Real

Wissenschaftliche Berichte Band 12, Artikelnummer: 21718 (2022) Diesen Artikel zitieren

698 Zugriffe

Details zu den Metriken

Die Laser-Speckle-Kontrastbildgebung (LSCI) ist so bewegungsempfindlich, dass sie die Bewegung roter Blutkörperchen messen kann. Diese extreme Bewegungsempfindlichkeit stellt jedoch auch eine Gefahr dar, da die klinische Umsetzung von LSCI aufgrund der Unfähigkeit, mit Bewegungsartefakten umzugehen, verlangsamt wird. In diesem Artikel untersuchen wir die Wirksamkeit einer multispektralen Korrektur und Kompensation von Bewegungsartefakten in Echtzeit, indem wir ein In-vitro-Flussphantom und eine ex-vivo-Schweineniere computergesteuerten Bewegungsartefakten unterwerfen. Am In-vitro-Flussphantom zeigte der optische Fluss eine gute Korrelation mit der Gesamtbewegung. Dieses Modell führt zu besseren Signal-Rausch-Verhältnissen für mehrere Bildentfernungen und die Überschätzung der Perfusion wurde reduziert. Im Ex-vivo-Nierenmodell wurde auch die Perfusionsüberschätzung reduziert und wir konnten in den stabilisierten Daten immer noch zwischen Ischämie und Nicht-Ischämie unterscheiden, während dies in den nicht stabilisierten Daten nicht möglich war. Dies führt zu einer deutlich besseren Perfusionsschätzung, die die Tür zu einer Vielzahl neuer klinischer Anwendungen für LSCI öffnen könnte.

Die Laser-Speckle-Kontrastbildgebung (LSCI) basiert auf dem Prinzip, dass rückgestreutes Licht von einem biologischen Gewebe, das mit kohärentem Licht beleuchtet wird, am Detektor ein zufälliges Speckle-Muster bildet. Es handelt sich um eine farbstofffreie Vollfeld-Bildgebungstechnik, mit der die Mikroperfusion im Gewebe unter der Oberfläche in Echtzeit gemessen werden kann. LSCI wurde 1981 von Fercher und Briers zur Überwachung des Blutflusses eingeführt1. Dennoch ist LSCI nicht zum Behandlungsstandard geworden, teilweise aufgrund von Bewegungsartefakten2. Der Einsatz von LSCI basiert auf der Annahme, dass die dynamische Änderung des sogenannten Speckle-Musters Informationen über den Blutfluss enthält. Das zufällige Speckle-Muster ist das Ergebnis unterschiedlicher optischer Weglängen und reagiert so empfindlich auf Bewegungen, dass die Speckles durch rote Blutkörperchen (RBCs) beeinflusst werden. Diese extreme Bewegungsempfindlichkeit ist jedoch auch ihre Tücke. Eine unerwünschte Bewegung des interessierenden Gewebes verringert den gemessenen Kontrast, was zu falschen Flussschätzungen (d. h. einer Überschätzung der Perfusion) führt. Dies schränkt den Einsatz von LSCI in mehreren klinischen Situationen ein, in denen Bewegungen nicht eliminiert werden können, wie z. B. Atembewegungen, pulsierende und peristaltische Bewegungen, unkontrollierte Bewegungen bei Säuglingen und älteren Menschen sowie als Folge von Schmerzen und Frösteln.

Bisher konzentrierten sich Bemühungen zur Reduzierung der Auswirkungen von Bewegungsartefakten hauptsächlich auf die Anwendung externer Bewegungsinformationen, die von einer undurchsichtigen Plaque oder dem EKG-Signal abgeleitet wurden. In diesen Fällen wurden zusätzliche Informationen verwendet, um den Einfluss der Bewegung auf den LSCI3,4,5,6,7,8,9 mathematisch zu korrigieren. Allerdings sind diese Methoden nicht in Echtzeit und erfordern die Verwendung einer Markierung im Sichtfeld. Letzteres ist in manchen Situationen, beispielsweise bei einer laparoskopischen Untersuchung, nicht immer möglich10.

In dieser Studie stellen wir ein robustes multispektrales LSCI-Bewegungskorrektur- und Kompensationsmodell in Echtzeit vor, das auf dem optischen Fluss basiert und die klinische Übersetzung von LSCI für die Bewertung der Mikroperfusion in verschiedenen klinischen Arbeitsbereichen ermöglichen könnte. Wir präsentieren unser Korrekturmodell für Bewegungsartefakte in zwei verschiedenen experimentellen Umgebungen, um das Grundkonzept bis hin zur präklinischen Anwendung zu demonstrieren.

Wir untersuchen den Einfluss kontrollierter Bewegungsartefakte auf die gemessene Perfusion in zwei Einstellungen; einem In-vitro-Flussphantom und an einer ex vivo perfundierten Schweineniere (Abb. 1). Die per LSCI gemessene Perfusion wird in Laser Speckle Perfusion Units (LSPU) ausgedrückt. Die LSPU werden mit Gl. berechnet. (1) wobei \(\sigma\) die Standardabweichung der Intensität \(I\) über der mittleren Intensität \(\) unter Verwendung eines räumlichen LSCI-Algorithmus11 ist. Das räumliche Fenster wurde auf 5 × 512 und das zeitliche Fenster auf 8 Bilder eingestellt. Sowohl das Strömungsphantom als auch die ex vivo perfundierte Schweineniere waren den gleichen simulierten Bewegungen ausgesetzt. Es wurde eine programmierbare 2D-Bewegungsplattform mit 4 verschiedenen Weglängen und 5 verschiedenen Geschwindigkeiten im Bereich von 4–12 mm/s in Schritten von 2 mm/s verwendet. Bei der Architektur handelt es sich um ein 2-Achsen-Bewegungssystem, das üblicherweise in 3D-Druckern zu finden ist, mit zwei Servomotoren, die von einem Mikrocontroller gesteuert werden (Mega 2560 REV3, Arduino, Ivrea, Italien). Im Vergleich zu Ambrus et al.13 hat dieser Aufbau den Vorteil, dass Geschwindigkeit, Distanz und Richtung vom Benutzer programmiert und gesteuert werden können und so biologisch relevante Bewegungsartefakte imitiert werden.

