【文献整理】漫反射光谱在两层组织结构中的层厚预测和组织分类
原文：https://www.nature.com/articles/s41598-022-05751-5#citeas
Geldof, F., Dashtbozorg, B., Hendriks, B.H.W. et al. Layer thickness prediction and tissue classification in two-layered tissue structures using diffuse reflectance spectroscopy. Sci Rep 12, 1698 (2022). https://doi.org/10.1038/s41598-022-05751-5
目的
用漫反射光谱来预测顶部层厚度,并将两层动物组织类型区分开来
研究背景
其他方法
- 高光谱
- 弹性光谱
- 拉曼光谱
其他研究
-
是在单层同质的组织结构的假设下进行表面组织的识别。
DRS分析方法:拟合模型来测量组织的光学和生理参数
局限：在外科手术中,测量的组织通常是不均匀的 -
针对两层介质的不同DRS模型,主要分析了多层皮肤的上皮细胞
只是基于单蒙特卡罗模拟，生成具有各种生理参数的双层模型的漫反射光谱，而没有使用任何实验数据作为输入
然后用逆拟合来量化和验证光学性质和表皮厚度,一些和模型的测量相结合,或与已知的人皮肤的值比较。
局限：两层模型中大量的参数大大增加了计算时间
研究思路
机器学习+DRS，最后用超声结果进行比较
方法
测量设置
光线DRS系统的组成：
- 钨卤宽带光源：用于可见光域
- 两台光谱仪：用于红外域
探头：有两个源-探测器 ：用于从浅表和更深的采样深度获取信息 ：采样深度(探测光子的穿透深度)取决于源和探测器光纤之间的距离
超声换能器
模型
人工模型
两层，层间清晰边界
顶层厚度可变
用CT确定测量标准值
动物组织
由一个厚的底层和一个薄的顶层组成
- 上肌肉下脂肪
- 上脂肪下肌肉
信息获取与预处理
信息获取
- 人工模型上的15个位置进行DRS和超声测量
每个测量位置使用四个不同的探针方向获取数据，每次探针旋转四分之一圈。 一个带有所需探针位置和方向的切割的网格被用来确保探针的中心在改变方向时保持在相同的位置。所有测量均重复三次，共180次测量 与CT测量值对比 - 在动物组织的多个位置以网格模式进行测量
- 在每个位置进行光纤DRS测量
- 超声成像的中心对应于DRS测量的位置 在总共250个位置进行了DRS和US测量;进行了122个脂肪在肌肉上的测量和128个肌肉在脂肪上的测量
数据预处理
- 每个测量位置有一个光谱（从可见和近红外波长范围的DRS光谱） 删除信噪比低区域数据
- 使用白参考测量值和暗参考测量值（关闭光纤光源获得）进行校准
- 光谱与800 nm处（这个区域不会有任何明显的吸收）的反射率值进行了归一化，以补偿可能存在的任何强度差异
数据分析-----提取特征
人工模型：情况不太复杂，没有进行特征提取方法，也没有使用US特征
动物组织：复杂的，采用两种不同的DRS特征提取方法，并将小纤距和大纤距提取的特征进行组合。
光谱特征提取
DRS特征提取
一个DRS测量由1200波长特征组成
为了有效地减少数据量和降低过拟合的风险，两种不同的光谱特征提取技术;
-
对于基于峰的方法 在三个具有不同峰值的光谱区域，计算了最大的峰距倾角。这些波长区域因为它们在不同比例下的主要水分和脂肪吸收而被选择。 用最大强度值减去最小强度值计算峰高。通过将两个光纤距离的三个峰值高度串联起来，这种方法产生了六个特征。
-
基于小波变换的方法 该方法可用于不同光谱尺度下的光谱分析。在本研究中，使用了Denstedt等人描述的转换二元来实现。输入光谱与尺寸为8的Symlet低通滤波器进行卷积，得到近似光谱。随后，对得到的光谱进行2倍的下采样，并重复该过程多次，每次使用前一次迭代的近似谱。第6次迭代的近似谱由25个特征组成，用于分析。对这两个光纤距离提取这些特征，总共得到50个特征。
