原續(xù)鵬 張大偉 王成 +戴博 趙曼彤

摘要： 高光譜成像（HSI）檢測技術在農(nóng)業(yè)生產(chǎn)檢測、地質(zhì)勘探以及城市規(guī)劃等方面已經(jīng)得到了廣泛的應用。隨著高光譜技術的不斷發(fā)展，基于反射式高光譜成像效應，在可見光到近紅外波段（400～1 100 nm），對人體組織的實時、快速和精準的非損傷檢測技術也已經(jīng)成為醫(yī)學領域的一個重點研究方向。簡要回顧了高光譜技術在醫(yī)學方面的發(fā)展現(xiàn)狀以及不同的高光譜技術在人體組織檢測方面的對比，綜述了反射式高光譜技術在不同人體組織檢測方面的應用和成果，包括皮膚水腫、舌腫瘤以及肺癌等方面的研究進展，并提出了高光譜技術在醫(yī)學領域亟待解決的問題。

關鍵詞：

反射式高光譜； 可見光； 近紅外光； 人體組織檢測

中圖分類號： R 32933文獻標志碼： Adoi： 10.3969/j.issn.10055630.2017.01.013

Research progress in human tissue detection technologies

based on reflection hyperspectra

YUAN Xupeng1， ZHANG Dawei1， WANG Cheng2， DAI Bo1， ZHAO Mantong1

（1.School of OpticalElectrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China；

2.School of Medical Instrument and Food Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract：

Hyperspectral imaging（HSI）detection technology has been widely used in agricultural detection，geological exploration and urban planning and so on.With the development of HSI technology，the technology of human tissue detection based on reflection HSI effect in the visibletonearinfrared band（4001 100 nm） has become a key research direction due to its various advantages like realtime，fast and accurate noninvasive characteristics.We review the current situation of HSI on the way of medical science and the contrast of different HSI technologies applied in human tissue detection，and summarize the research applications and achievements of human tissue detection based on reflection HSI，including cutaneous edema，tongue tumor and lung cancer and so on.The urgent problems of HSI in the medical field are also presented.

Keywords： reflection hyperspectra； visible light； near infrared light； human tissue detection

引言

目前，基于光譜成像（SI）的遙感技術（RST）已經(jīng)在農(nóng)業(yè)生產(chǎn)監(jiān)測、煤礦挖掘、目標識別和檢測、災難預警、軍事勘測以及城市規(guī)劃等方面得到了廣泛的應用[1]。高光譜成像（HSI）技術的出現(xiàn)和快速發(fā)展是遙感技術又一個新的重要應用。

在醫(yī)學應用領域，高光譜成像仍是一項比較新的技術。到目前為止，組織病理學仍然是各種癌癥診斷的黃金標準，但是，這種方法對人體有很大的損傷且成本比較高，最終的診斷結果仍取決于病理學專家的主觀判斷[2]，診斷的結果難免會具有一定的片面性。最重要的是，檢查一個疑似腫瘤的病理學組織切片通常需要花費幾天的時間[3]。核磁共振成像（MRI）、X射線斷層攝影術（CT）以及超聲波檢查法等技術雖然已經(jīng)發(fā)展成為現(xiàn)代生物醫(yī)學的主流成像技術，但其最大的困難之一是成像時器官和周圍的組織區(qū)分得不是特別明顯，當需要檢測的物體在不斷運動的時候，整個檢測過程將會變得更具有挑戰(zhàn)性[4]。高光譜成像技術的出現(xiàn)將會為各種疾病的診斷以及外科手術的指導提供參考[5]。

基于生物組織光學特性的不同，高光譜成像技術按照測量模式的不同可以分為三大類：反射式高光譜[6]、透射式高光譜[7]以及與熒光技術結合的反射式高光譜[8]。熒光和反射模式相結合的技術[89]一般用于鑒定生物分子或者診斷各種組織的表面形態(tài)。透射模式通常和顯微鏡相結合[7，10]，用來測量入射光透過生物組織后的光強。在高光譜的實際應用中，反射模式應用最為廣泛[11]。例如，Akbari等[12]利用近紅外（1 000～2 500 nm）高光譜成像技術并結合支持向量機（SVM）算法來檢測10個人體的胃組織，最終確定1 226～1 251 nm和1 288～1 370 nm波段的光譜作為測量正常組織和癌變組織的光譜，能為醫(yī)生在手術時提供安全邊距，也能檢測手術之后癌變組織是否被完全切除干凈。Nouri等[13]利用高光譜成像系統(tǒng)結合波段轉換與選擇的方法在實驗中檢測豬的輸尿管，實驗證明波段選擇法比波段轉換法提供的信息更多，但是波段轉換法中波段與波段之間的相關性更低。