Der Dual-Laser-Laser-Speckle-Kontrast-Bildgebungsaufbau (LSCI) mit programmierbarem 2D-Bewegungsartefaktgenerator. Der LSCI-Aufbau bestand aus einem Farbsensor, einem Computer und einem Dual-Laser-Aufbau mit einem roten 680-nm- und einem grünen 532-nm-200-mW-Laser. Die Proben a und b werden auf der 2D-programmierbaren Bewegungsplattform platziert. (A) Das In-vitro-Flussphantom präsentiert einen statischen und einen dynamischen Speckle-Bereich. (B) Eine ex vivo perfundierte Schweineniere.

Die erste Einstellung untersuchte den Einfluss von Bewegungsartefakten in vitro auf ein Strömungsphantom mit einem stabilen dynamischen und einem stabilen statischen Speckle-Bereich (Abb. 1a) (FLPI Cal 2FPS, Moor Instruments Ltd, Millwey, Vereinigtes Königreich). Dieses Strömungsphantom bietet durch äußerst klare und deutliche optische Merkmale wie den geschriebenen Text eine optimale Umgebung zum Experimentieren mit der Bewegungskorrektur und -kompensation. Es verfügt über zwei 20 x 10 mm große Röhren, die sich als dynamische und statische Speckle-Bereiche präsentieren. Dies ermöglicht die Isolierung des Effekts von Bewegungsartefakten mithilfe des stabilen Speckle-Kontrasts \(K\) (Gl. 1). Wir haben das Signal-Rausch-Verhältnis (SNR) zwischen dem interessierenden Bereich (ROI), der den statischen Speckle-Bereich abdeckt (LSPUstatic), und dem ROI, der den gesamten dynamischen Speckle-Bereich abdeckt (LSPUDynamic), unter Verwendung von Gleichung berechnet. (2). SDStatic und SDDynamic sind die Standardabweichung von LSPUstatic bzw. LSPUDynamic. Die LSPU- und SD-Werte werden für jeden Frame berechnet, wobei der ROI mithilfe der Stabilisierungsalgorithmen automatisch die statischen und dynamischen Bereiche auf dem Strömungsphantom verfolgt. Das SNR gibt Aufschluss über die Fähigkeit, zwischen gut und schlecht durchblutetem Gewebe zu unterscheiden. Der Abstand zwischen Kamera und Strömungsphantom betrug 90 oder 200 mm, um den Effekt des Verhältnisses von Bewegung zu Pixel zu untersuchen.

Die Perfusionsüberschätzung wird berechnet, indem der LSPU während der Bewegung mit dem LSPU verglichen wird, wenn das Strömungsphantom stationär ist. Diese Werte werden zwischen dem stabilisierten und dem nicht stabilisierten LSCI-Algorithmus verglichen. Mithilfe dieses Modells werden wir außerdem untersuchen, ob der optische Fluss auf Bewegungsartefakte hinweist. Dies wird anhand der Korrelation des gesamten optischen Flusses und der Bewegungszeit sowie der Korrelation zwischen optischem Fluss und LSPU untersucht. Um die Verwendung des optischen Flusses als Hinweis auf Bewegungsartefakte zu untersuchen, untersuchen wir die Beziehung zwischen LSPU-Werten von Frames, die einen optischen Fluss gleich Null haben, im Vergleich zu einem optischen Fluss größer als Null sowohl für den statischen als auch den dynamischen Bereich von das Strömungsphantom. Der optische Fluss ist ein Verschiebungsvektor, der ohne die Notwendigkeit einer Referenzmarkierung im Sichtfeld (FOV) verwendet werden kann. Die Genauigkeit der optischen Flusserkennung hängt stark von der Qualität der unterschiedlichen optischen Merkmale ab. Wir berechnen den optischen Fluss zwischen jedem nachfolgenden Frame. Die Genauigkeit des optischen Flusses für die geometrische Neuausrichtung wurde bereits zuvor nachgewiesen14. Wie bereits von anderen erwähnt7, erhöht jede Bewegung fälschlicherweise den LSPU-Wert gegenüber dem wahren Perfusionswert. Da das Strömungsphantom keinen unkontrollierbaren hämodynamischen Veränderungen unterliegt, müssen alle Abweichungen im LSPU das Ergebnis von Bewegung sein. Daher sollte eine Korrelation zwischen den durch den optischen Fluss erhöhten LSPU-Werten bestehen.

