利用光学相干层析技术发展微米级在体功能成像技术

研究人员和医生依靠功能成像来更好地了解人体内的肿瘤和其他结构。然而，捕获深层结构的成像技术分辨率较差，而提供高分辨率的成像技术深度有限。例如，正电子发射断层扫描（PET）可以显示组织深层的细节，但空间分辨率较差，PET扫描的每个体素代表数千甚至数百万个细胞。相反，光学显微镜可以提供亚细胞空间分辨率，但深度通常限于几十微米。

光学相干层析成像（OCT）通过在1到2毫米的深度提供微尺度空间分辨率，有助于缩小低分辨率/高穿透和高分辨率/低穿透技术之间的差距。传统的OCT只提供结构信息；它缺乏必要的对比度来提供功能或分子信息。

我们斯坦福大学的研究小组通过开发MOZART（非侵入性组织分子成像和特征-细胞分辨率）解决了这一缺点，该方法使用大型金纳米棒（LGNRs）来提高OCT图像的对比度体内（图1）。

使用MATLAB中开发的光谱处理算法^®，我们分析了从这些LGNR到非侵入性成像血管的后向散射，血管直径小至20μm，肿瘤组织深至750μm。MOZART中的MATLAB算法自适应校正每个图像中的弥散和深度相关畸变，使我们能够识别单个毛细血管以及控制淋巴管网络中流体流动的阀门的位置和功能状态。这些信息可以帮助科学家检测和开发某些癌症和失明的治疗方法。

我们可以使用Python开发我们的算法^®或者另一种脚本语言，但我们选择MATLAB是因为我们需要的所有功能和能力――基本矩阵运算、图像处理、信号处理等等―都是现成的。此外，MATLAB还具有方便的调试功能，可以更深入地探索我们的分析算法。

我们的MATLAB代码可用于下载.

设置实验并收集数据

我们在两种实验中展示了MOZART的能力，在这两种实验里我们对活老鼠的耳朵进行了成像。对于第一种实验，我们静脉注射LGNRs，并在注射前后对肿瘤和健康组织中的血管进行成像。在健康受试者中，LGNR循环直到被肝脏和脾脏处理。在患有肿瘤的受试者中，由于增强的通透性和滞留（EPR）效应，LGNR倾向于在肿瘤中积聚。

在第二种实验中，我们将LGNR注射到皮下（皮肤下），并将其清除至淋巴管的情况成像。为了研究淋巴阀的性能，我们依次注射了两种不同类型的LGNR，然后追踪每种LGNR通过淋巴系统的情况。我们能够区分这两种类型的LGNR，因为它们具有不同的散射光谱，并且我们的光谱算法能够区分它们。

在这两种类型的实验中，我们使用宽超发光二极管（SLD）照射组织，并使用光谱仪测量来自组织和LGNR的后向散射光，其约为100 nm×30 nm。光谱仪记录干涉图，捕捉样品中每个点的近红外散射光谱。

发展光谱处理算法

一旦我们从体内OCT扫描，我们开发了自动化数据处理的算法。这些算法从记录的干涉图中重建了传统的OCT图像（如图1所示）。他们应用离散傅里叶变换（通过矩阵乘法实现）来映射样本s散射体，其中包括样本中的LGNR和有机组织。

接下来，我们使用LGNR的独特散射光谱来区分LGNR与周围组织。我们更新了算法，应用Hann滤波器将记录的光谱分为两个波段（图3）。

从这两个波段重建图像并从Image Processing Toolbox™应用中值滤波器以减少噪声后，算法通过执行直接减法来比较这两个图像。当不存在LGNR时，从这两个波段重建的图像实际上是相同的，并且这种减法的结果接近于零。然而，当存在LGNR时，由于LGNR的不同光谱散射特性，这两个图像会有显著差异。

我们发现，两种物理现象阻碍了我们用这种简单的减法评估图像之间差异的能力。第一种是光学色散，这可能是由OCT系统中的光学元件和样品本身引起的。为了补偿色散，我们添加了一个迭代MATLAB算法，该算法优化了我们分析的每个样本的两个重建图像之间的对齐。

我们发现的第二个问题是由于重建差分图像中依赖于深度的光谱伪影。这些伪影主要是由光学装置引入的色差引起的。为了纠正这个问题，我们添加了一个算法，该算法测量图像光谱中性区域中的颜色梯度，并通过使用MATLAB polyfit函数将梯度拟合到多项式来计算依赖深度的增益。该方法自适应校准每个图像的依赖于深度的光谱偏移。

应用色散补偿和深度校正后，LGNR显示得更清楚，因为它们显著且持续地产生比周围组织更高的光谱信号。

意外结果和下一代算法

我们的MATLAB算法生成的图像非常清晰，它们揭示了许多细节，而我们在开始研究时并没有完全预料到这些细节。例如，我们发现LGNR从血管转移到淋巴管的情况。在健康的受试者中，这种运动是出乎意料的，但这种影响可能是由于多孔血管或免疫反应造成的。我们还惊讶地发现，我们能很好地看到淋巴管，包括控制健康受试者单向淋巴流的阀门。据我们所知，迄今为止，研究人员还无法以这种方式可视化淋巴管及其功能。

我们目前正在增强我们的算法，以支持LGNR被抗体或肽包裹的研究，从而使其靶向肿瘤中的特定蛋白质。在我们目前的研究中，LGNR在流经血液和淋巴管时处于运动状态。这个流程使得我们的算法很容易平均出噪声。然而，在使用靶向的研究中，LGNR仍将定位在肿瘤中，这使得噪声成为一个更严重的问题。我们已经开始在MATLAB中改进下一代算法的降噪能力，以便更好地可视化静态LGNR，为未来的分子靶向研究做准备。

确认

我们非常感谢我们的同事Debasish Sen博士的工作以及他对这项研究的贡献。