在体光声成像前眼血管:随机样本共识方法
本研究将活体光声显微镜成像与基于随机样本共识(RANSAC)的眼表估计算法结合,在小鼠眼上实现前眼血管的分层可视化与定量分析。该方法可分割角膜新生血管并量化其面积,还能在出血和水肿遮挡下识别深层脉络膜/视网膜血管损伤,组织学验证与光声结果吻合良好。
要点
- RANSAC眼表估计算法可重建基于眼表的深度编码图像,实现前眼血管逐层分析。
- 表面上方血管分割可追踪碱烧伤后角膜新生血管,并量化其面积随时间的变化。
- 表面血管分割可显示被出血和水肿遮挡的深层脉络膜/视网膜血管损伤,与组织学一致。
核心结论
- 结合在体光声显微镜成像与RANSAC眼表估计算法,可直观显示前眼血管并进行逐层分析。
- 该方法能分割角膜新生血管并量化其面积,还能识别深层血管变化,即使该区域被角膜缘血管和出血覆盖。
- 组织学验证与光声成像结果吻合良好。
研究设计与样本
- 研究论文,采用商业化光学分辨率光声显微镜系统(Switchable rapid-scanning PAM system,Microphotoacoustics,美国)对小鼠眼进行在体成像。
- 成像视野为3 mm × 3 mm,包括虹膜、角膜缘和巩膜;同一区域用常规数码显微镜(AM4113ZTL,Dino-Light,台湾)拍摄作对照。
- 开发基于RANSAC的眼表估计算法,假设小鼠眼为完美球形结构,通过随机采样4000组眼球中心位置和半直径参数进行匹配估计。
- 组织学评估用于确认化学烧伤后深层血管损伤的深度。
关键影像表现/征象
- 光声最大振幅投影图像清晰显示虹膜和角膜缘血管以及巩膜下的脉络膜和视网膜血管,血管网络与常规显微镜图像吻合良好。
- 常规显微镜图像中脉络膜血管因对比度低而很少可见。
- 基于眼表的深度编码图像中,脉络膜/视网膜血管和虹膜血管呈相同蓝色,角膜缘血管呈黄色,表明角膜缘血管位于更高层。
- 碱烧伤后第7天照片显示角膜和结膜明显水肿,后续照片显示水肿消退但遗留混浊;光声图像可显示水肿和混浊区域的血管。
- 表面上方血管分割图像显示碱烧伤后角膜新生血管从角膜缘开始向角膜中心生长,并可计算其实际面积及时间变化。
诊断标准与关键数值
- RANSAC算法随机采样4000组参数,正负区域厚度均设为150 μm,γ设为2,b设为0.025。
- 单次Step 3匹配平均CPU处理约23700 ms、GPU处理约257 ms,平均需9.5次重复(38000组参数)完成估计,总平均处理时间2.82 s。
- 十次试验中所有估计参数(x、y、z、r)的标准差均小于5 μm。
- 表面上方血管分割阈值范围为r'+120 μm以上;表面血管分割阈值范围为r'+80 μm以下。
- 碱烧伤后3只小鼠中有2只角膜新生血管面积增加超过0.5 mm2,酸烧伤后所有小鼠眼检测面积无显著变化。
临床应用与阅片要点
- 基于眼表的深度编码图像比常规深度编码图像更直观地显示弯曲眼表的多层血管结构。
- 表面上方血管分割可用于角膜新生血管的时间随访和面积定量,避免投影弯曲表面引起的失真。
- 表面血管分割可排除表面血管和出血的遮挡,显示深层脉络膜/视网膜血管损伤区域。
局限性
- RANSAC由于随机采样性质不能总是从输入数据集中找到最优参数集,每次估计的眼中心位置和半直径可能变化,可能导致可视化和分割结果不一致和不可靠。
- 需要增加迭代次数以最小化该问题的概率。
- 高精度RANSAC估计需要大量迭代和较长计算时间,尤其处理3D数据时。