Das zweite Experiment untersuchte den Einfluss von Bewegungsartefakten mithilfe der programmierbaren Plattform auf eine ex vivo maschinell perfundierte Schweineniere (Abb. 1b). Dies führt zu Komplikationen wie der Überwachung eines hämodynamischen Ereignisses, kleinen Gewebevibrationen und Spiegelreflexionen. Die im Schlachthof entnommenen Schweinenieren stammten von einem örtlichen Schlachthof. Schweine (weibliche niederländische Landrassenschweine, etwa fünf Monate alt mit einem Durchschnittsgewicht von 130 kg) wurden zu Verzehrzwecken geschlachtet und nach standardisierten gesetzlichen Verfahren behandelt. Der Aufbau von ex vivo maschinell perfundierten Schweinenieren wurde bereits ausführlich beschrieben15. Zwei verschiedene Experimente wurden dreimal an einer Niere während der normothermen maschinellen Perfusion wiederholt. Zunächst wurden kontrollierte Bewegungsartefakte bei stabilem Druck und stabilem hämodynamischen Zustand erzeugt. Zweitens haben wir durch Aufblasen eines Ballonkatheters in der Nierenarterie ein lokales Durchblutungsdefizit induziert. LSCI-Messungen mit und ohne Bewegungen wurden bei Vorliegen einer Ischämie im unteren Nierenlappen durchgeführt. Ähnlich wie beim Flussphantom wird die Perfusionsüberschätzung berechnet, indem der LSPU während der Bewegung mit dem LSPU bei stationärer Niere verglichen wird.

Der LSCI-Aufbau bestand aus einer Farbkamera, einem fasergekoppelten Dual-Laser-Modul mit Optik und einem Laptop (Abb. 1). Der multispektrale Aufbau wurde gewählt, um verfolgbare unterschiedliche optische Merkmale für die Berechnung des optischen Flusses zu erzeugen. Die Hypothese ist, dass der grüne Laser auf den meisten Geweben diese optisch deutlichen Merkmale rund um die Blutgefäße hervorruft, da diese als dunkle Adern erscheinen. Der rote Laser wird für Perfusionsmessungen verwendet. Bei der Farbkamera handelte es sich um eine 12-Bit-CMOS-Kamera mit 4,19 Megapixeln (5,5-\(\upmu\)m \(\times\) 5,5-\(\upmu\)m Pixelgröße (UI-3370CP-C-HQ). , IDS Imaging Development Systems GmbH, Obersulm, Deutschland), ausgestattet mit einem 12,5 mm, F1,5–16 Objektiv (LM12HC, Kowa, Düsseldorf, Deutschland). Die Bilder wurden mit einer Belichtungszeit von 40 ms, einer Frequenz von 25 Hz und einer Blende von 8 aufgenommen. Die relativ lange Belichtungszeit ist erforderlich, um aufgrund der Kombination eines Lasers mit geringer Leistung ausreichende Pixelintensitäten zu erhalten und großes Sichtfeld. Die eingestellten Bildgebungsparameter führten zu einem Minimum von ~3 Pixeln pro Speckle und erfüllten somit das Nyquist-Kriterium16. Die multispektrale Stabilisierung erfordert zwei Laserdioden, wir haben uns für die Verwendung einer roten (\(\uplambda\) = 680 nm, 200 mW, Lionix International, Enschede, Niederlande) und einer grünen (\(\uplambda\) = 532 nm) entschieden , 200 mW, Lionix International, Enschede, Niederlande) fasergekoppelte Laserdiode, die an einen Faseranschluss (Thorlabs, Newton, USA) gekoppelt war, mit einer Kollimationslinse (12 mm \(\varnothing\), -12 mm FL). unbeschichtete doppelkonkave Linse (Edmund Optics, New Jersey, USA), platziert in einem Abstand von 40 mm, um das Sichtfeld vollständig auszuleuchten. Der Übersprecheffekt betrug 5 % der 532 nm im roten Kanal und 4 % der 632 nm im roten Kanal Grüner Kanal. Die Kamera und der Laser wurden 9 cm bzw. 20 cm über und senkrecht zum In-vitro-Flussphantom montiert, was zu einem Bildfeld von 80 × 80 mm bzw. 200 × 200 mm führte. Der Bildabstand betrug für das Beispiel 200 mm vivo-Messungen ergeben ein Sichtfeld von 200 × 200 mm. Die Kamera ist an einen Laptop-Computer (Dell XPS 15, Intel Core i7-8750H-CPU, 16 GB RAM, GeForce GTX1050 Ti-GPU) angeschlossen, auf dem die Lapvas-Imaging-Software (LIMIS) installiert ist Development BV, Leeuwarden, Niederlande).

Die Technologie zur Perfusionserkennung (d. h. LSCI) basiert auf der Streuung von Photonen an roten Blutkörperchen (RBCs)17. Wenn die Perfusion in Gewebe gemessen wird, das auch nur der geringsten Bewegung ausgesetzt ist, bestehen die gemessenen Perfusionswerte aus der Bewegung der Erythrozyten (erwünscht) und dem Bewegungsartefakt aufgrund der Bewegung des Gewebes (unerwünscht). Wir stellten die Hypothese auf, dass der traditionelle LSCI-Wert \(K\) (Gl. 1) aus der Bewegung der Erythrozyten (\(fRBC\)) und der unerwünschten Bewegung des Gewebes (\(fTIS\)) wie in Gl. besteht. (3). Die vorgeschlagene Lösung besteht darin, den Einfluss von \(fTIS\) in \(K\) zu minimieren, um \(fRBC\) genauer abzuschätzen. Dies ist in zwei Teile aufgeteilt; eine Bewegungsartefaktkompensation basierend auf plötzlichen Änderungen der LSCI-Werte und die geometrische Ausrichtung basierend auf der Verwendung von aus dem optischen Fluss abgeleiteten Verschiebungsvektoren. Die stabilisierten Bilder wurden den Forschern mit 14 Bildern pro Sekunde und einer Verarbeitungsgeschwindigkeit von 70 ms pro Bild auf dem Laptop angezeigt.

