从被检测样品中恢复非弹性散射信号,这是一种相对罕见的事件(约10^(-7)光子事件中发生1次),通常难以与高固有组织荧光解耦。数据预处理方法、光谱仪分辨率、相机灵敏度和激光激发源的改进促进了RS系统的开发和实施,用于组织的在体鉴别。用于手术引导的RS已通过手持式单点探针在人体中进行了演示,并已在多项研究中展示了其在主要肿瘤切除后有效扩大癌症切除的潜力,如在胶质瘤手术、胃肠道检查、口腔癌早期病变检测和乳腺癌保乳手术中。然而,点测量不提供空间背景,这可能使识别边缘和与细微分子变化相关的局部癌症浸润变得困难。对空间背景的需求推动了拉曼成像的发展,以完成识别残留癌症及其边缘的任务。手术时间限制和用户采用对拉曼成像提出了快速模态的挑战性要求,该模态可以快速检测大的手术腔(即数cm²)。

  许多拉曼显微镜已被开发用于通过辅助病理学家可视化切除组织中的组织边缘来指导手术(如乳腺癌、皮肤癌和口腔癌)。这些系统可以覆盖数mm²的区域,但它们不适合进行在体分子成像。手持式受激拉曼散射显微镜系统已被开发并成功测试,用于在小鼠皮肤癌和脑癌的在体精确定位组织边缘。这些系统具有受限的视场(FOV),即4 mm²,需要进行多次测量才能覆盖整个手术区域。研究人员于2016年证明,相干光纤束可以相干地将图像从一端中继到另一端,可用于拉曼成像探针,以实现生物组织中的宽场和线扫描采集。最新的系统具有14 mm²的视场和6 cm⁻¹的光谱分辨率。研究表明,基于组织拉曼带比率区分猪脂肪组织和肌肉组织以及牛白质和灰质,每行需要700至900毫秒的采集时间。通过使用注射纳米颗粒增强信号,还在小鼠中验证了具有大视场的拉曼成像在体应用。然而,目前仍缺乏具有大视场的拉曼成像系统用于在体人体临床应用。唯一开发和测试用于人体在体应用的大测量面积(1 cm²)拉曼成像系统由研究人员于2018年报告用于皮肤癌,尽管没有演示癌症边缘检测。

  在此,我们介绍了为整合到人体临床研究中而开发的新型拉曼线扫描系统的设计和表征。线扫描手持式成像探针具有250 μm的空间分辨率和6 cm⁻¹的光谱分辨率,可以在95 mm²的视场上进行拉曼成像。该探针可灭菌,并在指纹区域400至1900 cm⁻¹采集光谱。它设计为可容纳直径为20 mm的接触测量装置,同时提供40 mm工作距离的非接触测量。明场通道允许在白光反射下可视化组织结构。该探针还使用柔性相干光纤束进行采集,并且是第一个使用柔性光纤束进行定制激光轮廓激发(如扫描激光线)的系统。首先介绍了系统光学设计和相应的性能指标,即激光线轮廓和光学传递函数(OTF),用于设计验证。采集了猪脂肪和肌肉组织的拉曼高光谱图像,并展示了带分配及其在分子键方面的相应生物学解释。然后使用支持向量机(SVM)技术演示了系统区分组织类型的能力。最后进行了详细的光子预算分析,将系统与经过验证的手持式单点手术引导拉曼系统进行了比较。最后讨论了实现与人体在体组织成像相当的拉曼信噪比(SNR)所需的未来开发步骤,以在可接受的临床时间范围内实现。

  线扫描系统由三个主要部分组成(图1):激发分支、成像探针和采集分支。系统的每个组件通过使用LabVIEW开发的定制软件和用户界面进行控制。包括激光器、宽带光源、电动平移台(TS)、振镜、电荷耦合器件(CCD)相机和彩色(RGB)相机在内的组件通过数据采集设备(USB-6351)进行同步。