- 实验所用扫描系统速度较慢(约1 Hz/B-scan),难以立即评估眼血管。
- 人眼比小鼠眼更呈长椭圆形,将算法应用于人眼图像时可能发生估计误差。
全文中译10 节 · 点击展开
引言
在临床眼科中,可视化眼部血管系统非常重要,因为缺血和新生血管形成是多种眼部疾病的早期征象1, 2。传统上,裂隙灯生物显微镜检查用于评估此类疾病,但当血管系统伴有不透明瘢痕组织时,该方法无法清晰显示血管。荧光血管造影也常用于眼部血管成像,但注射所需的造影剂可造成疼痛并产生潜在并发症。光学相干断层扫描(OCT)是现今另一种广泛使用的工具,通过编码血流引起的强度方差4,可提供眼部结构3和血管系统的高分辨率容积图像。
光声显微镜(PAM)是一种新兴的成像技术,由于其固有的深度分辨成像能力6,也能够实现血管系统的三维可视化5。PAM可基于血红蛋白本身固有的光吸收7提供眼部血管图像。因此,不存在与外源性造影剂相关的副作用8, 9。此外,PAM。PAM的这一独特优势可通过提供眼部血管系统的详细形态学信息来辅助眼科诊断10。举例来说,考虑角膜新生血管形成,即血管向角膜内的过度长入。由于新生角膜血管可威胁视力,准确评估疾病进展和治疗反应非常重要。2014年,W. Liu等人11通过使用稳健局部回归平滑,展示了眼部PAM图像中角膜新生血管形成的分割。然而,像最小二乘回归平滑这样的经典平滑技术会对所有数据集进行平滑处理,因此当数据集中包含许多由新生血管产生的离群值时,拟合可能不稳定并无法检测角膜新生血管形成12。除角膜新生血管形成外,现有的深度可视化方法在观察覆盖有其他血管或出血的弯曲表面上的深部眼部血管时存在问题,因为它们仅显示某一深度的切片图像13或投影图像5。
现有的可视化方法仅显示投影图像或某一深度的横向切片图像。因此,当弯曲表面上的眼部血管被其他血管或出血所遮蔽时,观察深部静脉是一个问题。
为克服这些困难,我们提出了一种评估眼前节血管系统的新技术,该技术将光学分辨率光声显微镜(OR-PAM)与基于随机抽样一致性(RANSAC)的表面估计算法相结合。RANSAC是一种机器学习算法,是经典拟合方法的替代方案。这种迭代参数估计仅通过计算内点就能产生非常精确的模型,即使离群点数量显著12。我们不是用经典平滑方法粗略地映射眼表面,而是使用RANSAC算法来找到眼球中心位置和半直径。利用估计的眼中心位置和半直径,通过使用距估计眼表面的距离,我们可以重建比传统深度编码图像更直观的眼部血管系统深度编码图像。从这种基于表面的深度编码图像中,我们成功分割了小鼠眼化学烧伤后诱导的角膜新生血管,并量化了新生血管的面积。此外,我们确认我们的新方法可以识别深层血管的变化,即使该区域被角膜缘血管和出血所覆盖。最后,组织学验证与光声成像结果吻合良好。随着我们算法的进一步发展,我们相信光声显微镜可以提供定量血管信息,以辅助眼部疾病(如角膜新生血管或角膜缘血管缺血)的诊断和监测。
结果
眼前节血管系统的在体光声成像
我们使用商用的OR-PAM系统(可切换快速扫描光声显微镜系统,Microphotoacoustics,美国)(图1a)对小鼠眼部血管系统进行成像。该系统的详细描述见方法部分。为了监测化学损伤后眼部血管系统的变化,对眼前节的侧视图进行成像,包括虹膜、角膜缘和巩膜,视野为3 mm × 3 mm(图1b)。然后,用传统数码显微镜(AM4113ZTL,Dino-Light,台湾)拍摄小鼠眼的同一区域(图1c)。OR-PAM最大振幅投影(MAP)图像清晰显示了虹膜和角膜缘血管以及巩膜下方的脉络膜和视网膜血管(图1d)。血管网络与传统显微镜图像吻合良好(箭头(i)和(ii)标注)。然而,在传统显微镜图像中,由于对比度低,脉络膜血管几乎不可见(箭头(iii)标注)。