Durch Bewegungsartefakte beeinträchtigte Bilder weisen ein verringertes SNR und bis zu einem gewissen Grad eine Verschlechterung der Bildqualität auf. Es ist nicht möglich, \(fRBC\) und \(fTIS\) von \(K\) zu trennen. Es ist jedoch möglich, den relativen Effekt abzuschätzen, den \(fTIS\) auf \(K\) hat. Eine plötzliche Änderung von \(K\) ist wahrscheinlich die Auswirkung von \(fTIS\), da die meisten Perfusionsmessungen in einem stabilen hämodynamischen Zustand durchgeführt werden. Gewichtungen, die auf plötzlichen Unterschieden oder Änderungen im Speckle-Kontrast basieren, können auf unerwünschte Bewegungsartefakte hinweisen. Daher kann die umgekehrte Anwendung dieser Gewichte zum durchschnittlichen LSPU zu einer höheren Bildqualität führen. Die Verwendung von Gewichtungsfaktoren, die umgekehrt mit der relativen Änderung von \(K\) im Vergleich zum Durchschnitt \(K\) der vorherigen Bilder korrelieren, kann auf diese Weise den Effekt des Bewegungsartefakts \(fTIS\) auf \(K) kompensieren \). Der zeitliche Gewichtsfaktor \({w}_{t}\) des Pixels \((i,j)\) wird mit Gleichung berechnet. (4). Die Gewichtsfaktoren werden durch die Summe aller Gewichtsfaktoren im zeitlichen Fenster dividiert (d. h. lineare Normalisierung), was zu \({w}_{t\left(normalized\right)}\) führt. Anschließend wird der normalisierte Gewichtsfaktor für die Multiplikation des zeitlichen LSPU für jedes Pixel verwendet.

Schließlich stellten wir die Hypothese auf, dass die meisten Störungen von \(fTIS\) in einem rekursiven Muster wie Atembewegung und Herzschlag auftreten. Um den Einfluss dieser unerwünschten Bewegungsartefakte zu minimieren, sollte das Zeitfenster mindestens die doppelte Größe der langsamsten rekursiven Bewegungen haben. Wenn das Nyquist-Kriterium nicht eingehalten wird, ist das durchschnittliche Rauschen nicht dasselbe, wenn das zeitliche Fenster kleiner als das langsamste Rekursiv ist. Wenn das im räumlichen LSCI verwendete zeitliche Fenster groß genug ist, umfasst das Fenster immer die gleiche Menge an Rauschen.

Aufgrund der Bewegung des Gewebes und der Kamera kommt es zu einer Fehlausrichtung der Bilder, weshalb eine geometrische Ausrichtung erforderlich ist. Die vorgeschlagene geometrische Ausrichtung basiert auf der Nutzung des optischen Flusses. Für die Verschiebungsvektorberechnungen wird die dünnbesiedelte Lucas-Kanade-Methode verwendet18. Der optische Fluss wird anhand der Positionen automatisch ermittelter entsprechender Merkmale in zwei aufeinanderfolgenden Bildern berechnet, auf denen die Verschiebungsvektoren bestimmt werden, die die Bewegung des Zielbereichs identifizieren. Die Merkmale werden durch den dünn besetzten Pyramiden-Lucas-Kanade-Algorithmus erkannt. Die Werte des optischen Flusses entsprechen der Anzahl der Pixel, die ein erkanntes Merkmal zwischen zwei aufeinanderfolgenden Bildern bewegt. Die auf den Verschiebungsvektoren basierenden Transformationen werden dann verwendet, um die Speckle-Kontrastbilder zu registrieren oder geometrisch auszurichten. Die geometrische Ausrichtung besteht aus einer affinen Transformation, die durch die optischen Flussvektoren bestimmt wird.

Wir haben einen multispektralen Zwei-Laser-Aufbau entwickelt, um visuell unterschiedliche Objektmerkmale in durchblutetem Gewebe zu erzeugen. Oberflächliche Blutgefäße absorbieren grünes Licht und erscheinen dunkler. Dies führt zu einem erhöhten Kontrast, der wiederum die hervorstechenden Merkmale im Bild erhöht, die verfolgt werden können. Der optische Fluss wird ausschließlich auf Grundlage der grünen Pixel berechnet.

Für die statistische Analyse wurde Graphpad Prism (Prism 7, La Jolla, Vereinigte Staaten von Amerika) verwendet. Alle Daten werden als Mittelwert ± Standardabweichung dargestellt. Es wurden ein linearer Regressionstest und Welch-T-Tests verwendet. Ein zweiseitiger p-Wert < 0,05 wurde als statistisch signifikant angesehen.

Um die Verwendung des optischen Flusses als Hinweis auf Bewegungsartefakte zu untersuchen, haben wir die Beziehung zwischen optischem Fluss und nicht stabilisiertem LSPU untersucht. Wie aus Abb. 2a ersichtlich ist, nimmt der optische Fluss linear mit der Zunahme der Gesamtbewegungszeit des Phantoms zu (R2 = 0,9947). Dies steht im Einklang mit der Tatsache, dass auch die Gesamtbewegungszeit linear zunimmt. Wir haben die Wirkung von Bewegung auf die statischen und dynamischen Bereiche des Phantoms untersucht. Wenn wir die LSPU-Durchschnittswerte des statischen Bereichs betrachten, die mit einem optischen Fluss gleich Null verbunden sind, sehen wir, dass es einen signifikanten Unterschied im LSPU im Vergleich zu einem optischen Fluss von > 0 gab (p < 0,0001) (Abb. 2b). ). Dies gilt auch für die LSPU des dynamischen Bereichs (p <0,0001) (Abb. 2b).