本文主要介紹反射式高光譜在可見光到近紅外波段（400～1 100 nm）在人體生物組織檢測方面的應用及反射式高光譜成像系統(tǒng)的工作原理。

1高光譜成像系統(tǒng)的關鍵步驟及工作原理

高光譜成像系統(tǒng)如圖1所示[14]，白光均勻地照射在組織上，入射狹縫的作用是限制光譜帶寬，即決定了高光譜系統(tǒng)的光譜分辨率，然后經(jīng)過準直透鏡進行準直，之后再通過散光裝置（目前主要的散光裝置有棱鏡、光柵、聲光可調(diào)濾光器（AOTF）和液晶可調(diào)諧濾光片（LCTF））將白光分成一系列窄帶光譜，這些光譜通過聚焦透鏡聚焦在探測器陣列上。為了得到比較理想的圖像，探測器的光譜響應值一般應調(diào)節(jié)在其最大光譜響應值的80%左右。

高光譜成像系統(tǒng)能產(chǎn)生三維信息，包括二維空間成像信息和第三維光譜信息，即能同時提供實驗對象的光譜（即化學信息）和圖像（即物理信息）特征[15]，如圖2所示[16]。利用高光譜成像技術對組織進行檢測時，光能夠穿透生物組織一定的厚度，由于生物組織結構的不均一性，光在各個方向發(fā)生散射，血紅蛋白、黑色素和水會吸收不同波長的光[17]，所以，不同組織或者器官的反射光譜取決于自身的生物化學和組織學特性[18]，為鑒別正常組織和癌變組織提供了強有力的依據(jù)。

2可見光到近紅外光的反射式高光譜對人體組織的檢測

2.1基于AOTF高光譜檢測舌腫瘤

舌癌是一種惡性腫瘤，剛開始只是一個比較硬的小白塊或者潰瘍，但是會慢慢擴散到身體的其他部位并危及生命。Liu等[2]在2011年利用基于AOTF（AOTF沒有可移動的單元，因此不會受到方位變換或者機械振動等的干擾，是一種具有高輸出和高速可編程裝置的大視場可調(diào)諧濾波片）的醫(yī)學高光譜成像系統(tǒng)（600～1 000 nm）測量并分析了人舌的反射光譜，如圖3所示[2]，然后采用稀疏表示（SR）的算法判斷每一個像素點是正常的還是癌性的。他們首創(chuàng)性地構建了自己的舌腫瘤圖像數(shù)據(jù)庫，其中包括65個腫瘤組織和34個部分腫瘤組織。圖4 所示為腫瘤組織和正常組織的歸一化反射光譜曲線，兩者之間的差異能有效地幫助我們區(qū)分腫瘤組織和正常組織[2]。

為了驗證實驗數(shù)據(jù)處理方法的優(yōu)越性，Liu等還將自己的方法和支持向量機（SVM）[19]以及關聯(lián)向量機（RVM）[20]進行比較，如圖5所示[2]。實驗結果表明識別率最高時可以達到96.5%，如果能將樣本的數(shù)量再進一步擴大并嘗試其他的數(shù)據(jù)處理方法，或許會有更好的效果。雖然最終的結果還要讓醫(yī)生進行鑒定，但是此實驗系統(tǒng)提供的小型數(shù)據(jù)庫可以在醫(yī)生進行舌診斷時提供非常有用的參考。

2.2基于LCTF高光譜檢測吸煙者的肺

Lee等[21]于2009年利用基于LCTF的高光譜系統(tǒng)（650～1 100 nm）在實驗中檢測豬的正常肺和模擬的吸煙者的人肺的差異，其中LCTF的調(diào)諧、圖像的獲取以及數(shù)據(jù)的存儲都通過C++編程實現(xiàn)。由于獲得的數(shù)字圖像包含系統(tǒng)的補償和增益，它們會隨著時間的推移而發(fā)生改變，所以有必要進行光學校準。圖6顯示了LCTF由雙鹵素燈照射下在波長650～1 100 nm之間的透射特性[21]，表征了可調(diào)諧濾波器的校準狀況，然后根據(jù)不同空間坐標在相對應波長處的模型公式I（x，y，λk）=L（x，y，λk）S（x，y，λk）·R（x，y，λk）+O（x，y，λk）[22]進行校準，其中I（x，y，λk）代表高光譜圖像中空間坐標點（x，y）和波長λk，L（x，y，λk）代表光照度，S（x，y，λk）代表系統(tǒng)光譜響應，R（x，y，λk）代表反射率，O（x，y，λk）代表暗電流和雜散光引起的誤差。