基于随机抽样一致性(RANSAC)的眼表面估计与血管可视化
我们开发了一种基于RANSAC的眼球表面估计方法,以重建比传统深度编码图像更直观的眼球图像,并逐层分析眼部血管系统。在使用该方法时,为简化估计,我们假设PA图像中的小鼠眼球具有以特定位置为中心的完美球形结构。简言之,我们在特定随机采样范围内随机采样了4000组眼球中心位置和半直径,然后量化每组参数与所获取的3D PA数据的匹配程度。在4000次匹配过程之后,使用最匹配PA数据的前5组参数来缩小随机采样范围。我们重复这些过程以找到最佳中心位置和半直径。上述所有过程分为六个步骤:预处理、参数随机采样、匹配、更新随机采样范围、重复和后处理(图2a)。除预处理和后处理步骤外,表面估计由图形处理单元(GPU)加速。我们使用配备64位Intel Core i7-4790处理器、24 Gb RAM和NVIDIA GeForce GTX 970显卡的台式计算机。各处理步骤的详细描述如下:
步骤1)预处理3D PA图像:为提高信噪比,PA数据通过以超声中心频率为中心的数字带通滤波器,并通过希尔伯特变换进行包络。包络后的3D数据被降采样以减少计算时间。然后,我们通过对数据进行阈值处理,将血管信号设为1、背景设为0,从而获取二值PA数据P(x, y, z)。
步骤2)参数随机采样:在此步骤中,我们随机选择4000组参数集,每组参数集包含眼球中心位置和半直径。参数集的数量选择为最佳利用GPU中的常量内存大小。初始随机采样范围选择如下:其中参数表示沿各轴(x、y、z)的中心位置和第n个所选参数集的半直径(图2b)。此外,是随机采样范围的中心,是在–a到a之间均匀分布的随机实数。在本研究中,c x和c y设为PA图像大小的一半,因为眼球通常成像于OR-PAM图像的中心。c z根据眼球的典型z位置凭经验设为2.30 mm,该位置取决于OR-PAM系统的焦深,根据典型小鼠眼球大小设为1.70 mm14。分别凭经验设为0.50、0.50、0.50和0.25。这些初始随机采样范围一致应用于所有图像。
步骤3)匹配:为找到最接近眼球实际中心位置和半直径的参数集,将所有参数集与预处理后的PA数据进行匹配。为估计包含血管系统最内边界的表面,将PA数据与掩模进行匹配,该掩模由定义如下的正区和负区组成:其中r为距中心位置的距离,),和分别为正区和负区的厚度(图2c)。在本研究中,我们将和设为150 μm,以在PA数据中包含任意血管。然后我们计算匹配得分,如下所示:
在计算出4000个匹配分数后,我们从这4000个参数集中提取具有最高匹配分数的5个参数集,。m表示最高匹配分数的顺序,从1到5变化。
步骤4)更新随机采样范围:利用提取的前5个参数集,按如下方式更新式(1)中的随机采样范围:其中和分别是 的平均值和标准差,γ是可调缩放因子,b是用于固定最小随机采样范围的常数变量。在本研究中,根据经验将γ设为2,将b设为0.025。
步骤5)重复:利用更新后的随机采样范围,重复从步骤2到步骤5的过程,直到最近参数集,连续三次重复保持不变。我们将该参数集定义为眼中心位置,和半直径,。