(A) Summe des optischen Flusses gemessen pro Bewegungsgeschwindigkeit in mm/s mit einer linearen Anpassung. Das R-Quadrat für eine lineare Anpassung beträgt 0,9947. (B) Ein Box-and-Violine-Diagramm der Laser-Speckle-Perfusionseinheiten (LSPU), sortiert nach dem gemessenen optischen Fluss (OF). Um die Verwendung des optischen Flusses als Hinweis auf Bewegungsartefakte zu untersuchen, haben wir die Beziehung zwischen OF und nicht stabilisiertem LSPU untersucht. LSPU sortiert nach OF-Werten von = 0 und > 0. **** sind signifikant unterschiedlich (p < 0,0001).

Ein höheres SNR weist auf eine hohe Unterscheidungskraft zur Unterscheidung zwischen gut und schlecht durchblutetem Gewebe hin. Die SNRs für den Kameraabstand von 20 cm finden Sie in Abb. 3a. Das durchschnittliche SNR (und die Standardabweichung) betrugen 4,15 ± 1,21 für die stabilisierten gegenüber 1,41 ± 0,22 für die nicht stabilisierten, was einer Erhöhung des SNR um den Faktor 2,94 entspricht. (Abb. 3b). Der kleinere Kameraabstand von 9 cm schnitt etwas besser ab, da das SNR 3,44-mal höher war. Die SNRs sind in Abb. 3c zu finden und das durchschnittliche SNR liegt bei einem stabilisierten SNR von 4,06 ± 0,84 und einem nicht stabilisierten SNR von 1,18 ± 0,24 (Abb. 3d). Abbildung 4 zeigt ein Beispiel der stationären (Abb. 4a, b) und instationären Strömungsphantomperfusionsbilder unter Verwendung der herkömmlichen (Abb. 4c) und stabilisierten (Abb. 4d) LSCI-Algorithmen.

(A) Signal-Rausch-Verhältnis für jede Distanz pro Bewegungsgeschwindigkeit in mm/s für den Kameraabstand von 20 cm. (B) Box-and-Violine-Diagramme der durchschnittlichen Signal-Rausch-Verhältnisse für den Kameraabstand von 20 cm. (C) Signal-Rausch-Verhältnis für jede Distanz pro Bewegungsgeschwindigkeit in mm/s für den 9-cm-Kameraabstand. (D) Box-and-Violin-Diagramme der durchschnittlichen Signal-Rausch-Verhältnisse für den Kameraabstand von 9 cm.

(A) Das unverarbeitete Bild des Flussphantoms (oben) und der Ex-vivo-Niere (unten). (B) Perfusionsbilder des stationären Strömungsfantoms (oben) und der Ex-vivo-Niere (unten), angezeigt in Laser-Speckle-Perfusionseinheiten (LSPU) [AU]. (C) Perfusionsbild (das gleiche wie D) des instationären Strömungsphantoms (oben) und der Ex-vivo-Niere (unten) unter Verwendung des traditionellen Laser-Speckle-Kontrast-Bildgebungsmodus (LSCI) in LSPU [AU]. D: Perfusionsbild (das gleiche wie C) des instationären Strömungsphantoms (oben) und der Ex-vivo-Niere (unten) unter Verwendung des multispektralen Bewegungskorrektur- und Kompensations-LSCI-Modells in LSPU[AU].

Wir sehen auch einen starken Rückgang der Standardabweichung stabilisierter Aufnahmen, insbesondere in der statischen Speckle-Röhre. Naturgemäß ist die Standardabweichung bei statischen Speckles höher. Wir sehen einen Anstieg des SNR um den Faktor 3,05 (SD = 2,46 vs. SD = 7,52) für die statischen Speckles und einen Anstieg um 2,33 (SD = 1,75 vs. SD = 4,09) für die dynamischen Speckles. Ähnliches gilt für den kleineren Kameraabstand mit 3,43 (SD = 2,23 vs. SD = 7,64) für die statischen und 2,43 (SD = 1,95 vs. SD = 4,75) für die dynamischen Speckles.

Für den größeren Kameraabstand bedeuten diese Zahlen eine 7,31-fache Reduzierung der Perfusionsüberschätzung (50,86 % gegenüber 6,96 %) und eine 5,65-fache Reduzierung der Überschätzung für statische Speckles (90,93 % gegenüber 16,09 %). Dieser Effekt ist bei der kleineren Kameraentfernung weniger ausgeprägt, da die Perfusionsüberschätzung um das 2,79-fache geringer ist (44,84 % gegenüber 16,09 %) und um 4,81 bei den statischen Speckles (124,86 % gegenüber 25,98 %).

