分布式多位置散射光谱法对被测组织内部信息的初步研究

分布式多位置散射光谱法从光子在组织中传播的"香蕉"路径这一理论出发,对测量组织的内部信息进行分析,有效消除了浅表组织对内部信息测量的干扰。设计了一种半透膜——牛奶双层结构仿体实验,以40组不同浓度的牛奶溶液代表需要被测的组织内部成分,牛奶上方盖以1至5层不同厚度的半透膜代表略有差异的浅表组织厚度干扰信息。通过贴合半透膜对该仿体采集分布式两点位置散射光谱数据样本200例,并以其中一单点位置的光谱数据为对照,均按3:1的比例用BP神经网络的方法分别对下层牛奶溶液的浓度进行建模和预测。实验结果显示单一位置散射光谱和两点位置散射光谱均达到90%以上的训练拟合率和预测精度,且两点位置散射光谱的预测精度更高,达到98.41%。证明了运用光子传播路径的散射光谱法可实现对底层牛奶溶液浓度的有效预测,消除浅表组织对于测量内部组织成分的影响,且将多点位置考虑到建模过程中可进一步提高预测精度。从而验证了该方法对于在不破坏组织完整性的前提下对组织表层以下内部某种成分或物质浓度进行分析的可行性。

基于漫反射光谱法下层组织信息的最佳探测位置的研究（英文）

由于人体组织结构的复杂性和个体差异性,采用光谱分析技术实现组织内部信息的检测方法中,仍存在着检测位置不明确的问题。采用多位置空间分辨漫反射光谱法对脂肪肌肉组织中内部信息的最佳探测位置进行了研究。由于目标组织为肌肉组织,为了消除由于不同人体皮下脂肪层厚度的差异以及目标层中多次后向散射光对测量结果引起的较大误差,并根据光在复杂生物组织中的传输模型,通过增加约束条件——两条理想的"香蕉型"路径—来定义有效光子比SNR,并以SNR作为评价最佳探测位置SDSbest的标准,对优化后的Monte Carlo仿真结果进行统计分析,分别研究了脂肪层厚度hf、脂肪层吸收系数μaf和肌肉层吸收系数μam与光源探测器间距SDS之间的关系,并以hf为自变量与SDSbest建立线性回归模型。研究表明,(1)当0<hf<0.6cm时,μaf和μam对SDSbest几乎没有影响,而hf与SDSbest的建模相关系数R2为0.9918;(2)任取脂肪层厚度值0.12与0.22cm作预测,得到预测误差分别为0.030 14和0.020 16,预测误差均能控制在5%以内。该方法能更方便、快速地为测量组织内部信息确定最佳检测位置,并有效削弱浅表组织以及目标层中多次背向散射光的干扰。