接下来,我们使用单个PA数据集从步骤2到步骤5尝试进行十次表面估计,以确定平均处理时间并评估我们估计算法的精度。平均而言,对于步骤3的单个过程,CPU和GPU处理分别需要约23,700 ms和257 ms,并且需要9.5次重复(38,000个参数集)才能完成估计。考虑到初始化 and 完成GPU处理的额外时间,总平均处理时间为2.82 s(表1)。表2显示了十次试验后最优参数的平均值和标准差。我们观察到所有估计参数的标准差均小于5 μm。在我们的估计方法中,我们使用了具有七位有效数字的单精度。因此,由于参数的最大范围为3000 μm,最终精度固定为0.001 μm。然而,由于我们的PA图像中的最小体素大小为2.5 μm,我们对表2中的结果值进行了舍入。
步骤6)后处理:A. 基于表面的深度编码图像。
我们利用提取的参数集,,按如下方式重建基于表面的深度编码图像,:其中常规深度编码图像,表示包络PA数据中最大PA信号的深度,在扫描平面基础上位于(x, y)处(图2d(i)),并定义如下:
请注意,我们使用PA强度对所有常规深度编码图像和基于表面的深度编码图像的背景进行了阈值处理。与常规深度编码图像不同,基于表面的深度编码图像,表示相应PA信号与估计眼球表面之间沿表面法线方向的距离(图2d(ii))。我们在−50 μm到50 μm的范围内进行可视化,对距离超出该范围的信号进行饱和处理。
B. 表面上血管分离。
通常,角膜缘血管位于脉络膜和视网膜血管上方,而由眼前节损伤诱导的角膜新生血管沿眼外表面生长。我们通过对基于表面的深度编码图像进行阈值处理来分割表面上血管。图2d(iii)显示了阈值范围为 的分割图像。我们观察到,在表面上图像中仅检测到角膜缘血管和巩膜外血管。此外,还成功地从碱烧伤小鼠眼中分割出角膜新生血管,并在结果第3节中进行了描述。
C. 表面血管分离。
与表面上血管分离类似,我们对位于相对较低层的脉络膜/视网膜血管和虹膜血管进行分割。我们通过在一定范围内投影光声信号来实现这一点(图2d(iv))。我们还在不同范围内展示了表面上血管分离(见补充视频S1)。在此投影过程中,低于估计表面的光声信号被排除,以消除混响伪影。
表面上血管分离能够对角膜新生血管进行时间和定量评估
我们已经证明,依据基于随机抽样一致性(RANSAC)算法估计的表面,可以实现血管的分离。当血管在图像平面上同一位置堆叠时,这种处理是有用的。以碱烧伤为例,已知此类烧伤可在与虹膜血管不同的层次上诱导角膜新生血管形成15。我们对小鼠眼睛实施碱烧伤,随后通过照片和光声显微镜(PAM)图像进行评估。第7天的照片显示烧伤处角膜和结膜明显水肿,随后的照片显示水肿消退,遗留混浊(图3a,上排)。照片中角膜缘血管的间断显示,既可能反映化学烧伤损伤的血管,也可能反映未受损的血管仅因覆盖其上的水肿和混浊而无法显示。此外,在随访PAM图像中始终可检测到新生血管形成,但难以从照片中确定其层次并对新生血管形成进行定量。相比之下,PAM甚至可在水肿和混浊区域显示血管。基于表面的深度编码图像使得能够追踪同一层次上的血管,并揭示角膜缘血管在化学烧伤区域出现中断(图3a,下排)。此外,新生血管形成显示于估计表面之上,新血管沿同一层次向上生长(图3a,下排),这在解剖学上对应于角膜。基于表面的深度编码图像进一步基于距估计表面的距离( )进行处理,并手动选择由角膜缘血管界定的上半球以分离角膜血管。表面上血管的分离使得能够一目了然地对面角膜新生血管形成进行时间随访,并清晰描述其进展,其从角膜缘开始并向角膜中心生长(图3b,上排)。考虑到将曲面投影到图像平面所引起的畸变,我们能够计算角膜新生血管形成的实际面积并记录其时间进展(图3b,下排)。从图像计算面积的详细描述见方法部分。我们还实施了酸烧伤后角膜新生血管形成的分离并对其面积进行了定量(见补充图S1)。三只小鼠中有两只的角膜新生血管形成面积在碱烧伤后增加超过0.5 mm2,但在所有小鼠眼中,酸烧伤后检测面积无显著变化。