校準之后，分別從肺的三個不同部位（左肺、右肺和心切跡）選取10 000個像素點求其平均值，圖7所示為豬的健康肺和模擬的吸煙者的肺的光譜區(qū)別[21]。兩種組織有相似的光譜形狀，但是模擬的吸煙者的肺的反射率明顯高于正常肺。因此，此實驗結果有助于我們區(qū)別健康肺和不健康的肺。

雖然實驗結果比較明顯，但是豬肺和人肺之間還是存在很大的差異性，所以下一步的工作如果能都用人肺進行比較會具有更強的說服力。

2.3用宏觀的高光譜方法檢測癌癥轉移

直到2012年才有人提出用高光譜技術對病理組織切片進行成像來檢測癌癥，Akbari等[23]采用波帶寬度為450～950 nm的光譜相機來檢測人體頭和脖子的癌細胞轉移。他們將高度擴散的癌細胞轉移到老鼠身上，大約2～3周以后將老鼠的淋巴結和肺組織做成病理切片，然后利用高光譜進行成像，如圖8所示[23]。

而后，將高光譜收集到的不同組織的高維度數(shù)據(jù)利用支持向量機算法進行分類，區(qū)分正常的像素點和癌變的像素點，建立實驗的訓練集，圖9分別為老鼠淋巴結和肺組織的正常組織和癌變組織的反射光譜圖[23]，可以有效地區(qū)分正常組織和癌變組織。建立訓練集以后，用支持向量機算法對其余的組織進行評價，其敏感度和特異性[2425]（也是一種統(tǒng)計學測量方法）在肺病理切片和淋巴結病理切片中分別為97.7%和92.6%以及98.3%和96.2%，取得了很好的效果。

用高光譜成像技術檢測病理切片的方法為研究癌癥的擴散機制以及治療癌癥的方法提供了一種全新的途徑，在醫(yī)學上具有重要的現(xiàn)實意義。

組織發(fā)炎的時候通常會伴隨局部組織積水，稱為水腫，可能會導致組織感染、淋巴結堵塞以及癌癥等。Stamatas等[26]用高光譜成像技術檢測皮膚水腫和紅疹，水腫和紅疹是通過電離子透入療法將組胺通過皮膚注射到體內(nèi)產(chǎn)生的，圖10分別為注射不同劑量的組胺所產(chǎn)生的水腫和紅疹的效果[26]，水腫和紅疹的明顯程度取決于組胺的劑量。水腫的區(qū)域隨著組胺劑量的增大而增大，而紅疹卻在到達一定程度后保持穩(wěn)定甚至衰減，主要是因為水腫擠壓削弱了深處血管的擴張，紅疹的區(qū)域超出了水腫的區(qū)域屬于典型的風團反應。

水腫和紅疹的光譜分析如圖11所示[26]，分別顯示了在560，580，700，970 nm處的光譜圖。在前兩個波長處，脫氧血紅蛋白和血紅蛋白吸收強烈，較暗的區(qū)域是由于血液濃度較高所以吸收較多造成的，但是這個波長范圍內(nèi)的光只能滲透皮膚幾百微米的深度。在后兩個波長處，表面毛細血管處的紅疹在這個波段范圍內(nèi)是不可見的，但是，較深較大的毛細血管由于較高的血紅蛋白濃度所以吸收比較強烈，這也就解釋了為何在600 nm以上的波段內(nèi)在較白的背景下能看見較深處的血管。

雖然光譜圖像包含了發(fā)色團不同濃度在相應譜帶范圍內(nèi)吸收光的信息，但是由于染色團對光的吸收有很多重疊部分，需要用曲線擬合和發(fā)色團的消光系數(shù)作為主要的向量，計算出每個像素點上發(fā)色團對應的濃度，這樣就可以構建一個濃度圖，每一個像素點的發(fā)色團濃度可以根據(jù)光譜分析算法計算得到，如圖12所示[26]，依次代表了血紅蛋白濃度、脫氧血紅蛋白濃度、水濃度和光的強度散射圖，用圖像分析的方法就能夠從這些圖片中提取定量的信息進行分析。

