1、高光譜成像技術介紹

光譜成像又稱成像光譜，是指將常規(guī)成像和光譜方法相結合，同時獲取物體空間和光譜信息的技術。它最初由Goetz在1980年代后期定義并討論用于地球遙感。光譜成像根據(jù)其光譜分辨率、波段數(shù)、波段寬度和相鄰度可分為多光譜成像、高光譜成像(HSI)和超光譜成像。多光譜成像系統(tǒng)通常在少數(shù)且相對不相鄰的寬光譜波段收集數(shù)據(jù)，通常以微米或數(shù)十微米為單位進行測量。選擇這些光譜帶以收集光譜中特定定義部分的強度，并針對這些帶中最明顯的某些類別的信息進行優(yōu)化。而高光譜（HSI）系統(tǒng)可以收集數(shù)百個光譜帶，超光譜成像系統(tǒng)則收集更多。圖1顯示了光譜成像系統(tǒng)捕獲的超立方體數(shù)據(jù)的概念。由于其固有結構，光譜成像數(shù)據(jù)可以被可視化為一個三維 (3D)立方體或多個二維(2D)圖像的堆疊，其中立方體面是空間坐標的函數(shù)，深度是波長的函數(shù)。該技術的重要優(yōu)點之一是它可以獲取圖像中每個像素的反射、吸收或熒光光譜，可用于檢測傳統(tǒng)灰度或彩色成像方法無法識別的物體的生化變化。光譜成像技術最初在遙感領域得到證實，如機載監(jiān)視或衛(wèi)星成像，并已成功應用于采礦和地質(zhì)、農(nóng)業(yè)、軍事、環(huán)境和全球變化研究。 

圖 1光譜數(shù)據(jù)立方體的概念。數(shù)據(jù)立方體包含兩個空間維度（x和y）和一個光譜維度，其中立方體面是空間坐標的函數(shù)，深度是波長的函數(shù)。

根據(jù)電磁理論，不同的生化成分通常具有不同的光譜特征。這些特征通常由材料與電磁波之間的相互作用產(chǎn)生，例如電子躍遷、原子和分子振動或旋轉。組織器官的生物病理變化也與光譜有密切的關系。不同波長區(qū)域的光譜特征產(chǎn)生可區(qū)分的光譜特征，使病理變化可區(qū)分。因此，光譜成像技術也可以擴展到生物醫(yī)學工程領域來估計生物組織的生理狀態(tài)，因為它可以利用鄰域內(nèi)不同光譜之間的空間關系。這項技術為生命科學開辟了新的前景，科學家們可以借此識別和量化生物活性分子之間的關系，無創(chuàng)觀察生物體，進行組織病理學和熒光分析，并增強對疾病的生物學理解。

2.生物醫(yī)學光譜成像的優(yōu)勢

大多數(shù)傳統(tǒng)的生物醫(yī)學光學成像方法只能捕獲生物樣本的灰度或彩色圖像。在這些類型的圖像中感興趣的目標通常通過它們的空間屬性（如大小、形狀和紋理）進行分析。人們普遍認為，單色和RGB彩色成像方法在早期發(fā)現(xiàn)和識別組織異常方面存在局限性。獲得的診斷信息很差，因為在大多數(shù)情況下，代謝或成分改變發(fā)生在組織異常過程中。另一個普遍使用的光學方法是光譜診斷技術，它可以在感興趣的波長范圍內(nèi)獲得單個組織部位的整個光譜。這種方法通常被稱為點測量方法，它不能提供樣本的空間信息。與那些傳統(tǒng)的光學診斷方法不同，生物醫(yī)學光譜成像技術可以在選定的波長間隔內(nèi)捕獲每個圖像像素的連續(xù)光譜。這種特性不僅可以通過反射或透射光譜特征來檢測生物組織的一些生理變化，而且由于光譜的形狀會產(chǎn)生有關生物樣本的信息，因此可以對某些疾病進行早期診斷。生物醫(yī)學光譜成像（多光譜、高光譜）技術相對于傳統(tǒng)的單色、RGB和光譜的一些優(yōu)勢如表1所示，從表中可以看出，生物醫(yī)學光譜圖像比傳統(tǒng)的單色、RGB和光譜圖像包含更多的信息。生物醫(yī)學光譜圖像使得利用鄰域內(nèi)不同光譜之間的空間關系成為可能，這允許更精細的光譜空間模型對圖像進行更準確的分割和分類。因此，光譜成像技術可以在病理學、細胞遺傳學、組織學、免疫組織學和臨床診斷中找到潛在的應用。

3.高光譜技術實現(xiàn)方式

在過去的幾十年里，人們提出了各種光譜成像方法和相關技術來獲取天然材料的光譜圖像數(shù)據(jù)。本文主要關注四種典型方法：點掃式、推掃式、凝視和快照，這些方法在遙感領域已普遍使用，現(xiàn)在已擴展到生物醫(yī)學成像的應用中。

圖2 典型的光譜成像方法 (a) 點掃式 (b) 推掃式 (c) 凝視(d) 快照

這四種光譜成像方法在應用于生物組織分析時各有優(yōu)缺點。沒有“絕對”的最佳模式，但為了選擇最適合給定生物醫(yī)學應用的模式，必須考慮不同生物組織的特性和檢測目標。一般來說，點掃式和推掃式成像儀通常與顯微鏡配合使用，用于熒光和組織病理學分析。

圖3 高光譜應用實例

(a) 大金納米棒 (LGNRs，~100×30nm)，并將其靜脈注射到活體裸鼠體內(nèi)。(b , c)注射后24小時，動物被安樂死，切除組織并準備為正常的組織切片，用于用明場 (b) 和暗場顯微鏡(c) 進行表征，這兩種方法都無法觀察到LGNR的分布。(d)然后用高光譜顯微鏡對同一切片進行成像，其在組織的各個區(qū)域顯示出 LGNRs 積累的明顯跡象（用紅色表示），并顯示出與LGNR等離子體共振相匹配的光譜峰。(e) 然后，訓練一種自適應聚類算法，用于使用注射小鼠的高光譜圖像對LGNR進行光譜識別。該算法確定了幾個代表組織和H&E染色的特征光譜，以及一個代表LGNR的獨特光譜（以橙色描繪），總共代表5個光譜庫。一旦從訓練數(shù)據(jù)集中生成光譜集群庫，就可以通過自動分類分析未知組織樣本的圖像是否存在LGNRs。(f)生成的HSM-AD圖像描繪了樣本內(nèi)所有顯示LGNRs光譜的點的位置（LGNRs為橙色，組織為灰度）。

圖4 圖像分割

(a) 圖像中每個像素的峰值強度直方圖大致可分為背景（噪聲）、組織散射、LGNR和亮組織散射。(b) minHist和peakHist的檢測，如方法中所述。(c,d) 特征高光譜圖像 (c) 及其對應的分割圖 (d)，顯示背景（藍色）、組織（青色）和潛在的 LGNR和明亮的組織（黃色）。