表面上血管分离使得能够在体评估脉络膜和视网膜血管
由于光声成像技术能够对深层结构进行成像16, 17,OR-PAM 可以显示巩膜下方的脉络膜和视网膜血管,而巩膜构成眼球不透明的最外层,阻碍对其下方血管的观察。为评估我们的 PAM 系统评估深部血管的能力,我们制备了正常眼、碱烧伤后眼和酸烧伤后眼。正常眼的基于表面的深度编码 PAM 图像能够显示在照片中无法清晰看到的完整脉络膜/视网膜血管(图 4a)。化学烧伤后双眼的结膜肿胀(酸烧伤后眼程度较轻)以及碱烧伤后眼的出血使深部血管的显示更加困难(图 4a,上排)。基于表面的深度编码 PAM 图像在一定程度上能够显示脉络膜和视网膜血管,但由于覆盖其上的角膜缘血管和出血,评估仍然困难(图 4a,下排)。因此,我们通过对基于表面的深度编码 PAM 图像应用阈值来分离深部血管( )。结果清晰显示了虹膜和脉络膜/视网膜血管,并提供了深部血管损伤的证据(图 4b)。它们甚至提供了关于损伤区域(箭头)的信息,而无需组织制备或注射对比标记。为确认损伤深度,进行了组织学评估。酸烧伤眼显示视网膜和脉络膜层次完整,而碱烧伤眼显示结构崩解,且崩解深达视网膜全层厚度(图 4c)。这些结果与既往报道结果高度一致,即酸通常比碱危害更小,因为凝固的蛋白质阻止酸渗透18。
讨论与结论
我们开发了一种基于RANSAC的眼球表面估计方法,旨在找到眼球的中心位置和半直径,以逐层分析眼部血管系统。RANSAC算法是一种非常强大的参数估计技术,使用迭代随机采样过程。然而,由于基于随机采样的性质,RANSAC无法总是从输入数据集中找到最优集合。换言之,每当我们再次估计参数时,通过RANSAC估计的眼球中心位置和半直径可能会发生变化。这一严重问题可能导致可视化和分割结果不一致且不可靠。需要增加迭代次数以最小化该问题的概率。为此,我们将该估计方法设计为重复4000次匹配过程,直到最近参数集连续三次重复保持不变,并且我们获得了精确的估计结果,所有参数(即x、y、z和r;表2)的标准差小于5 μm。如前所述,基于RANSAC的高精度估计需要大量迭代和较长计算时间,尤其是处理3D数据时,如本研究所示。然而,我们已经展示了基于GPU的加速计算,与CPU处理相比,处理速度提高了约90倍(平均在3秒以内)(表1)。尽管GPU处理加快了处理速度,但由于本实验使用的扫描系统速度较慢(约1 Hz/B扫描),立即评估眼部血管系统仍然困难。然而,我们相信这个问题可以通过使用快速扫描OR-PAM系统(约250 Hz/B扫描)19–21来解决。
利用估计的眼球中心位置和半直径,我们重建了基于表面的深度编码眼部PA图像,并将其与常规深度编码图像进行了比较。常规深度编码图像表示从扫描平面起的信号深度。该图像可能有助于理解平坦样本(如小鼠耳或细胞22, 23)的3D结构,因为样本表面与扫描平面大致平行,但当样本表面弯曲时(如眼部血管系统)(图2d(i)),则不易理解其结构。采用不同方法,基于表面的深度编码图像表示从估计的眼球表面起的信号深度,因此更容易理解眼部血管系统。在图2d(ii)中,我们观察到脉络膜/视网膜血管和虹膜血管以相同的蓝色呈现,而角膜缘血管以黄色呈现。颜色差异清楚地表明角膜缘血管位于比其他血管更高的层。从解剖学上讲,包括虹膜血管和脉络膜/视网膜血管在内的眼前节实际形状并非完美球形,而是接近椭圆形,且人眼比小鼠眼具有更长的椭圆形形状14, 24。因此,将我们的算法应用于人眼图像时可能出现估计误差。然而,我们期望通过在估计过程中单独考虑若干参数(如虹膜半径和前脉络膜曲率)可以解决该问题。这将需要额外的处理时间。
