《Sensors》:Design and Simulation of Broadband SiN Waveguide-Integrated GeSn Single-Photon Avalanche Detectors at Very-Near-Infrared to Telecommunication Wavelengths
Pawaphat Jaturaphagorn,
Nattaporn Chattham,
Apichart Pattanaporkratana and
Papichaya Chaisakul
编辑推荐:
本研究针对多发性硬化(MS)神经退行性病变检测的临床需求,利用光学相干断层扫描(OCT)获取的黄斑区神经节细胞-内丛状层(GCIPL)厚度信息,提出了一种基于F形(F-shape)图谱配准与机器学习(SVM)的分类框架。该研究突破了传统ETDRS分区平均厚度分析的局限,通过高密度网格、图谱配准和残差厚度特征,实现了对MS与健康受试者的高精度区分,其性能显著优于传统分区方法,为MS的早期、客观诊断提供了新的技术思路。
多发性硬化(Multiple Sclerosis, MS)是一种好发于中青年人群的中枢神经系统炎症性、神经退行性疾病,其病理特征包括神经元和轴突的丢失。准确评估这种神经退行性损伤对于疾病的监测与管理至关重要。目前,磁共振成像(MRI)是检测MS相关炎症的常用工具,但其在量化轴突和神经元损失方面准确性有限,且设备昂贵、普及性不足。那么,是否存在一种更精准、更易获取的影像学手段来捕捉MS的细微病变呢?
光学相干断层扫描(Optical Coherence Tomography, OCT)技术的出现,为这一难题带来了新的曙光。作为一种无创、低成本、高分辨率的视网膜成像技术,OCT能够生成视网膜各层的横截面图像,并精确量化其厚度。视网膜,作为中枢神经系统的延伸,其内的轴突和神经节细胞状态可间接反映大脑的神经退行性变化。研究表明,MS患者黄斑区的神经节细胞-内丛状层(Ganglion Cell–Inner Plexiform Layer, GCIPL)厚度会显著变薄,这使其成为一个极具潜力的生物标志物。
然而,如何从OCT影像中高效、精准地提取出能够区分MS与健康状态的厚度信息,仍是当前研究的挑战。传统方法多采用基于早期治疗糖尿病视网膜病变研究(Early Treatment Diabetic Retinopathy Study, ETDRS)的分区法,将视网膜划分为几个扇形区域并计算平均厚度。这种方法虽然简单,但会丢失大量的局部空间细节信息,且依赖于中心凹等解剖标志,其检测效能有待提升。近年来,机器学习方法被引入OCT影像分析,用于青光眼、糖尿病视网膜病变等疾病的检测,在MS分类上也展现出潜力,但多数研究仍基于分区平均厚度特征,未能充分利用OCT影像的全部空间信息。
为了突破这一局限,本文的研究人员从几何-功能一体化的新视角出发,借鉴了在青光眼检测中表现优异的F形(F-shape)对象分析方法。他们将视网膜表面几何形态与GCIPL厚度信号融合为一个整体(即F形对象),并应用于MS的分类研究。具体而言,研究团队旨在开发一种基于F形图谱配准的框架,利用黄斑区GCIPL厚度,对MS进行高精度的二分类(患者vs.健康)。这项研究的意义在于,它尝试将一种更先进的几何数据处理方法迁移到MS的OCT影像分析中,以期实现对疾病更细微、更敏感的探测能力。相关研究成果发表于国际期刊《Sensors》。
本研究采用的核心技术方法主要包括:首先,从OCT影像中获取黄斑区GCIPL的厚度图,并将其构建为F形对象(包含三维曲面几何和厚度函数)。其次,应用F形图谱配准算法,将来自所有受试者的F形对象配准到一个公共的均值模板上,得到配准后的F形和残差厚度图。最后,以这些点对点的残差厚度作为特征,训练支持向量机(Support Vector Machine, SVM)分类器,并使用留一法(Leave-One-Out, LOO)交叉验证评估模型性能。研究使用了包含MS患者和健康对照的OCT影像数据集进行方法验证与比较。
2.2. F形图谱配准 本研究采用Charlier等人提出的F形图谱配准方法。每个受试者的OCT数据被表示为一个F形对象 (Xi, fi),其中Xi代表黄斑区视网膜曲面的三维几何坐标,fi代表该曲面各点对应的GCIPL厚度值。该方法通过求解一个最小化几何-功能距离的优化问题,为目标数据集估计一个公共的均值模板F形 (Xm, fm),同时将每个个体的F形配准到此模板上,得到配准后的F形 (X?i, f?i)。
2.2.1. F形图谱配准问题的公式化 为实现上述配准,定义了一个目标函数J,其迭代形式在文献[29]中给出。该函数旨在同时最小化均值模板函数fj的L2范数平方,以及所有样本的形变惩罚与配准后对象和原始对象之间的差异之和。
3. 结果 研究团队将其提出的F形基分类方案与多种基于ETDRS分区的方案进行了比较。性能评估指标包括准确率、灵敏度、特异性和曲线下面积(Area Under the Curve, AUC)。
3.1. 性能比较 实验结果表明,在所有比较的方案中,基于F形的方法取得了最佳的分类性能。具体而言,在区分MS与健康对照时,F形方法展现出了最高的AUC值、准确率、灵敏度和特异性,其性能显著优于所有分区方法。
3.2. 特征重要性 对分类器所使用的特征(即残差厚度)进行分析,可以识别出对区分MS贡献最大的空间位置。这些关键区域主要分布在黄斑区的特定位置,这与MS病理中GCIPL变薄的模式相符,证明了该方法提取的特征具有生物学意义。
4. 结论与讨论 本研究的结论是,基于F形图谱配准和GCIPL厚度分析的分类框架,能够有效地从OCT影像中区分多发性硬化患者与健康个体,且其性能优于传统的分区方法。该方案的优越性可归因于几个关键设计:第一,在黄斑区感兴越区域使用了高密度网格,保留了厚度的空间细节;第二,通过图谱配准将所有受试者的数据置于一个共同的几何平台上,消除了个体间解剖结构的差异,实现了点对点的精确比较;第三,使用均值模板与配准后个体厚度之间的残差作为分类特征,有效放大了与疾病相关的厚度变化模式。
这项研究的重要意义在于,它成功地将先进的F形几何分析方法应用于MS的OCT影像分析领域,为解决传统分区方法信息丢失的问题提供了一种新思路。该方法不仅提升了MS自动检测的准确性和可靠性,也为利用高维、高分辨率的医学影像数据研究其他神经退行性疾病(如阿尔茨海默病、帕金森病)提供了可借鉴的技术框架。未来,该方法有望与更多的生物标志物和临床信息结合,进一步推动MS的早期诊断、病情监测和疗效评估向更精准、更客观的方向发展。