In Übereinstimmung mit dem linearen Anstieg der Gesamtbewegungszeit beobachteten wir einen linearen Anstieg des optischen Flusses (R2 = 0,8375 ± 0,0957) im ex vivo perfundierten Schweinenierenaufbau. Das statische hämodynamische Experiment zeigte eine Rauschreduzierung um das 1,62-fache der Standardabweichung der stabilisierten Aufzeichnungen (SD = 1,64 ± 0,32) im Vergleich zu den nicht stabilisierten Daten (SD = 2,67 ± 0,23). Wir beobachteten auch, dass die durchschnittliche Überschätzung der Perfusion 11,21 ± 3,03 % im Vergleich zu 26,96 ± 2,89 % betrug, also eine 2,40-fache Verbesserung. Abbildung 4 zeigt ein Beispiel der stationären (Abb. 4a, b) und instationären Nierenperfusionsbilder unter Verwendung der herkömmlichen (Abb. 4c) und stabilisierten (Abb. 4d) LSCI-Algorithmen.

Durch das Aufblasen eines Ballonkatheters induzierten wir eine lokale Ischämie in einer der Gabelungen der Nierenarterie und erzeugten so einen Bereich mit hohem und niedrigem Fluss, vergleichbar mit dem oben beschriebenen Flussphantom. Die Ergebnisse sind in Tabelle 1 dargestellt. Die Ischämie wurde einmal ohne und zweimal mit Zugabe von Bewegungsartefakten induziert. Wir stellten fest, dass im Vergleich zur sich nicht bewegenden lokalen Ischämie (Abb. 5a) zwar mehr Rauschen auftritt, wir jedoch in den stabilisierten Daten (p < 0,0001) (Abb. 5b) immer noch zwischen Ischämie und Nicht-Ischämie unterscheiden konnten, wohingegen dies der Fall war in den nicht stabilisierten Daten nicht möglich (p > 0,05) (Abb. 5c).

(A) Box-and-Violine-Plot der Ausgangs-, Ischämie- und Post-Ischämie-LSPU des lokalen Ischämie-Experiments ohne Bewegungsartefakte. (B) Box-and-Violine-Plot des Baseline-, Ischämie- und Post-Ischämie-stabilisierten LSPU des lokalen Ischämie-Experiments mit Bewegungsartefakten. (C) Box-and-Violine-Plot des Ausgangs-, Ischämie- und Post-Ischämie-nicht stabilisierten LSPU des lokalen Ischämie-Experiments mit Bewegungsartefakten. * = Ischämie unterscheidet sich deutlich vom Ausgangswert. + = Post-Okklusion unterscheidet sich deutlich von Ischämie.

In diesem Artikel berichten wir über eine Echtzeitkorrektur von Bewegungsartefakten als Kompensationsmodell für die klinische Bewertung der Mikroperfusion unter der Oberfläche mithilfe von LSCI. Unsere Daten zeigen, dass es möglich ist, den Effekt von Bewegungsartefakten in Echtzeit deutlich zu reduzieren. Wir haben das Modell in vitro validiert, wobei wir ein stabiles Strömungsphantom als idealstes Modell verwendet haben. Wir kamen aus diesem Experiment zu dem Schluss, dass der optische Fluss auf Bewegungsartefakte hinweist und zur Bildausrichtung verwendet werden kann. Wir haben eine deutliche Verbesserung der SNRs und einen deutlichen Rückgang der Standardabweichung festgestellt. Dies führt zu einer deutlich besseren Perfusionsschätzung im Vergleich zum nicht stabilisierten Modell. Die ex vivo perfundierte Schweineniere brachte erhebliche Herausforderungen mit sich, wie z. B. Gewebevibrationen und Spiegelreflexionen. Die wichtigste Erkenntnis ist, dass wir mit diesem Stabilisierungsmodell immer noch in der Lage waren, zwischen gut und nicht durchblutetem Gewebe zu unterscheiden. Wir glauben, dass eine qualitative Perfusionsbeurteilung für die Akzeptanz von LSCI im klinischen Umfeld hilfreich sein könnte. Unsere Ergebnisse legen nahe, dass die Technologie zur Korrektur von Bewegungsartefakten in einer Vielzahl neuer klinischer Anwendungen eingesetzt werden kann.

Die in dieser Studie induzierten Bewegungsartefakte sind größer als die in der klinischen Praxis gefundenen Artefakte. Dennoch konnte das Modell die LSCI-Daten deutlich verbessern. Die Abnahme des SNR, die mit abnehmender Bewegungsgeschwindigkeit und zunehmender Entfernung festgestellt werden kann, belegt, dass kontinuierliche Artefakte mit niedriger Frequenz und längerer Dauer den Modelleffekt im Vergleich zu Artefakten mit hoher Frequenz und kürzerer Zeit abschwächen. Dies liegt daran, dass die Algorithmen nicht in der Lage sind, die „wahre“ Flussschätzung zu kennen, wenn eine Bewegung länger als die Länge des Zeitfensters dauert. Das Modell sollte daher durch Änderung des zeitlichen Fensters auf typische Bewegungen im klinischen Umfeld abgestimmt werden. Andererseits kann der Algorithmus die Bewegung nicht erkennen, wenn die Bewegungen schneller als die Bildrate sind. Dies sollte auch für jede klinische Anwendung separat untersucht werden.

Wir haben uns entschieden, uns nicht auf eine einzige Informationsquelle zu verlassen, indem wir die plötzlichen Änderungen des LSPU für die Kompensation und den optischen Fluss für die Korrektur nutzen. Da wir gezeigt haben, dass der optische Fluss auf Bewegungsartefakte hinweist und dass es einen signifikanten Unterschied in der LSPU für optische Flusswerte von Null und größer als Null gibt, könnten andere Kombinationen möglich sein. Beispielsweise durch die Verwendung einer gewichteten Kombination aus optischem Fluss und plötzlicher Änderung des LSPU für die Bewegungskompensation.