該實驗第一次提出用水和血紅蛋白的特征吸收帶來證明水腫反應的功能圖像，對于研究水腫有重要的意義。但是，水腫是由于血漿膠體滲透壓降低或者淋巴回流受阻等多方面病因引起的，如果能對水腫反應進行具體的定性分析，將會有特別的價值。

2.5利用高光譜技術研發(fā)針對胃癌的診斷支持系統(tǒng)

Goto等[27]在2015年利用高光譜技術來區(qū)分胃腫瘤和周圍正常黏膜組織，并試圖確定一個特定的最優(yōu)波長用于診斷胃癌。

他們將104個腫瘤塊分為兩組，即訓練組54個和測試組50個，為了保證準確性，訓練組每一塊組織上分別平均取1個腫瘤區(qū)域和正常區(qū)域10個像素點進行測量。因為每塊組織都不完全相同，所以腫瘤區(qū)域的校正光譜是通過腫瘤區(qū)域的平均光譜減去正常黏膜區(qū)域的平均光譜，相應地，正常黏膜區(qū)域的校正光譜為零，腫瘤區(qū)域的校正光譜和正常黏膜區(qū)域的校正光譜之間的馬氏距離用于確定最優(yōu)波長，之后再將訓練集的54塊組織平均分為子訓練集和子測試集用于確定截止值。圖13顯示了測試集中其中一塊組織上的光譜反射曲線[27]，經(jīng)過30次實驗以后可以確定770 nm作為最優(yōu)波長，然后可以確定1/4為最優(yōu)截止值。最后

用測試集的50塊組織以同樣的方法來檢測診斷支持系統(tǒng)的可靠性并取得了很好的效果，將反射光譜數(shù)據(jù)和最優(yōu)截止值導入到光譜相機（HSC）分析軟件中就可以很快地自動識別正常組織和腫瘤組織。

此實驗是在胃腺瘤切除以后的樣本上進行的，此時血液的流動量以及氧飽和度都已經(jīng)發(fā)生改變，對提取的數(shù)據(jù)有一定的影響；此外，最優(yōu)截止值取決于光譜相機和實驗過程，所以最優(yōu)截止值必須進行相應的優(yōu)化，以提高實驗的精確度。

3結論

在介紹高光譜在醫(yī)學領域的發(fā)展現(xiàn)狀以及工作原理的基礎上，描述了反射式高光譜成像系統(tǒng)在可見光到近紅外（400～1 100 nm）波段在人體組織檢測中的應用，提供了較為完備的人體組織研究現(xiàn)狀，為醫(yī)學方面的檢測提供了很大的幫助。但是，目前的高光譜檢測技術在醫(yī)學方面的應用主要停留在實驗水平，因為從提取像素點進行分析到確定最終的結果需要一定的時間，這嚴重地阻礙了其在醫(yī)學方面的應用。同時，現(xiàn)在的高光譜設備的光譜相機工作波段一般比較窄，有較大的局限性，如果能開發(fā)出比較寬的波段范圍，將大大促進高光譜在醫(yī)學領域的應用。因此，如何將光譜儀器和算法有效地融合在一起，在短時間內(nèi)給出診斷結果，以及研究寬波段光譜儀，都將是以后的主要研究方向。

參考文獻：

[1]YANG J H，WANG L G，QIAN J X.Hyperspectral image classification based on spatial and spectral features and sparse representation[J].Applied Geophysics，2014，11（4）：489499.

[2]LIU Z，WANG H J，LI Q L.Tongue tumor detection in medical hyperspectral images[J].Sensors，2012，12（1）：162174.

[3]KONG S G，MARTIN E M，VODINH T.Hyperspectral fluorescence imaging for mouse skin tumor detection[J].ETRI Journal，2006，28（6）：770776.

[4]LIU Z，YAN J Q，ZHANG D，et al.Automated tongue segmentation in hyperspectral images formedicine[J].Applied Optics，2007，46（34）：83288334.

[5]LU G L，F(xiàn)EI B W.Medical hyperspectral imaging：a review[J].Journal of Biomedical Optics，2014，19（1）：010901.

[6]ROSAS J G，BLANCO M.A criterion for assessing homogeneity distribution in hyperspectral images.Part 2：application of homogeneity indices to solid pharmaceutical dosage forms[J].Journal of Pharmaceutical and Biomedical Analysis，2012，70：691699.

