★ FEATURED ARTICLE 简介这是一份面向生物医学工程、医学影像与中医药研究方向的综述文献聚焦太赫兹成像与光谱技术在医疗领域的应用现状与发展趋势适合相关专业研究生、科研人员及临床技术探索者作为参考文献与选题依据。资源包内含1个PDF文件大小约2.43MB内容源自《重庆邮电大学学报自然科学版》2021年第33卷第2期系统梳理了太赫兹时域光谱与成像技术的基本原理。文中围绕人体皮肤组织成像、肿瘤与癌症早期检测、骨密度测量以及中草药真伪与质量鉴别等场景展开分析并对比了太赫兹技术相对超声、X光、核磁共振与红外线的宽带光谱分析、高分辨率、低能耗等优势。同时作者也指出设备复杂、成本偏高、成像速度较慢等现实挑战并对手术导航、实时监测、药物筛选及结合人工智能的智慧医疗方向作出展望。目前已有136人学习适合需要快速建立该领域知识框架、撰写论文综述或寻找交叉研究切入点的读者参考。1. 太赫兹成像和光谱在医疗领域的应用综述从一份PDF标题拆出可落地的技术路线太赫兹成像和光谱在医疗领域的应用综述这个标题乍看像一篇文献调研但真正做过的人知道它背后藏着一条从器件选型、系统搭建到数据处理、临床验证的完整工程链路。太赫兹波处在微波与红外之间频率大致在0.1到10 THz光子能量极低不会像X射线那样引起电离损伤同时又能敏感捕捉水分子、极性分子以及部分生物大分子的转动和振动模式。这两个特性叠加让它在医学场景里天然具备“无电离辐射分子指纹识别”的双重卖点。适合读这篇的人有三类一是做医学影像设备预研的工程师想判断太赫兹值不值得投入二是做光谱分析或图像处理的算法人员想找新的数据模态三是临床端的技术评估者想知道它到底能解决哪些现有手段解决不好的问题。接下来我不谈空泛趋势只拆这条链路里每一步怎么做、参数怎么设、坑在哪里。2. 太赫兹医疗系统的硬件选型源、探测器与扫描架构怎么配2.1 先定频段再定源和探测器医疗场景里太赫兹系统的工作频段选择不是拍脑袋决定的。核心约束来自水吸收频率越高水吸收越强穿透深度越浅。0.1到0.5 THz这一段水吸收相对温和穿透深度在毫米到亚毫米量级适合皮肤、角膜、口腔黏膜这类表层组织1 THz以上穿透深度迅速降到几百微米甚至更低更适合做离体切片或表面光谱分析。所以第一步是先明确你要看多深。源的选择上常见做法分两类。一类是连续波源比如基于倍频链的固态源或太赫兹量子级联激光器输出功率稳定、线宽窄适合光谱测量和连续波成像。另一类是脉冲源典型的是光电导天线或光整流晶体产生的是宽带太赫兹脉冲单次测量就能拿到时域波形傅里叶变换后得到频谱适合做宽带光谱指纹识别。我一般会这样判断如果目标是识别特定分子吸收峰选脉冲源加时域光谱系统如果目标是快速成像看形态差异选连续波源加阵列探测器。探测器方面脉冲系统常用光电导天线或电光采样晶体连续波系统常用肖特基二极管或热释电探测器。这里有个容易翻车的点探测器的响应带宽必须覆盖你关心的频谱范围否则拿到的光谱在边缘频段信噪比极差后续做吸收峰拟合时会出现假峰。2.2 扫描架构逐点扫描还是全场成像早期太赫兹医疗成像大多采用逐点扫描样品放在二维平移台上逐点采集时域波形或强度值再拼成图像。这种方式系统简单、成本可控但成像速度是硬伤。一个2 cm × 2 cm的区域如果步进0.2 mm就是100×100共一万个点每个点采集加平均假设0.1秒也要十几分钟。对于活体应用这个速度基本不可接受。改进方向有两个。一是用线阵或面阵探测器做并行采集二是用空间光调制或压缩感知减少采样点数。常见做法是先用逐点扫描系统做原理验证和算法开发等算法稳定后再迁移到阵列系统。下面这段Python代码演示的是逐点扫描数据的基本拼接逻辑假设每个点存的是一个时域波形最终要生成指定频段的强度图。