  图1. 手持式拉曼成像探针和成像系统示意图,包括(b)具有激发光纤束(EFB)的成像探针,一系列光学元件[激光线滤光片(LLF)、反射镜(M)和长通滤光片(LPF)]用于将白光和激光传播到样品上以检测组织,一系列光学元件(LPF、光学窗口和陷波滤光片)用于收集产生的拉曼信号和反射白光,以及采集光纤束(CFB);(c)激发分支,在安装在TS上的EFB入口处产生线形激光激发,同时将白光照射到EFB中;以及(d)采集分支,从CFB捕获白光和拉曼信号,用扫描高通滤光片分离两个光学组件,在RGB相机上获得白光图像,同时用成像光谱仪提取光谱特征。所有图示透镜均为球面透镜,除非标记为LH表示水平方向曲率的柱面透镜或LV表示垂直方向曲率的柱面透镜。

  激发分支[图1(c)]由用于拉曼光谱或明场成像的光源、一系列光学元件和电动线)组成。激发分支产生扫描激光线 mm²的成像光纤束(IG-154)。激光源是定制的785 nm连续波激光器(Innovative Photonic Solutions),功率为1.8 W,光谱宽度0.2 nm,数值孔径(NA)为0.5。宽带光源由3000 K发光二极管(LED)(MWWHL4)组成,在拉曼测量期间关闭以避免污染。使用光学元件(柱面透镜和二向色镜)在成像光纤束表面产生激光线 nm激光线和宽场白光光源耦合到光纤束中。最后,成像光纤束安装在电动TS上,负责相对于激光线重新定位光纤束表面,从而确保激发分支中的线扫描。

  香港星云先进技术有限公司(NAT)是Innovative Photonic Solutions(IPS Lasers)中国代理商,我们为客户提供半导体二极管光源系统、拉曼光谱激光器等光电产品。

  成像探针[图1(b)]由一系列照明光学元件和成像光学元件组成。照明光学元件包括激发光纤束(EFB),用于将激发图案从激发分支端的激发光纤束中继到探针端,以及以785 nm为中心的激光线 nm。激发图案(激光线或宽场)然后通过探针照明光学元件投射到样品上,工作距离为40 mm。成像光学元件包括一系列光学元件,设计用于通过另一根光纤束收集白光(400至650 nm)以及荧光和拉曼散射(810至922 nm)。二向色镜允许将激光源最大限度地反射到样品上,同时最大限度地提高荧光/拉曼收集效率。二向色镜确保部分宽带光(50%)被反射到样品上并收集用于明场成像。探针设计为可容纳可灭菌和可拆卸的鼻锥,带有拉曼级MgF₂窗口(即在400至1900 cm⁻¹之间无拉曼峰且固有荧光低)。这是为未来在体应用设计的,在这些应用中确保与组织接触可能更实用。在整个光学设计中,避免使用移动部件、电子元件和机械组件,以便于清洁和灭菌,并确保患者安全。探针[图1(a)]不带光纤束重0.6 kg,体积约为4.5(宽)×7(高)×18(长)cm。

  采集分支[图1(d)]由采集光纤束(IG-163)、一系列光学元件、安装在振镜扫描器(6870M)上的二向色镜(FLD 748 DSP)、光谱仪(HT)、冷却CCD相机(Newton 920)和高灵敏度CMOS RGB相机(DCC1240C)组成。CFB将成像探针收集的明场图像和荧光/拉曼信号传输到采集分支。从光纤束采集端开始,光学元件将采集的图像中继到二向色镜振镜,可见光通过一系列光学元件传输到RGB相机进行明场成像。拉曼散射(810至922 nm或400至1900 cm⁻¹)被反射到拉曼光谱仪,光谱成分被分离到冷却(-70°C)的相机传感器上。因此,传感器捕获的图像具有空间轴(y轴)和光谱轴(λ轴)。安装的反射镜的旋转控制成像探针视场的哪个区域(x轴)与光谱仪狭缝对齐,并在测量期间与激发分支的TS位置同步。

  通过光学设计软件Zemax确定特定透镜尺寸和焦距,以满足系统各子组件(即激发分支、成像探针和采集分支)的要求。在适用的情况下选择现成组件。

  激发分支的要求涉及从400 μm纤芯直径、0.22 NA的多模光纤产生均匀的100 μm(x轴)×4 mm(y轴)激光激发轮廓,在4×4 mm激发光纤束入口处,通过4×4 mm² EFB中继到成像探针。首先用光学设计软件模拟激光线轮廓的相对强度,然后在EFB端面用RGB相机测量。