[7]DICKER D T，LERNER J，VAN BELLE P，et al.Differentiation of normal skin and melanoma using high resolution hyperspectral imaging[J].Cancer Biology & Therapy，2006，5（8）：10331038.

[8]LARSENE L P，RANDEBERG L L，OLSTAD E，et al.Hyperspectral imaging of atherosclerotic plaques in vitro[J].Journal of Biomedical Optics，2011，16（2）：026011.

[9]MARTIN M E，WABUYELE M，PANJEHPOUR M，et al.An AOTFbased dualmodality hyperspectral imaging system （DMHSI） capable of simultaneous fluorescence and reflectance imaging[J].Medical Engineering & Physics，2006，28（2）：149155.

[10]LI Q L，WANG Y T，LIU H Y，et al.Nerve fibers identification based on molecular hyperspectral imaging technology[C]∥Proceedings of 2012 IEEE International Conference on Computer Science and Automation Engineering.Zhangjiajie，China，2012：1517.

[11]侯寶路，李柏承，周瑤，等.基于可見近紅外高光譜成像技術的梨硬度和可溶性固體含量的預測[J].激光雜志，2015（10）：7074.

[12]AKBARI H，UTO K，KOSUGI Y，et al.Cancer detection using infrared hyperspectral imaging[J].Cancer Science，2011，102（4）：852857.

[13]NOURI D，LUCAS Y，TREUILLET S.Efficient tissue discrimination during surgical interventions using hyperspectral imaging[M]∥STOYANOV D，COLLINSD L，SAKUMA I，et al.Information processing in computerassisted interventions.Switzerland：Springer，2014：266275.

[14]GOETZ A F H.Three decades of hyperspectral remote sensing of the earth：a personal view[J].Remote Sensing of Environment，2009，113（S1）：S5S16.

[15]易偉松，劉文強，陸東，等.高光譜成像結合化學計量學診斷胃癌組織[J].中國醫(yī)學物理學雜志，2015，32（1）：124128.

[16]SHAHZAD A，SAAD M N，WALTER N，et al.Hyperspectral venous image quality assessment for optimum illumination range selection based on skin tone characteristics[J].Biomedical Engineering Online，2014，13（1）：109.

[17]WANG L V，WU H I.Biomedical optics，principle and imaging[J].Journal of Biomedical Optics，2008，13（4）：049902.

[18]AKBARI H，KOSUGI Y，KOJIMA K，et al.Detection and analysis of the intestinal ischemia using visible and invisible hyperspectral imaging[J].IEEE Transactions on Biomedical Engineering，2010，57（8）：20112017.

[19]RAJPOOT K，RAJPOOT N.SVM optimization for hyperspectral colon tissue cell classification[M]∥BARILLOT C，HAYNORD R，HELLIER P.Medical image computing and computerassisted intervention.Heidelberg：Springer，2004：829837.

[20]MIANJIF A，ZHANG Y.Robust hyperspectral classification using relevance vector machine[J].IEEE Transactions on Geoscience and Remote Sensing，2011，49（6）：21002112.

[21]LEE J H，WON C H.Characterization of lung tissues using liquidcrystal tunable filter and hyperspectral imaging system[C]∥Proceedings of 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Minneapolis，2009：14161419.

[22]PAN Z H，HEALEY G，PRASAD M，et al.Face recognition in hyperspectral images[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（12）：15521560.

[23]AKBARI H，HALIG L V，ZHANG H Z，et al.Detection of cancer metastasis using a novel macroscopic hyperspectral method[C]∥Proceedings of the SPIE Medical Imaging 2012：Biomedical Applications in Molecular，Structural，and Functional Imaging.San Diego，California，2012，8317：831711.

[24]YANG X F，F(xiàn)EI B W.A multiscale and multiblock fuzzy Cmeans classification method for brain MR images[J].Medical Physics，2011，38（6）：28792891.

[25]WANG H S，F(xiàn)EI B W.A modified fuzzy Cmeans classification method using a multiscale diffusion filtering scheme[J].Medical Image Analysis，2008，13（2）：193202.

[26]STAMATASG N，SOUTHALL M，KOLLIAS N.In vivo monitoring of cutaneous edema using spectral imaging in the visible and near infrared[J].Journal of Investigative Dermatology，2006，126（8）：17531760.

[27]GOTO A，NISHIKAWA J，KIYOTOKI S，et al.Use of hyperspectral imaging technology to develop a diagnostic support system for gastric cancer[J].Journal of Biomedical Optics，2015，20（1）：016017.

（編輯：張磊）