《Scientific Reports》：Motion score for spectral quality control of optoacoustic-ultrasound data
編輯推薦：
本研究針對手持式多光譜光聲-超聲(MS-OPUS)成像中因組織和操作者運動導致光譜數據失真的難題，開發了一種名為Motion score的后處理算法。該算法通過量化共定位超聲圖像的相似性，自動篩選低運動偽影的MS幀，在體模和活體實驗中展現出優于人工標注及其他算法（如光流法）的精度（mAP達91.67%），顯著提升了光譜解混的準確性，為臨床MS-OPUS標準化分析提供了開源工具。
在生物醫學影像領域，手持式多光譜光聲-超聲（MS-OPUS）成像技術因其能夠無創獲取組織的光學吸收特性而備受關注。通過在不同波長下 sequentially 采集光聲（OptA）圖像，并結合同步獲取的超聲（US）圖像，MS-OPUS 可實現對血紅蛋白、脂質等內源性色素分子的定量分析，在乳腺癌、甲狀腺癌、肌肉功能評估等多種疾病的臨床研究中展現出巨大潛力。然而，這項技術面臨著一個嚴峻挑戰：由于不同波長的圖像是順序采集的，在掃描過程中，組織或操作者不可避免的運動會使得同一體素（voxel）在不同波長下采集到的信號實際上來自不同的空間位置。這種“光譜混合”效應嚴重破壞了每個體素光譜的完整性，進而導致后續的光譜解混（unmixing）算法得出錯誤的結構成分和濃度信息，最終影響診斷的準確性。
雖然通過提高掃描速度（例如使用kHz量級的快速照明技術）可以從根本上減少運動的影響，但當前臨床手持系統的波長掃描速率通常僅為100 Hz量級，難以在單次掃描中完全避免亞秒級別的微小運動。此前，針對周期性運動（如心跳、呼吸）的校正方法在臨床手持掃描中效果有限，因為此類運動多為不規則、非周期性的�；趫D像配準（co-registration）或皮膚表面對比度對齊的方法，則可能因不同波長下圖像外觀差異大或深層組織形變而效果不佳。因此，開發一種能夠準確量化運動、并自動篩選出高質量、低運動偽影數據幀的方法，對于推動MS-OPUS技術的臨床標準化應用至關重要。
為了解決這一問題，來自德國慕尼黑工業大學等機構的研究團隊在《Scientific Reports》上發表了他們的研究成果，提出了一種名為“Motion score”的創新后處理算法。該研究旨在提供一種自動化、高精度的運動量化工具，能夠從整個MS-OPUS掃描數據中可重復地篩選出受運動影響最小的多光譜（MS）幀，從而確保后續光譜分析結果的可靠性。
為了開展研究，研究人員主要應用了以下幾項關鍵技術：1）多光譜光聲-超聲（MS-OPUS）數據采集：使用MSOT Acuity Echo?原型機，在28個波長（700-970 nm）下交替采集光聲和超聲圖像（OptA: 25 Hz, US: 6.25 Hz）；2）Motion score運動量化算法：核心創新點，通過計算一個MS幀對應所有US圖像之間的多種不相似性度量（如零均值歸一化互相關ZNXC、結構相似性SSIM）的歸一化秩分數，綜合評估幀內運動程度，克服了傳統方法只比較相鄰幀或單一指標的局限性；3）自動幀選擇：利用峰值查找算法識別Motion score向量中的局部極小值（代表低運動幀）；4）光譜質量評估：通過線性光譜解混（包括非負矩陣分解NMF和已知色素譜解混）的殘差（L2,1范數）來量化運動引起的光譜失真程度。研究使用了8個體模掃描和2名健康志愿者（頸動脈和橈動脈）的活體掃描數據進行驗證。
Motion score準確識別MS-OPUS掃描中的靜止幀
研究首先驗證了Motion score自動選擇靜止幀的能力。通過與三位人類標注者對10個掃描數據（數據集1）的標注結果（共25個靜止位置）進行對比，發現基于秩歸一化的Motion score（使用ZNXC和SSIM）在精確匹配標注者確定的靜止位置數量時，取得了92%的精確度和88%的召回率。其平均精度（mAP）高達91.67%，顯著優于僅使用相鄰幀互相關（mAP 22.50%）、零均值歸一化互相關（mAP 74.17%）或光流法（mAP 58.33%）等傳統方法。這表明Motion score在識別低運動幀方面與人類專家有高度一致性，且效率遠高于耗時的人工篩選（人工標注耗時約為掃描時長的8.5倍）。
低Motion score與最佳光譜質量相關
研究的第二個目標是證明Motion score篩選出的幀確實具有更優的光譜質量。在體模實驗中，對于填充了油紅O有機染料或橄欖油的瓊脂腔體，高Motion score的幀在進行盲解混（NMF, k=4）時，會解混出空間分布異常（如沿運動方向移位的新月形或分離的圓盤）且吸收峰位偏移的虛假光譜成分。而在低Motion score的靜止幀中，解混出的成分能正確反映體模的結構。散射圖分析進一步表明，低Motion score的幀其解混殘差始終較低，說明低Motion score是光譜質量優良的可靠指標。在活體橈動脈掃描（數據集2）中，高Motion score的幀在血管邊緣出現了無法用線性模型解釋的顯著殘差，并在解混后產生了血管周圍不應出現的脂質和水信號偽影（如條紋狀信號）。而靜止幀的解混結果則符合預期，僅在血管內檢測出血紅蛋白信號。這些結果證實了運動確實會導致光譜失真，而Motion score能有效篩選出適用于精確分子分析的高質量數據。
討論與結論
該研究成功引入了Motion score這一魯棒的運動量化后處理算法。其優勢在于：1）通過比較一個MS幀內所有US圖像對（而非僅相鄰幀），能有效識別并懲罰連續的漂移運動；2）結合多種不相似性度量并進行秩歸一化，消除了不同度量尺度差異的影響，對異常值不敏感，且能避免因MS幀對應US圖像數量不同帶來的偏差；3）開源實現可即插即用地集成到現有MS-OPUS分析流程中。盡管Motion score目前尚不能用于實時反饋，且其性能在波長數較少時可能需要調整，但它通過自動化、可重復的幀選擇，極大地減輕了操作者負擔，提高了數據分析的標準化程度。這項工作為提升MS-OPUS在臨床應用中的準確性和可靠性鋪平了道路，特別是在需要精確光譜信息的場景，如餐后脂血評估、動脈斑塊分析等。研究團隊公開了算法源代碼，有助于推動該技術的廣泛采納和進一步改進。