  成像探针的光学设计分为两部分:照明分支和成像分支,尽管它们有一些共同的光学组件。根据所得OTF选择照明和成像分支中的透镜及其位置,并通过每个分支的光学元件从样品到光纤束端面进行评估,跨越每个分支光纤束端面的外接圆半径(照明分支为4×4 mm²,成像分支为10×10 mm²)。使用光学设计软件评估归一化OTF,并用于优化系统的空间分辨率(沿x和y方向)。最佳光学配置是在特定空间分辨率和波长下,OTF在整个光纤束外接圆上高于0.5的配置。照明分支785 nm的目标空间分辨率设置为2周期/mm或250 μm。对可见光(400至650 nm)照明未设置分辨率限制,因为激发分支将产生样品的宽场宽带照明。成像分支明场成像(400至650 nm)的目标空间分辨率设置为10周期/mm或50 μm,而拉曼指纹成像(800至940 nm)的最低分辨率设置为2周期/mm或250 μm。成像分支的另一个设计标准是在成像探针视场的外接圆上保持70%的相对照明轮廓。

  采集分支的要求包括将CFB中继的明场图像空间分辨率保持在RGB相机传感器上至少10周期/mm或50 μm,同时将中继的拉曼图像空间分辨率保持在拉曼光谱仪75 μm(x轴)×7.2 mm(y轴)狭缝上为2周期/mm或250 μm。如果上述空间分辨率及其相应波长的OTF在可见光的整个外接圆上高于0.5,则认为所选光学元件是可接受的。

  本研究使用的生物样品是来自肉店的猪排,1厘米厚,平坦,表面脂肪和肌肉组织之间有清晰可见的边缘。将组织放置在低拉曼活性铝载玻片(Miro5011)上,以防止样品下方产生任何背景。在样品的三个不同区域采集拉曼图像:肌肉、脂肪以及主要由脂肪和肌肉组织混合组成的边缘。对样品的明场图像进行目视检查,所有像素被标记为纯脂肪、纯肌肉或组织边缘。测量之间用缓冲血库盐水(312-651)滴加湿样品。在线扫描前后采集明场图像,以确认样品边缘在测量过程中没有移动,且样品颜色没有变化,这将表明组织损伤。

  规格 视场 95 mm² 工作距离 40 mm 线 μm) 平移距离 线 μm 近红外空间分辨率 x轴:250 μm和y轴:250 μm 近红外光谱分辨率 6 cm⁻¹(在1085 cm⁻¹处) 像素数 x轴:40,y轴:42 光谱范围 λ轴:400至1900 cm⁻¹ 曝光时间 可调,但本研究中每线秒) 明场空间分辨率 50 μm

  数据预处理流程首先对图像的每个光谱应用中值滤波以消除宇宙射线。随后,使用对乙酰氨基酚的参考测量进行拉曼位移(λ轴)校准,对乙酰氨基酚具有表征良好的拉曼光谱,背景低,是美国材料与试验协会(ASTM)拉曼位移标准光谱仪校准标准指南(ASTM E1840)中确定的拉曼位移标准之一。通过使用对乙酰氨基酚拉曼指纹光谱中六个最显著的峰进行三次样条插值来实现此校准。然后使用785 nm激发的NIST标准(SRM 2241)的平滑参考测量来校正系统响应和图像中的相对强度变化。使用二阶二维高斯滤波器对NIST参考测量进行平滑,以减少NIST标准上的划痕引入的伪影。由于高斯滤波系统响应产生的边界伪影,校正后的高光谱立方体边界处的光谱被拒绝。然后对每个系统校正光谱应用五阶多项式拟合来近似背景,然后使用滚动球算法去除背景,球大小为16。然后在使用标准正态变量方法对光谱进行归一化,用于训练、验证和测试区分脂肪与肌肉组织的分类器之前。