import numpy as np import os # 假设数据目录下每个文件是一个点的时域波形命名格式为 row_col.npy data_dir ./thz_scan_data rows, cols 80, 80 fs 50e12 # 等效采样率根据系统实际设置 freq_band (0.2e12, 0.5e12) # 关心的频段 intensity_map np.zeros((rows, cols)) for r in range(rows): for c in range(cols): fname os.path.join(data_dir, f{r}_{c}.npy) waveform np.load(fname) # 时域波形一维数组 spectrum np.fft.fft(waveform) freqs np.fft.fftfreq(len(waveform), d1/fs) # 取正频段并做带内积分 mask (freqs freq_band[0]) (freqs freq_band[1]) intensity_map[r, c] np.sum(np.abs(spectrum[mask])**2) # 归一化后保存为图像 intensity_map (intensity_map - intensity_map.min()) / (intensity_map.max() - intensity_map.min()) np.save(thz_intensity_map.npy, intensity_map)这段代码的逻辑很直接每个点的时域波形做FFT在指定频段内积分能量得到该点的强度值最后拼成二维图。参数说明上fs必须和实际采集系统的采样率一致否则频率轴会整体偏移freq_band的选择取决于你要增强还是抑制水吸收的影响频段越高对表面水越敏感频段越低穿透稍深但空间分辨率下降。实际跑的时候如果发现图像有条纹状伪影大概率是某个点的波形被截断或存在直流偏置需要在FFT前做去均值和补零处理。2.3 系统集成里的三个硬约束第一个约束是光路对准。太赫兹波长在亚毫米到毫米量级光路对不准信号直接掉一个数量级。反射式系统里样品表面的倾斜角哪怕偏一两度回波方向就会偏出探测器接收角。我一般会在样品前加一个可调俯仰的反射镜架先用金属镜做粗调再用实际样品做细调。第二个约束是环境水汽。太赫兹对水汽吸收极其敏感开放光路里湿度波动会直接反映在光谱基线上。常见做法是给光路加亚克力罩并充干燥空气或氮气把相对湿度压到5%以下。如果做的是活体测量没法完全密封那就需要在数据处理阶段做水汽吸收线拟合和扣除。第三个约束是样品温控。生物组织的太赫兹响应随温度变化尤其是含水量高的组织。做离体测量时样品从冷藏取出到测量完成温度一直在变光谱也会漂。稳妥的做法是让样品在测量环境中平衡至少十分钟或者用温控台把样品固定在接近体温的温度。3. 太赫兹光谱数据处理从时域波形到可解释的医学特征3.1 时域波形的预处理链拿到原始时域波形后不能直接做FFT。第一步是去直流偏置因为探测器输出往往叠加了一个恒定电压。第二步是找主峰并截取有效窗口太赫兹脉冲的主峰之后通常跟着一段振铃窗口截太长会把多次反射引入的伪峰带进来截太短则频率分辨率不够。经验上窗口长度取主峰后2到5皮秒比较平衡。第三步是加窗函数。直接截断会产生频谱泄漏表现为频谱上的旁瓣。常用的是汉宁窗或布莱克曼窗前者主瓣窄但旁瓣抑制一般后者旁瓣抑制好但主瓣变宽。如果关心的是吸收峰位置而不是绝对幅度汉宁窗够用如果要做定量浓度反演布莱克曼窗更稳。import numpy as np from scipy.signal import windows def preprocess_waveform(waveform, fs, peak_idxNone, window_len_ps3.0): # 去直流 waveform waveform - np.mean(waveform) # 找主峰 if peak_idx is None: peak_idx np.argmax(np.abs(waveform)) # 截取窗口 n_window int(window_len_ps * 1e-12 * fs) start peak_idx end