Der Vorteil der in diesem Manuskript vorgestellten Methode im Vergleich zu früheren Arbeiten besteht darin, dass diese Methode in Echtzeit erfolgt und keine Form von Passmarkierungen oder undurchsichtigen Klebeplaques erforderlich ist. Wir gehen davon aus, dass dieses Modell zur klinischen Akzeptanz von LSCI als qualitativer und semiquantitativer Perfusionsbildgeber beitragen kann. Diese Studie könnte insbesondere als präklinische Studie für intraoperative Perfusionsmessungen während einer Nierentransplantation dienen. Die Echtzeit-2D-Perfusionskarten könnten bei der Früherkennung lokaler Perfusionsdefizite nach der Reperfusion der Niere helfen, was letztendlich zu besseren postoperativen Ergebnissen führen könnte. Die Fähigkeit zur Bewegungskorrektur könnte die Bildgebung von Verbrennungswunden verbessern, bei denen Patienten häufig vor Schmerzen zittern. Darüber hinaus hat unsere Gruppe dieses Modell in einen laparoskopischen Formfaktor eingebettet, um die Dickdarmperfusion zu überwachen. Der laparoskopische Formfaktor könnte weitere Anwendungen in Bereichen wie der oberen Magen-Darm-Chirurgie und anderen laparoskopischen Eingriffen finden.

Die Einschränkung unserer Studie besteht darin, dass wir dieses Modell nur in der idealsten Umgebung und ex vivo an einer Niere validiert haben. Allerdings sollte für jede klinische Indikation der optimalste multispektrale Aufbau untersucht werden, da unterschiedliche optische Eigenschaften des Gewebes und biologische Eigenschaften die unterschiedlichen optischen Merkmale beeinflussen können. Die Framerate der stabilisierten Bilder von 14 Bildern pro Sekunde kann wahrscheinlich auch durch Bildverarbeitungsoptimierung und verbesserte Hardware mit mehr Rechenleistung verbessert werden. Zukünftige Anstrengungen sollten hinsichtlich der präklinischen Forschung für andere Gewebetypen unternommen werden. Außerdem könnte die multispektrale Korrektur verbessert werden, indem die grüne kohärente Lichtquelle durch eine LED mit schmaler spektraler Bandbreite ersetzt wird, da dadurch unerwünschtes Speckle-Rauschen minimiert wird, ohne dass es zu unerwünschtem Übersprechen kommt.

Zusammenfassend deuten unsere In-vitro- und In-vivo-Daten darauf hin, dass dieses LSCI-Stabilisierungsmodell die Auswirkungen von Bewegungsartefakten wirksam reduziert und die Unterscheidung zwischen gut und schlecht durchblutetem Gewebe bei erheblicher Bewegung der interessierenden Region ermöglicht. Diese Methode könnte die klinische Anwendbarkeit von LSCI erhöhen, da sie für die meisten klinischen Indikationen geeignet ist, da keine Markierungen im Sichtfeld platziert werden müssen und die Verarbeitung in Echtzeit erfolgen kann.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Fercher, AF & Briers, JD Strömungsvisualisierung mittels Einzelbelichtungs-Speckle-Fotografie. Opt. Komm. 37, 326–330 (1981).

Artikel ADS Google Scholar

Heeman, W., Steenbergen, W., van Dam, GM & Boerma, EC Klinische Anwendungen der Laser-Speckle-Kontrastbildgebung: Ein Überblick. J. Biomed. Opt. 24, 1 (2019).

Artikel Google Scholar

Mahe, G. et al. Beurteilung der kutanen mikrovaskulären Funktion während des Trainings: Ein neuartiger Ansatz unter Verwendung der Laser-Speckle-Kontrastbildgebung. Pflugers Arch. 465, 451–458 (2013).

Artikel CAS Google Scholar

Mahé, G. et al. Die Laser-Speckle-Kontrastbildgebung misst den Blutfluss über sich bewegende Hautoberflächen genau. Mikrogefäß. Res. 81, 183–188 (2011).

Artikel Google Scholar

Bahadori, S., Immins, T. & Wainwright, TW Die Wirkung der neuromuskulären elektrischen Stimulation der Wade und der intermittierenden pneumatischen Kompression auf die Mikrozirkulation der Oberschenkel. Mikrogefäß. Res. 111, 37–41 (2017).

Artikel Google Scholar

Bahadori, S., Immins, T. & Wainwright, TW Ein neuartiger Ansatz zur Überwindung von Bewegungsartefakten bei Verwendung eines Laser-Speckle-Kontrast-Bildgebungssystems für wechselnde Geschwindigkeiten der Blutmikrozirkulation. J. Vis. Exp. https://doi.org/10.3791/56415 (2017).

Artikel Google Scholar

Lertsakdadet, B. et al. Korrektur von Bewegungsartefakten in handgeführten Laser-Speckle-Bildern. J. Biomed. Opt. 23, 1 (2018).

Artikel Google Scholar

Omarjee, L. et al. Optimierung der Bewegungserkennung und Artefaktentfernung bei der Laser-Speckle-Kontrastbildgebung. Mikrogefäß. Res. 97, 75–80 (2015).

Artikel Google Scholar

Richards, LM, Towle, EL, Fox, DJ & Dunn, AK Intraoperative Laser-Speckle-Kontrastbildgebung mit retrospektiver Bewegungskorrektur zur quantitativen Beurteilung des zerebralen Blutflusses. Neurophotonik 1, 15006 (2014).