  作为组织边缘检测的概念验证,使用了两种分类算法:SVM和随机森林(RF)。分类器经过训练和验证以执行像素级分类(即未使用空间特征,仅使用光谱特征)。训练集由脂肪组织图像的一半(20条线)和肌肉组织图像的一半(20条线)组成。验证集由脂肪组织图像的剩余一半(20条线)、肌肉组织图像的剩余一半(20条线)和整个组织边缘图像(40条线)组成。仅脂肪或肌肉组织的拉曼图像由在同一空间位置进行的10次采集(总采集时间2000秒)的平均值组成,以最大化SNR。边缘图像[图6(a)]由单次拉曼图像采集(总采集时间200秒)组成,其中边缘位置位于系统视场中心,以确保类别分布均匀。对仅含猪脂肪或肌肉组织的图像进行类别标记很简单,因为每个图像包含一个类别,而组织边缘的标记则使用明场图像中组织颜色和结构变化进行目视执行。总的来说,训练集包含1482个光谱(每个类别741个),验证集包含2964个光谱[每个类别741个,以及来自边缘图像的845个(脂肪)+637个(肌肉)]。将来自脂肪、肌肉和边缘图像的数据纳入验证集,迫使模型学习对来自单类别图像(即仅脂肪或肌肉组织)和可能存在类别间串扰的边缘图像的光谱进行分类。

  分类模型通过构建以下流程来建立:特征选择、特征标准化和分类器开发。特征选择步骤允许降低数据集维度,以简化和提高分类器性能。这里使用L1范数正则化惩罚的线-SVM)作为特征选择器。L1-SVM具有稀疏解:分配给特征的许多权重为零。保留具有非零权重的特征用于模型构建。然后对特征进行独立标准化,减去其均值并除以其标准偏差。流程的最后一步是分类模型(SVM或RF)。探索了具有两种不同核的SVM:线性核和径向基函数(RBF)核,其中优化的超参数包括正则化参数(C),评估值为C = [0.001, 0.01, 0.1, 1, 10],两种核均评估,以及gamma参数(γ),评估值为γ = [0.001, 0.01, 0.1, 1, 10],仅RBF核评估。评估的RF优化超参数为树的数量(n_estimators),使用值n_estimators = [100, 200, 300],以及子样本大小(max_samples),使用值max_samples = [0.6, 0.7, 0.8]。执行网格搜索以获得两种模型的最佳超参数。这些超参数是给予模型以控制学习过程的参数(即避免欠拟合/过拟合)。在网格搜索期间,对于给定的一组超参数,模型在训练数据上进行训练,然后在验证集上进行验证。根据两种模型的验证准确性选择最佳超参数。用于此分类器生成流程的机器学习算法从Python库Scikit-learn中检索。模型在相互独立的训练集和验证集上进行训练和验证。

  保留具有最佳验证准确性的模型,并计算其在边缘图像上的像素级预测以及每个像素的相应类别概率,以目视解释分类结果。使用Platt缩放计算类别概率输出,结果概率分数从0.5到1.0变化,其中1.0对应绝对类别成员概率,0.5是最低类别成员概率。用于类别概率分配的算法从Python库Scikit-learn中检索。本研究没有测试集。

  对成像系统的每个子组件(激发分支、成像探针和采集探针)的光学设计进行了单独评估。图2显示了通过EFB产生的激光线轮廓。根据激发分支内的光学配置模拟激光线轮廓,显示在光纤束远端处的理论激发激光线 μm,y轴(线 mm。在x轴和y轴上获得测量的归一化强度轮廓,结果线 μm,线 mm。线宽和线高根据其测量的半高全宽进行表征。真实和模拟激光轮廓之间在线高极端处的强度分布存在轻微差异。

  图2. (a)通过EFB中继并在EFB远端面成像的激光线 mm光纤束远端产生的模拟激光线轮廓在(b)x轴和(c)y轴上。在(d)x轴和(e)y轴上测量的激光线轮廓。

