《Remote Sensing》：Large-Scale Stratigraphic Analysis of Paintings by OCT: A Supervised Learning and Volumetric Stitching Approach
编辑推荐：
绘画地层学的非侵入性表征受到光学不均匀不透明材料中光衰减的挑战，这些材料构成微米级层。光学相干断层扫描（OCT）提供了合适的、非侵入性的深度分辨成像能力；然而，大面积地层学分析受限于单个堆栈的有限视场、高数据维度以及缺乏在不同焦深获取的体积的稳健拼接方法。此外
绘画地层学的非侵入性表征受到光学不均匀不透明材料中光衰减的挑战，这些材料构成微米级层。光学相干断层扫描（OCT）提供了合适的、非侵入性的深度分辨成像能力；然而，大面积地层学分析受限于单个堆栈的有限视场、高数据维度以及缺乏在不同焦深获取的体积的稳健拼接方法。此外，常规层厚估计依赖于沿A扫描的手动强度峰值识别，这耗时、依赖操作者，且不适合大规模分析。基于研究人员先前的工作，该工作引入了用于OCT体积分析的AI增强方法，研究人员提出了一种自动化工作流，整合了监督语义分割、体积马赛克拼接和像素级层厚量化。OCT B扫描使用Trainable Weka Segmentation框架内的随机森林分类器进行分割，以描绘材料界面。然后将相邻的OCT体积组合成连续马赛克，并使用自定义MATLAB程序计算界面距离，以获得扩展视场上的像素级厚度测量。该模型区分空气/油漆和油漆/底漆界面的准确率为96.4%至97.1%，加权平均F1分数超过0.95，能够以微米级分辨率定量重建油漆厚度。该方法实现了大型OCT数据集的高效可重复分析，将地层学表征扩展到宏观视场同时保持微米级分辨率，并相比手动方法减少了处理时间并提高了一致性。
**论文解读：基于监督学习与体积拼接的大规模OCT绘画地层学分析**
**研究背景与问题**
在文化遗产科学领域，对多层绘画作品的非侵入性地层学分析至关重要，需要在不破坏样品的前提下，以微米级侧向和轴向分辨率获取跨越数毫米宏观区域的横截面信息。此类分析有助于异质叠加层的形态表征、厚度评估，以及监测老化或保护处理引起的随时间变化。然而，光学不透明颜料等材料的强散射和吸收特性严重限制了光穿透深度，使得非侵入性横截面成像面临挑战。光学相干断层扫描（OCT）作为一种非侵入性、深度分辨的成像技术，已被广泛应用于油漆层厚度评估和清洁过程监测，但大规模地层学分析受到几个技术瓶颈的制约：单个体积采集的视场（FOV）有限；缺乏在不同焦深获取的体积的稳健拼接方法；层厚估计常依赖沿A扫描手动识别强度峰值，耗时且主观；OCT数据集庞大，对计算资源要求高。为解决这些问题，研究人员在前期基于人工智能（AI）的OCT体积分析方法基础上，提出了一个集成监督语义分割、体积拼接和像素级层厚量化的自动化工作流。
**研究内容与结论**
研究人员利用两个丙烯酸涂料样品（Primary Red Magenta，PRM和Lemon Yellow，LY）验证了该方法。PRM涂在带有丙烯酸底漆的画布上，LY涂在带有底漆的木板上。OCT测量使用光谱域OCT系统（Telesto-II，Thorlabs），波长1300 nm，轴向分辨率5.5 μm。通过自动化工作流，研究人员成功实现了：（1）基于随机森林（RF）分类器的监督语义分割，在Trainable Weka Segmentation（TWS）框架内识别空气/油漆和油漆/底漆界面，分类准确率96.4%–97.1%，加权平均F1-score > 0.95；（2）基于界面检测的拼接，通过计算相邻堆栈间的轴向位移并应用余弦加权融合，生成无缝连续的三维马赛克体积；（3）自动化像素级层厚计算，生成具有微米级分辨率的厚度图。该方法将地层学表征扩展到宏观视场（PRM样品4.8 × 4.8 mm2，LY样品9.4 × 9.4 mm2），同时保持了微米级分辨率，并显著提高了处理速度和一致性。该论文发表在《Remote Sensing》。
**主要技术方法**
研究人员使用的主要关键技术方法包括：（1）监督语义分割：利用TWS框架中的RF分类器（200棵树，每个节点随机选择2个特征），对OCT B扫描进行像素级分类，区分界面类与背景类；训练数据通过手动标注随机选取的B扫描获得，PRM样品标注了约460,886个像素（占全数据0.14%），LY样品两个模型分别标注了285,085和294,748个像素（约占0.99%）。分类器性能通过10折交叉验证评估。（2）体积拼接：基于分类后的二进制掩码，自动检测每个A扫描位置的界面簇（空气/油漆界面A和油漆/底漆界面B），并利用重叠区域（200 μm）的界面平均轴向位置差计算相邻堆栈间的Z方向位移（PRM样品中得到+1、+2、+18像素位移，对应3.55、7.1、63.9 μm）。随后沿X和Y方向进行余弦加权融合，生成无缝马赛克体积。拼接参数随后应用于原始OCT体积。（3）像素级厚度计算：在拼接后的分类掩码中，对每个像素列计算界面A和界面B之间的绝对距离，并转换为物理厚度（像素尺寸3.55 μm，折射率n=1.5），再经5×5邻域平均去除异常值，生成厚度图及统计描述符。