超声特征提取
为了能够确定US成像对预测层厚的附加价值，基于图切理论从US图像中提取特征。
自动分割算法
顶层厚度预测
顶层厚度预测。利用高斯过程回归分析预测了人工体模的顶层厚度。所有1200 DRS波长都被用作特征。进行两次回归;光纤距离为2mm和6mm。预测误差的平均值和标准差用于使用10次迭代交叉验证技术的评估，其中结果平均超过20次迭代。每个位置，所有光谱被分配到一个折叠，以确保一个位置的光谱不会在训练集和测试集之间分割。
组织分类（对动物）
采用二次支持向量机分类模型，仅基于DRS特征对两层组织类型(肌肉/脂肪)进行独立分类。执行了10次迭代交叉验证，结果在20次迭代中平均。分类器使用一次峰值特征和一次提取的小波特征进行训练。使用准确度、马修斯相关系数(MCC)、曲线下面积(AUC)、敏感性和特异性来评估分类性能。
结果
组织模拟模型
DRS测量在人工体模上的15个位置进行，包括一个逐渐增加厚度的顶层和一个蓝色的底层。
颜色表示测量位置的顶层厚度
在635-640 nm处有一个吸收峰。
对于所有顶层厚度，在这些波长的测量反射率谱中可以看到明显的倾角。
不同顶层厚度的倾角大小也存在差异-----------------表层越薄，在这个波长区域的吸收就越多。
使用回归分析，可以估计顶层厚度，对于2毫米的光纤距离，平均预测误差为0.71±0.07毫米，对于6毫米的光纤距离，平均预测误差为0.69±0.04毫米。
动物组织
顶层厚度
不同顶层厚度的平均漫反射光谱
脂肪在上 肌肉在上
利用从两个光纤距离(2和6 mm)中提取的DRS特征进行回归分析，预测顶层厚度。指数GPR模型（高斯回归 ）的性能优于线性SVM模型
#Bland-Altman图
可以观察到预测的顶层厚度与参考厚度之间的一致。每个图显示了预测和真实厚度值与平均值之间的差异，并允许对误差分布进行视觉评估。
组织分类
第一层和第二层的分类精度分别为峰高法0.95和0.95，小波法0.95和0.99。组织分类的
#ROC曲线[[ROC曲线]]
讨论
利用漫反射光谱技术对两层体模和动物组织进行顶层厚度预测和层分类的可行性进行了评估。来自两个不同的源-探测器光纤距离的数据被结合起来，以检索来自浅表和更深的采样深度的信息。
成像方法对比
与仅使用DRS特征相比，DRS和US特征的结合并没有显著提高顶层厚度预测精度。仅使用DRS特征的预测精度已经与超声分辨率处于同一个数量级
1
对于顶层有肌肉的动物组织的预测误差比顶层有脂肪的动物组织的预测误差小，而当添加了超声特征后，这种差异变得更加明显。这可能是由于在超声的图像中，第一层和第二层组织之间的界限更清晰，只有一层肌肉。此外，US特征对层内结构和强度差异较为敏感，这在脂肪组织中更为常见。
DRS可能对这一点不太敏感，这使得这种技术更加可靠。
回归模型对比
比较两种回归模型的结果可以看出，高斯过程回归模型的表现优于更简单的线性SVM模型。
在基于峰值的DRS特征和顶部肌肉组织的情况下，差异是显著的(p <0.0001和p<0.001)。
特征提取方法对比
从两种DRS特征提取方法来看，除了肌肉位于脂肪组织之上和使用线性支持向量机模型的情况外，基于峰值的方法比基于小波的方法性能稍好。
在不增加训练样本数量的情况下，增加模型的维度(特征数量)，分类器性能下降的现象。
可能的基于峰值优于基于小波的原因：
- 基于小波的方法考虑了整个DRS频谱的信息，而基于峰值的方法只关注频谱的三个特定区域。
- 基于小波的方法每个谱提取25个特征，而基于峰值的方法只提取3个特征。特征越多的机器学习模型更容易对数据进行过拟合，这可能会降低测试时的预测精度。这可能是基于峰的特征在输入信息较少的情况下，预测精度仍然略高的原因。