  对五种光学配置评估了OTF[图3(a)]。图3(b)显示了成像探针从成像平面到EFB端面在其外接圆上785 nm照明波长和2周期/mm(或250 μm)空间分辨率的OTF。图3(c)显示了成像探针从成像平面到CFB端面在其外接圆上红外光(800至950 nm)2周期/mm(或250 μm)空间分辨率的OTF,图3(d)显示了可见光(400至650 nm)10周期/mm(或50 μm)空间分辨率的OTF。图3(e)显示了采集分支从采集光纤束端面到RGB相机可见光(400至650 nm)10周期/mm(或50 μm)空间分辨率的OTF(黑色)。图3(f)显示了从采集光纤束端面到光谱仪狭缝红外光(800至950 nm)2周期/mm(或250 μm)空间分辨率的OTF。为每个模拟的OTF呈现了光的切向和径向偏振。在大多数光学配置中,OTF模量在其各自目标空间分辨率下保持在0.5以上。

  图3. (a)成像探针和采集分支示意图,说明了为OTF模拟选择的光路起点和终点的组件。(b)成像探针从1到2的OTF,空间分辨率为2周期/mm,照明波长为785 nm。从1到3的OTF,(c)红外光(800至950 nm)空间分辨率为2周期/mm,(d)可见光(400至650 nm)空间分辨率为10周期/mm。(e)从4到5的OTF,可见光(400至650 nm)空间分辨率为10周期/mm(黑色),以及(f)从4到6的OTF,红外光(800至950 nm)空间分辨率为2周期/mm。

  图4显示了用成像系统检测的猪样品照片:明场图像、未校正(未应用校准或预处理)的线 nm激光线照明产生的拉曼和背景荧光)强度图像、估计的线扫描背景强度图像和线扫描拉曼强度图像。强度图像中的每个强度值对应于系统整个光谱范围的积分。尽管在整体发光和背景强度图像中未感知到组织对比,但猪脂肪和肌肉组织之间的拉曼散射强度存在明显的视觉对比。

  图4. 使用猪排对成像系统进行研究:(a)整个猪排的照片;(b)视场的明场图像;(c)未校正的线 nm激光线照明产生的拉曼和背景荧光)强度图像;(d)线扫描背景强度图像;以及(e)线扫描拉曼强度图像。强度图像中的每个强度值对应于系统整个光谱范围的积分。(b)-(d)右侧的黑色列对应于相对照明强度40%的像素。

  图5显示了本研究训练数据集的平均拉曼光谱和标准偏差,显示了与每种组织类型的蛋白质和脂质含量相关的常见和独特光谱特征(即拉曼带)。表2中显示了几个光谱特征及其生物学相关性。根据这些光谱,训练了几个分类器。并从L1-SVM特征选择器中提取了对组织区分最重要的光谱特征。

  图5. 成像的训练集样品:(a)猪脂肪组织的明场图像;(b)猪肌肉的明场图像;以及(c)10次重复测量后获得的每种组织的相应平均光谱和标准偏差(阴影)。蓝色三角形表示与蛋白质含量相关的拉曼带,而红色圆圈表示主要与脂质含量相关的拉曼带。为便于可视化两种组织的光谱,对脂肪组织平均光谱和标准偏差添加了任意垂直偏移。脂肪组织光谱的变化太小,无法在图中观察到标准偏差(红色阴影)。

  表2. 猪肌肉和脂肪组织的显著拉曼特征。粗体显示的带对应于与组织分类最相关的峰。

  然后在脂肪和肌肉组织之间的组织边缘上采集拉曼图像[图6(a)]。提取了两种组织类型区域的相应平均光谱和标准偏差[图6(b)]。该测量显示,肌肉组织中的光谱与3.2节中介绍的训练数据集不完全一致。计算了皮尔逊系数,以评估图5(c)中纯组织类型平均光谱与图6(b)中边缘脂肪和肌肉组织平均光谱之间的相关性。边缘内脂肪组织与纯肌肉和纯脂肪组织相比的皮尔逊系数分别为0.776和0.995,而边缘内肌肉与纯肌肉和纯脂肪组织相比的皮尔逊系数分别为0.889和0.955。这表明边缘内的肌肉光谱与纯脂肪组织的光谱相关性更强。

  图6. (a)样品组织边缘的明场图像和(b)126个猪脂肪组织(红色)和肌肉(蓝色)拉曼光谱的相应平均值和标准偏差(阴影)。矩形区域对应于选择光谱的选定区域。黑色三角形对应于L1-SVM特征选择工具识别的组织区分的两个最重要特征。