我们展示了对角膜新生血管的时间和定量分析。由于角膜新生血管存在于大多数与角膜疾病相关的失明病例中25,因此评估其进展和治疗反应非常重要。传统上,角膜新生血管通过裂隙灯生物显微镜检查或裂隙灯检查期间拍摄的照片进行评估26, 27。然而,可见性很大程度上取决于图像质量,即使图像质量良好,当伴有不透明瘢痕组织时某些血管仍不可见28。近年来,荧光素和吲哚菁绿血管造影已在一些研究中得到应用29,但其侵入性和严重不良反应的风险阻碍了其广泛应用30。我们的系统无需标记即可提供高对比度图像,并且在图像采集后几秒内额外提供角膜新生血管的自动化、客观定量。借助基于RANSAC的算法,我们可以评估位于表面深部的脉络膜和视网膜血管。光声成像在深部结构成像方面具有价值,但对重建的三维体积图像和传统深度编码图像的分析并不直观。基于RANSAC的算法能够对具有曲率的多层结构进行逐层分析,所得图像可以直观地向用户展示时间变化,如图4b所示。尽管人类脉络膜远颞侧区域存在分水带31,但周边脉络膜并未受到眼科医生的太多关注。分水带提示,诸如碱性烧伤对周边逆行脉络膜动脉造成的损伤,可导致从锯齿缘到分水带区域的脉络膜缺血。尽管具有重要意义,但从内部评估周边脉络膜既耗时又麻烦:可视化脉络膜血管需要使用30屈光度透镜来扩大视角,并使用吲哚菁绿进行血管造影31。相比之下,通过从外部成像,我们的方法便于评估周边脉络膜。
我们借助基于RANSAC的眼表面估计算法,对眼前节血管系统进行了在体光声成像。该算法被证明对于评估眼睛等多层且弯曲的结构非常有用。我们展示了从眼前节血管系统的三维体积光声数据重建出的直观易懂的逐层图像。由此获得的表面上血管与表面血管的分离,使得分别能够在小鼠化学烧伤模型中对角膜新生血管进行在体时间和定量评估,以及对脉络膜/视网膜血管进行时间评估。我们相信,我们的方法将有助于扩大光声断层成像(PAT)在眼科中的应用。本研究的未来方向是将该技术应用于人眼。然而,除了不透明巩膜和眼球解剖差异的问题外,还有一些额外问题,即成像速度过慢以及需要使用耦合介质。近年来,已开发出一种具有高扫描速率和改进信噪比(SNR)的非接触式光学分辨率光声显微镜(OR-PAM)系统。我们相信,通过使用非接触式成像方法,这些问题可以得到解决32。
方法
光学分辨率光声显微镜(OR-PAM)系统
为了对小鼠眼睛进行成像,我们使用了一台商用OR-PAM(可切换快速扫描PAM系统,Microphotoacoustics,美国)。对于光声激发,我们使用了Nd:YAG 532 nm激光器(AWAVE 532-1W-10K,Advanced Optowave,美国;10 ns激光脉冲宽度)。物镜数值孔径(NA)为0.1,因此系统的计算横向分辨率约为3 μm。产生的光声波由超声换能器(V214-BB-RM,Olympus-NDT,美国;50 MHz中心频率;50 MHz带宽:)检测,并由数据采集板(ATS9350,AlazarTech,加拿大)以500 MHz的采样率采集。