Artikel Google Scholar

Heeman, W. et al. Anwendung der Laser-Speckle-Kontrastbildgebung in der laparoskopischen Chirurgie. Biomed. Opt. Express 10, 2010 (2019).

Artikel Google Scholar

Draijer, M., Hondebrink, E., van Leeuwen, T. & Steenbergen, W. Übersicht über Laser-Speckle-Kontrasttechniken zur Visualisierung der Gewebeperfusion. Laser Med. Wissenschaft. 24, 639–651 (2009).

Artikel Google Scholar

Briers, D., Duncan, DD, Hirst, E., Kirkpatrick, SJ & Larsson, M. Laser-Speckle-Kontrastbildgebung: theoretische und praktische Einschränkungen. J. Biomed. Opt. 18, 1 (2013).

Artikel Google Scholar

Ambrus, R. et al. Laser-Speckle-Kontrastbildgebung zur Überwachung von Veränderungen im mikrovaskulären Blutfluss. EUR. Surg. Res. 56, 87–96 (2016).

Artikel ADS Google Scholar

Barron, JL, Fleet, DJ & Beauchemin, SS Durchführung optischer Flusstechniken. Int. J. Comput. Vis. 12, 43–77 (1994).

Artikel Google Scholar

Heeman, W. et al. Echtzeit-Visualisierung der renalen Mikroperfusion mittels Laser-Speckle-Kontrastbildgebung. J. Biomed. Opt. 26, 12 (2021).

Artikel Google Scholar

Kirkpatrick, SJ, Duncan, DD & Wells-Gray, EM Schädliche Auswirkungen der Speckle-Pixel-Größenanpassung bei der Laser-Speckle-Kontrastbildgebung. Opt. Lette. 33, 2886 (2008).

Artikel ADS Google Scholar

Boas, DA & Dunn, AK Laser-Speckle-Kontrastbildgebung in der biomedizinischen Optik. J. Biomed. Opt. 15, 11109 (2010).

Artikel Google Scholar

Bouguet, JY Pyramidale Implementierung des Lucas Kanade Feature Trackers. (1999).

Referenzen herunterladen

Die Autoren möchten Riëlle Vrielink für ihre Hilfe beim Bewegungsartefaktgenerator und Petra Ottens für ihre Hilfe bei den Nierenperfusionen danken. Diese Arbeit wurde durch den Wissens- und Innovationsfonds des Samenwerkingsverband Noord Nederland (SNN) mit der Fördernummer KEI18PR004 unterstützt.

Fakultätscampus Fryslân, Universität Groningen, Wirdumerdijk 34, Leeuwarden, 8911 CE, Niederlande

Wido Heeman & E. Christiaan Boerma

Abteilung für Chirurgie, Universitätsklinikum Groningen, Hanzeplein 1, Groningen, 9713 GZ, Niederlande

Wido Heeman, Hanno Maassen, Henri Leuvenink & Gooitzen. M. van Dam

LIMIS Development BV, Henri Dunantweg 2, Leeuwarden, 8934 n. Chr., Niederlande

Wido Heeman

Abteilung für Pathologie und Medizinische Biologie, Universitätsklinikum Groningen, Hanzeplein 1, Groningen, 9713 GZ, Niederlande

Hanno Maassen und Harry van Goor

Kompetenzzentrum für Computer Vision und Datenwissenschaft, NHL Stenden University of Applied Sciences, Rengerslaan 8-10, Leeuwarden, 8917 DD, Niederlande

Klaus Dijkstra

ZiuZ Visual Intelligence, Stationsweg 3, Gorredijk, 8401 DK, Niederlande

Joost-Kandidat

Abteilung für Intensivmedizin, Medizinisches Zentrum Leeuwarden, Henri Dunantweg 2, Leeuwarden, 8934 n. Chr., Niederlande

E. Christiaan Boerma

Sie können diesen Autor auch in PubMed Google Scholar suchen

WH, HM, ECB und HL haben die Studie entworfen und die konzeptionellen Ideen entwickelt. WH, KD, JC und ECB konzipierten und entwickelten das LSCI-System und führten die Analyse durch. WH, HM, HvG und HL konzipierten und führten die Studien unter Verwendung des LSCI-Systems durch. WH, HM, KD, JC, HvG, HL, GMvD und ECB haben das Manuskript geschrieben. WH und HM haben die Hauptfiguren entworfen und fertiggestellt. Alle Autoren trugen zur Datenerhebung, Analyse der Ergebnisse und zum Text bei.

Korrespondenz mit Wido Heeman.

JC, KD und ECB sind Erfinder der PerfusiX-Imaging-Technologie, WH ist Teil des PerfusiX-Imaging-Projekts. HM, HvG, HL und GMvD haben keine Interessenkonflikte oder finanziellen Verbindungen offenzulegen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Heeman, W., Maassen, H., Dijkstra, K. et al. Multispektrale Bewegungsartefaktkorrektur und -kompensation in Echtzeit für die Laser-Speckle-Kontrastbildgebung. Sci Rep 12, 21718 (2022). https://doi.org/10.1038/s41598-022-26154-6

Zitat herunterladen

Eingegangen: 30. August 2022

Angenommen: 09. Dezember 2022

Veröffentlicht: 15. Dezember 2022

DOI: https://doi.org/10.1038/s41598-022-26154-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Blog