**研究结果**
**4.1. Primary Red Magenta (PRM) on Primed Canvas**
**4.1.1. Classified Image Stitching**
通过渐进式增量学习训练RF分类器，最终模型在测试集上正确分类实例97.1%，混淆矩阵显示背景类准确率极高，界面类敏感度相对较低但仍具强判别能力（MCC=0.868，ROC面积=0.992，加权平均F1>0.95）。四个分类堆栈（CS_1至CS_4）拼接后得到1350×1350×169像素的马赛克，对应4.792×4.792×0.6 mm3。XY和XZ切片显示重叠区域无可见不连续，验证了拼接的鲁棒性。
**4.1.2. Paint Thickness Computation**
拼接后的二进制堆栈中，无效像素占比仅0.15%。厚度图以高空间分辨率显示了微形态变化。平均光学厚度为167.5±23.7 μm，经折射率校正后几何厚度为111.7±15.8 μm。
**4.1.3. Stitching of OCT Volumes**
将之前估计的Z位移应用于原始OCT体积，拼接后的体积（TS_1-4）同样表现出平滑对齐的过渡，XY和XZ切片无可见不连续。消融分析表明，移除Z位移估计和余弦权重融合会导致明显错位，证实了所提策略的必要性。
**4.2. Lemon Yellow (LY) on Primed Wooden Panel**
**4.2.1. Classified Image Stitching**
为LY样品独立训练了两个RF模型（针对不同厚度区域），用于分割16个OCT堆栈。第一模型准确率96.6%，加权平均F1=0.966，MCC=0.908，ROC面积=0.993；第二模型准确率96.4%，加权平均F1=0.964，MCC=0.904，ROC面积=0.993。四个2×2马赛克（每个约4.792×4.792×0.5 mm3）拼接后得到9.386×9.386×0.5 mm3的最终马赛克。估计的Z位移范围从+1像素（+3.55 μm）到+35像素（+124.25 μm）。
**4.2.2. Paint Thickness Computation**
拼接后的马赛克（S_1-16）产生6,990,736个有效测量值，无效占0.97%。厚度图清晰区分了薄层和厚层区域，并在边界处显示出明确定义的厚度阶跃。平均光学厚度为103.8±23.7 μm，几何厚度为69.2 μm。
**4.2.3. Stitching of OCT Volumes**
应用Z位移后，原始OCT体积拼接得到无缝的马赛克，XZ切片从开始到结束均无明显不连续，XY视图显示界面A和B在拼接区域平滑过渡。
**总结与结论**
讨论部分指出，所提出的分割策略（将两个界面归为一个类）在处理不同光学性质的材料时表现出有效性，但LY样品中更高的无效百分比（0.97% vs. PRM的0.15%）归因于更强的散射导致信号衰减和界面对比度降低。另一个潜在误分类源是油漆与底漆层的形态差异（油漆层平坦，底漆层因画布纤维呈波浪状），但未显著影响性能。通过10折交叉验证评估了过度拟合风险，结果表明模型行为稳定。工作流在数据处理过程中逐步减小数据量（原始OCT体积约6.11 GB，最终二进制马赛克仅26.2 MB），提高了计算效率。该方法可扩展到其他基于OCT的成像系统及不同尺度的地层学技术（如非线性光学显微镜、太赫兹成像、计算机断层扫描），但其适用性受限于OCT的光穿透深度和轴向分辨率。
**结论**
研究人员提出了一种用于OCT后处理的新工作流，以将绘画地层学表征扩展到宏观视场。该方法允许：（i）对OCT图像堆栈应用监督语义分割以识别材料层界面；（ii）通过基于界面的对准和融合实现图像堆栈的无缝配准和拼接；（iii）自动化像素级油漆层厚度计算。该用户友好的工作流不需要高级编程专业知识，因为分割是通过集成在Fiji中的可定制免费插件执行，并可使用ImageJ图像处理工具，而分类器性能可通过标准定量指标全面评估。所提出的方法实现了OCT三维数据自动化可重复的像素级分析，达到了传统手动分析无法企及的性能水平。模型以96.4–97.1%的准确率和>0.95的加权平均F1分数区分空气/油漆和油漆/底漆界面。生成的厚度图可实现微米级分辨率的定量涂层厚度映射，重建的OCT体积表现出无缝拼接过渡。该方法可扩展到其他尺度地层学技术生成的图像堆栈。据研究人员所知，这项工作代表了AI驱动的全自动拼接和厚度量化框架在文化遗产领域OCT数据中的首次应用。这一贡献促进了AI技术对更广泛遗产科学专业人士的可及性，同时在工作流中保留了专家监督。