  在训练数据集标准化之后,特征选择步骤仅保留了三个非零权重特征(即拉曼带):1001、1437和1442 cm⁻¹。然后使用这些特征训练分类模型。优化的SVM和RF模型在验证集上分别达到了0.990和0.967的准确性分数。由于具有最高的验证准确性分数,选择具有超参数C=0.1和γ=10的SVM作为模型,以生成和说明图7中组织边缘的预测结果及其各自的类别概率。分类模型在边缘内区分脂肪组织与肌肉的准确性、灵敏度和特异性分别为0.980、0.996和0.958。

  图7. (a)样品组织边缘的明场图像;(b)分类图,红色表示预测的脂肪组织,蓝色表示预测的肌肉组织;以及(c)分类置信度图,从0.5(最低置信度)到1.0(最高置信度)排序。绿线显示组织边缘位置的地面实况。

  系统的一个明显弱点是在EFB端面处产生的线%。激发分支的光学设计用于容纳0.22 NA和400 μm纤芯的多模光纤输入。然而,当时唯一可用的激光器具有0.5 NA和400 μm的多模纤芯,这导致激光线轮廓中的线宽扩展更大。这种线扩展的影响是在样品处产生400 μm宽度的激光线(成像探针光学元件放大2.5倍后),而不是样品处250 μm的目标宽度。较大的激光线产生更多来自邻近组织的深度信号,这转化为不想要的噪声。此外,由于光纤规格的差异,激光功率的87%通过激发分支和成像探针的光学元件损失。预计这些限制将通过集成设计为通过400 μm、0.22 NA多模光纤传输5 W功率的785 nm激光器来纠正。

  系统的另一个限制是使用光纤束进行激发和采集。尽管光纤束为设计用于临床环境的成像探针提供了急需的运动范围,但它们存在显著的光学损失(55%至65%):首先,通过光纤束内数千根光纤的有限有效采集面积,其次,通过光纤束本身的传播损失,这取决于光纤束长度。然而,通过光纤束在激发分支产生激光线扫描的能力提供了成像探针中没有任何电气或移动部件的优势,因此显著降低了患者的风险并允许更坚固的探针设计。灵活性与光学损失是为临床环境中的用户实用性而认为必要的权衡,因此需要大量努力来减轻额外的光学损失。

  在可用时选择了现成透镜,并为成像探针设计制造了两个定制透镜。铝制探针外壳被制造为容纳所选光学元件。所得探针尺寸和0.6 kg的重量可能被认为对某些临床应用来说过于笨重,特别是如果探针要手持的话。透镜尺寸定制将有助于减小探针主体的占地面积,而塑料模具方法可能减少受加工公差和金属外壳所需的组件组装限制的整体探针尺寸。将探针安装在定制装置上,该装置本身安装在手术台上,可能是较轻手持探针的合适替代方案。

  通过OTF对系统不同部分照明和采集的分辨率标准很容易在整个不同组件的外接圆上满足,但成像探针内明场成像空间分辨率除外,在该视场的角落中标准未完全满足。然而,明场成像视场角落空间分辨率的降低并不妨碍可视化组织结构的能力。

  在脂肪组织和肌肉组织中采集了拉曼光谱,总计5040个光谱。在从脂肪和肌肉组织恢复的平均光谱中,鉴定了16个显著的拉曼带及其生物学相关性。光谱和选定的带与文献中的先前工作显示出很强的对应关系,其中几个拉曼带(620、824、853、1001和1604 cm⁻¹)显著且与肌肉的高蛋白质含量相关,而其他(967、1082、1298、1346和1739 cm⁻¹)与脂肪组织的高脂质含量相关。许多拉曼带(886、1063、1126、1264、1442和1657 cm⁻¹)在两种组织类型中都很显著,相对强度各异。鉴定了16个显著的拉曼带,尽管每个平均光谱的SNR允许识别和解释更多的拉曼带。本工作中未呈现这些其他拉曼带,因为其目的是展示成像系统在组织内采集高SNR拉曼光谱的能力,并使用少量拉曼特征进行图像内的组织区分。在整个视场内,在高散射脂肪组织中采集的光谱方差可忽略不计,而肌肉组织光谱显示出稍大的方差,这表明相同采集参数的整体SNR存在差异。比较脂肪和肌肉组织光谱,我们观察到几个不同的高SNR拉曼带,如仅在肌肉组织中存在的1001 cm⁻¹苯丙氨酸带,以及在脂肪组织中相对强度更高的1442 cm⁻¹带。拉曼光谱中表达的这些分子对比表明,低复杂度分类器应能成功区分这些组织类型。