我们应用美国国家标准学会安全标准(ANSI Z136.1-2000)计算眼部暴露的最大允许暴露量(MPE)8。单激光脉冲的MPE为MPESP = 5.0 C E × 10−7 = 1.33 × 10−4 J/cm2,其中C E是根据我们系统的NA(0.1)计算得出的校正因子,为267。重复脉冲限值随后计算为MPERP = ntotal −0.25 ∙ MPESP = (7.2 × 105)−0.25 ∙ 1.33 × 10−4 J/cm2 = 4.6 × 10−6 J/cm2,其中ntotal是成像期间的总脉冲数(x和y方向分别为1200 × 600像素)。因此,在典型人眼瞳孔7 mm中的最大允许单激光脉冲能量计算为MPERP × 瞳孔面积 = 1.8 μJ,这比实验使用的脉冲能量120 nJ高15倍。此外,还考虑了巩膜表面的激光安全性33。我们假设激光焦点约为500 μm,因为我们光学聚焦于巩膜正下方的脉络膜血管,通常为500 μm34。辐照区域的直径根据高斯光束分布计算为106 μm,x轴步长为2.5 μm,因此辐照区域上的重复脉冲数n为42。因此,巩膜表面的重复脉冲限值为MPERP = n−0.25 × MPESP = 42−0.25 × 20 mJ/cm2 = 7.9 mJ/cm2,其中MPESP是皮肤上的单脉冲MPE。因此,最大允许脉冲能量计算约为700 nJ,这比我们使用的能量大约6倍。
动物准备
所有动物实验程序均按照波鸿科技大学(POSTECH)机构动物护理与使用委员会批准的实验动物方案进行。所有动物实验均按照美国国立卫生研究院《实验动物护理与使用指南》执行。本实验使用三对雌性BALB/c小鼠。小鼠首先用4%异氟烷经吸入气体(流速1.0 L/min)汽化麻醉,并在碱烧伤/酸烧伤及成像过程中以1%异氟烷维持麻醉。随后,将小鼠置于带有硅加热垫的动物台上,以在成像期间维持小鼠体温。我们在小鼠眼部使用超声凝胶作为眼与水箱之间的耦合介质。碱烧伤和酸烧伤损伤在右眼上进行。为规范损伤面积,我们使用直径1 mm的Whatman纸片,分别浸有1 N NaOH溶液用于碱烧伤、1 N HCl溶液用于酸烧伤。将浸湿的纸片置于眼部30秒,然后用20 mL生理盐水溶液冲洗角膜表面。我们在化学烧伤后第0天(对照及烧伤后)、第7天、第14天和第21天对眼部进行成像,以观察愈合过程。为观察碱烧伤和酸烧伤后角膜缘血管附近的变化,我们对角膜缘附近区域进行成像,包括角膜缘、虹膜和脉络膜血管。在光声(PA)成像过程中,我们轻压眼部周围区域以使该区域更清晰可见。
角膜新生血管的定量
为定量角膜新生血管,我们考虑眼表面斜率计算了新生血管面积(见补充图S2)。由于检测到的新生血管通常位于球形眼表面上,当其在二维图像中投影时,角膜血管的实际面积会发生畸变。为校正投影面积,我们计算了余弦特征图,表示在处的表面斜率角度。我们假设球面上对应于每个投影像素的实际表面为平面以简化计算:
最后,校正后的角膜新生血管面积,通过以下公式计算:其中为投影像素的面积,为阈值范围内分割出的角膜新生血管二值图像。
电子补充材料
视频S1
补充信息
引用
- Jeon S, Song HB, Kim J, et al. In Vivo Photoacoustic Imaging of Anterior Ocular Vasculature: A Random Sample Consensus Approach. Sci Rep. 2017. PMID: 28659597. doi:10.1038/s41598-017-04334-z
- 全文:PMC5489523(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5489523/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。