近期，MILab在激光散斑成像研究方面取得新进展，相关研究论文“SGLSA: Sphygmus gated laser speckle angiography for microcirculation hemodynamics imaging”已被医学图像分析期刊 Computerized Medical Imaging and Graphics 在线发表。
已有研究证明了LSCI 技术在灌注成像与搏动分析中的应用价值。然而受限于LSCI算法中时空窗的使用，不能同时获得高空间分辨率与高时间分辨率的灌注图像。对于高空间分辨率的灌注成像，只能观察到血管结构信息与某时间段的平均灌注水平，无法对心动周期内的血流灌注变化进行有效的评估。另一方面，对于高时间分辨率的血流动力学分析，只能获取一维搏动信号缺失了结构信息。虽然LSCI 技术具有高时空分辨率的潜力，但是现有的LSCI 算法中时空窗的使用让LSCI 技术丧失了高时空分辨率的能力，限制了LSCI 技术在微循环成像中的应用。
为了突破现有研究的限制，获得高时空分辨率成像，MILab提出了一种新的激光散斑成像算法， 即搏动融合激光散斑血管造影技术（Sphygmus Gated Laser Speckle Angiography, SGLSA）。与现有的 LSCI 算法相比，SGLSA 突破了时间与空间分辨率的限制，实现了高时空分辨率并保留灌注图像的结构和搏动信息。高时空分辨率的特性可以对视网膜小血管（包括血管弹性、瞬时速度、BOT 和ATI 等）进行血流动力学分析，为视网膜和脉络膜疾病，慢性病等研究提供了新的成像技术。
图1 SGLSA 实施流程图。EPI：增强灌注图像；EP-Vessel：富血管ROI 区域的搏动信号
SGLSA 的流程如图1所示，该算法整体由3 个子过程组成：图像稳定过程（Image Stabilization Procedure, IS 过程）、时空增强过程（Spatiotemporal Enhancement Procedure, STE 过程）和脉动融合过程（Pulsatility Fusion Procedure, PF 过程）。具体来说，IS 过程是为了纠正 SPI 中由眼球运动、眼球震颤等引起的运动伪影。基于 IS 过程中得到的稳定时间衬比图像（Stabilized TLSC）和稳定空间衬比图像（Stabilized SLSC），STE 过程以并行方式获得增强灌注图像（Enhanced Perfusion Image，EPI）和富血管ROI 区域的搏动信号（Enhanced Pulsatility of Vessels，EP-Vessel），无损保留SPI 的时空分辨率。最后，在 PF 过程分析中，融合EPI、EP-Vessel 和稳定空间衬比图像并最终获得搏动融合（PF）图像。
图2 SGLSA 与参考LSCI 算法的灌注成像对比图。（a）sLSC；（b）tLSC；（c）MBR；（d）stLSC；（e）sdLSC；（f）SGLSA
图3 放大后的小血管ROI 区域。（a）sLSC；（b）tLSC；（c）MBR；（d）stLSC；（e）sdLSC；（f）SGLSA
为了验证所提出算法的有效性，我们对10 名健康志愿者（20-30 岁）的20 只眼睛进行测量和分析。同时，我们将 SGLSA 与五种最具有代表性的 LSCI 算法进行了对比，包括 sLSC 算法（一种经典的空间LSCI 方法）、tLSC 算法（一种经典的时间LSCI 方法）、MBR 算法（一种广泛使用的时间LSCI 方法）、stLSC 算法（一种经典的时空LSCI方法）和 sdLSC 算法（一种最新的时空LSCI 方法）。sLSC 采用5×5×1 时空窗口，tLSC 和MBR 采用1×1×15 时空窗口，stLSC 和sdLSC 采用3×3×5 时空窗口。
此外，一名阿尔茨海默病志愿者、一名糖尿病志愿者、一名高血压志愿者也参与了测量，以验证PGLSA 的普适性。测量前，要求志愿者闭上眼睛在暗室中休息 1 分钟。然后，测量每只眼睛（5 秒）。
图4 阿尔茨海默病患者通过SGLSA 算法和参考LSCI 算法获得的灌注成像与血流搏动信号结果汇总图。
（a）sLSC 灌注图像；（b）tLSC 灌注图像；（c）MBR 灌注图像；（d）stLSC灌注图像；（e）sdLSC 灌注图像；（f）PGLSA 灌注图像；红色虚线框标记了视盘区域，红色实线框标记了视网膜微血管区域。（g）sLSC 视盘区血流搏动信号；（h）tLSC 视盘区血流搏动信号；（i）MBR 视盘区血流搏动信号；（j）stLSC 视盘区血流搏动信号；（k）sdLSC 视盘区血流搏动信号；（l）PGLSA 视盘区血流搏动信号；（m）sLSC 微血管血流搏动信号；（n）tLSC 微血管血流搏动信号；（o）MBR 微血管血流搏动信号；（p）stLSC 微血管血流搏动信号；（q）sdLSC 微血管血流搏动信号；（r）PGLSA 微血管血流搏动信号。
图5 糖尿病患者通过SGLSA 算法和参考LSCI 算法获得的灌注成像与血流搏动信号结果汇总图。(a) - (r) 同上图。
图5 高血压患者通过SGLSA 算法和参考LSCI 算法获得的灌注成像与血流搏动信号结果汇总图。(a) - (r) 同上图。
该论文的第一作者是毕业于MILab的冯夕萌博士，通讯作者是卢闫晔研究员。该研究得到了北京市自然科学基金（Z210008）、国家自然科学基金（61875123）、深圳科技计划（JCYJ20200109140603831, KQTD20180412181221912）等项目的经费支持。
论文链接：https://doi.org/10.1016/j.compmedimag.2022.102164
添加评论