  尽管在纯组织类型线扫描时光谱显著不同,但当成像组织包含边缘(即一个图像内有几种组织类型)时,情况并非如此。在组织边缘内检测的脂肪和肌肉组织的平均光谱与纯脂肪图像中采集的光谱相关性更强。这可以归因于线测量相对于组织边缘的方向(在这种情况下垂直于边缘),这引入了由于组织内散射光的穿透深度(激光和组织发光)以及这些组织的光学特性而导致的深度信号贡献。激光的线轮廓在样品内产生深度信号,最终通过系统的检测线收集。这是空间偏移拉曼光谱(SORS)中利用的现象,当特定深度检测是目标时,但在本研究中,这是一个不想要的混杂因素。对不想要的深度信号的一个显著贡献来自于使用比采集线 μm)更宽的激光线 μm)。照明和采集区域之间的不匹配越大,来自深度组织对整体拉曼信号的贡献越大。据报道,脂肪组织具有非常强的拉曼截面,并且在810至922 nm范围内是比肌肉更高的散射组织,这解释了在脂肪组织中观察到的高SNR及其在边缘图像检测线中恢复的显著空间偏移信号。如果线所示的边缘进行,这种信号的交叉污染可能就不会如此明显。即便如此,研究表明纯组织和组织边缘的验证结果,即准确性、特异性和灵敏度,都超过了97%,仅使用三个选定的拉曼带即可实现这些结果:1001(苯丙氨酸呼吸模式)、1437(CH₂对称变形)和1442 cm⁻¹(CH₂/CH₃反对称变形)。尽管特征选择器仅选择了三个带,但这并不排除4.2节中鉴定的其他拉曼带对脂肪和肌肉组织区分的生物学相关性和适用性。然而,这确实表明,从可用数据来看,我们可以使用仅这三个拉曼特征生成非常简单但有效的分类器,尽管包含更多光谱特征可能有助于在SNR较低的光谱中提供准确的组织类别预测。通过承认1437和1442 cm⁻¹都表明组织的相同生物学内容,可以进一步简化该分类模型。考虑到苯丙氨酸在肌肉中的普遍存在与其在脂肪组织中的缺失,以及脂肪组织中长烃链的大截面,富含CH₂对称变形和CH₂/CH₃反对称变形,这些提取的拉曼带在生物学上与使用分子成像进行组织区分相关。对这些组织特异性带的考虑和成功的分类验证表明,在最坏情况下(即来自邻近组织的信号贡献显著),强大的分类器仍可以使用很少的拉曼带在宏观线扫描中成功区分组织类型。

  图7(c)中类别概率图的实现以视觉和清晰的方式呈现了组织边缘的位置。该类别概率图的生物学相关性在于,在组织可以有效用分类器区分的测量条件下,存在一个对应于组织类型之间边缘的弥散区域,在该区域中,训练良好的分类器将逐渐难以从一种组织到另一种组织进行预测,部分原因是逐渐发生的来自新类别组织的拉曼散射贡献。随着预测像素接近边缘,该类别的预测概率将降至其最低值50%,直到预测类别变为新组织类型,随着测量进一步远离边缘且信号仅来自另一种组织类型,预测概率逐渐增加。事实上,我们观察到,在两种组织类型中,当远离边缘时,分类器置信度总体接近完美。承认基于组织颜色和纹理的视觉边缘位置识别并未考虑成像样品中组织边缘的厚度或异质性(即脂肪和肌肉组织的混合物),仅允许对边缘位置进行近似。对样品的组织学分析将提供对临床应用至关重要的精确边缘大小和细胞含量,但被认为与本工作提出的结论无关。从视觉估计,图7所示的边缘宽度1 mm,对应于图像中4像素。这与图7(c)的概率图一致,该图以平均4像素的宽度突出显示边缘位置,预测置信度90%。

  最后,这个分类示例有意用易于区分的组织类别(脂肪与肌肉组织)进行测试,以说明系统的功能和仅在一个样本中边缘识别能力的示例。使用相同样本仅检测一个脂肪区域和肌肉区域,以及组织边缘,在创建能很好地推广到其他样本的机器学习分类器方面存在局限性。在本研究中,测量导致组织类型内和所有拉曼图像中的光谱方差相对较低。这导致了具有高验证分数的分类器的创建(即SVM和RF准确性分别为99.0%和96.7%),表明仅使用三个带(即1001、1437和1442 cm⁻¹)即可区分脂肪和肌肉组织。先前出版物中猪组织的拉曼光谱也显示脂肪组织中不存在1001 cm⁻¹苯丙氨酸带,表明我们选择的特征和模型可能可推广到其他样本。这将在系统改进后的未来研究中得到确认。在拉曼SNR和带位置呈现更细微差异的组织中,如弥漫性胶质瘤,需要更多的成像样本进行训练和测试,以捕获样本间和受试者间的变异性。

  本研究的结果是在新型线扫描系统中观察到的,该系统最初设计为获得与用于胶质瘤手术手术引导的单点探针系统相当的信号水平。尽管识别组织边缘的初步数据很有希望,但观察到线扫描器的光子预算(收集的总拉曼光子)可能不足以在适当的时间范围内(10分钟)为具有更细微分子差异的组织(如大脑)生成具有足够高SNR的光谱以进行边缘识别。表3说明了线扫描器和上述点系统之间光子预算的关键差异,以解释性能差异。显然,在当前条件下,与点探针相比,线扫描器的光子预算收集对于相同的检测单位面积约低9600%,尽管线扫描器每行采集的单位面积大500%。尽管与光纤束相关的损失和收集光纤的数量(其中收集光纤指点探针的收集几何形状,其中多根光纤参与同一检测区域的收集)是这两个系统固有的,但估计通过实施更强大的光纤耦合785 nm激光器(5 W)且NA为0.22与激发分支的NA匹配,我们将减少功率损失并将样品处的总激光强度增加600%。此外,通过定制光谱仪以获得与采集分支匹配的NA,预计这些修改将在相同的采集时间和检测单位面积下实现1200%的收集拉曼信号的现实增加。高功率激光器(5 W,785 nm)可能在临床环境中引起关注;然而,最重要的是激光对组织的暴露永远不会超过美国国家标准协会Z136激光安全标准设定的皮肤最大允许暴露。更高的激光强度提供了快速多次扫描目标表面的机会,在扫描之间留有充足的时间让组织冷却,从而避免热损伤。进一步的修改包括通过具有独立于光纤束的近红外采集的更大非接触探针将系统的NA增加到0.36(f#=1.4),可能将单点系统和线扫描器之间的光子预算差异减少到仅50%。通过检测线 mm,这样的线扫描器每行将检测相当于20个点探针的面积。

  表3. 拉曼线扫描和拉曼点系统之间的参数差异,比较相同检测面积和采集时间的总体光子收集预算。

  本文报告了一种免标记、大视场线扫描拉曼系统的开发,旨在解决分子图像引导手术的临床需求。详细介绍了系统的布局及其光学设计,并展示了在猪组织上的功能验证。该系统可以在3分钟内在视场接近1 cm²的组织中采集指纹区域的1680个高SNR拉曼光谱。使用纯猪脂肪和肌肉组织的数据,训练和验证了SVM和RF分类器,在组织边缘上实现了97%的准确性,展示了该分子成像系统基于机器学习方法定位组织边缘的潜力。特征选择导致了仅使用三个拉曼带区分猪脂肪与肌肉组织的简化分类模型的生成。详细讨论了解决必要修改以将该系统应用于人体患者的临床研究,以评估其在在体定位疾病边缘方面的潜力。

  香港星云先进技术有限公司(NAT)是Innovative Photonic Solutions(IPS Lasers)代理商,采购半导体二极管光源系统、拉曼光谱激光器等光电产品请立即联系我们。


本文由:壹号娱乐 - NG大舞台,有梦你就来提供

搜索

 谷歌地图 百度地图