min(len(waveform), start n_window) segment waveform[start:end] # 加汉宁窗 win windows.hann(len(segment)) segment segment * win # 补零到2的幂次提高FFT频率采样密度 n_fft 2 ** int(np.ceil(np.log2(len(segment))) 2) spectrum np.fft.rfft(segment, nn_fft) freqs np.fft.rfftfreq(n_fft, d1/fs) return freqs, spectrum # 示例调用 fs 50e12 waveform np.load(sample_waveform.npy) freqs, spectrum preprocess_waveform(waveform, fs)这里window_len_ps控制截取长度太长会引入法布里-珀罗振荡太短则低频分辨率下降。补零到2的幂次是为了让频率轴更密方便后续找峰但补零不会提高真实分辨率只是插值。如果发现频谱出现周期性波纹基本就是窗口截取位置没对准主峰或者样品厚度导致的多次反射没被排除。3.2 吸收峰提取与医学相关特征太赫兹光谱在医学上的价值很大程度体现在对水、蛋白质、脂质等成分的响应差异上。纯水的吸收在0.5 THz以上迅速上升而某些代谢物或药物分子在特定频率有特征吸收峰。实际处理时通常先测一个参考信号空载或纯基底再用样品信号除以参考信号得到传递函数从中提取折射率和吸收系数。吸收系数的计算需要样品的厚度。对于压片样品厚度可以用千分尺量对于活体组织厚度未知这时常用的是相对反射率或衰减全反射模式避免厚度依赖。如果做的是反射式测量还需要考虑相位信息通过时域波形的延迟算折射率。一个容易忽略的点是散射。生物组织不是光学均匀介质太赫兹波在里面传播会发生米氏散射或瑞利散射导致光谱基线倾斜。常见做法是在拟合吸收峰的同时加一个多项式基线项把散射贡献吸收掉。如果散射太强光谱会变得没有明显峰这时候要么换更长的波长要么改用成像模式看散射对比度。3.3 从光谱到分类特征工程还是端到端医学应用最终往往要落到分类或回归上比如区分癌变组织和正常组织、判断药物含量。特征工程路线是从光谱里提取吸收峰位置、峰宽、特定频率的折射率、衰减斜率等送进SVM或随机森林。端到端路线是直接把光谱向量送进一维卷积网络或全连接网络。我一般建议先走特征工程路线因为样本量通常不大端到端容易过拟合。特征数量控制在10到20个以内每个特征都要有物理意义。如果分类效果不好先检查是不是预处理链有问题而不是急着换模型。常见翻车场景是训练集和测试集的样品来自不同批次含水量不同光谱基线整体偏移模型学到的其实是批次差异而不是病理差异。解决办法是每个批次单独做基线校正或者用归一化把整体幅度消掉。4. 太赫兹医疗成像的避坑清单五条血泪经验4.1 图像对比度差不一定是系统灵敏度不够现象拿到太赫兹强度图组织边界模糊看不出结构。原因太赫兹对水的对比度极高但对干组织或脂肪的对比度很低如果样品表面残留水分不均匀图像会被水信号主导。解决测量前用滤纸轻吸表面液体但不要擦干到损伤组织或者改用频段更低的部分降低水吸收的影响。4.2 光谱重复性差每次测都不一样现象同一个样品连续测三次吸收峰位置漂移。原因光路里有水汽波动或者样品温度在变。解决加干燥空气吹扫等湿度稳定后再测样品在测量环境里平衡十分钟以上如果做的是压片检查压片厚度是否一致。4.3 分类模型在测试集上崩了现象交叉验证准确率很高换一批样品就掉到随机水平。原因预处理时用了全局归一化把训练集和测试集的信息混在一起或者样品批次差异被模型当成了特征。解决归一化参数只能从训练集算再应用到测试集尽量保证训练和测试样品来自同一批次如果做不到就在特征里显式加入含水量或厚度作为协变量。4.4 成像速度慢到没法做活体现象逐点扫描一张图要十几分钟样品都干了。原因没有用并行采集或压缩感知。解决如果只是做原理验证可以接受如果要活体必须上阵列探测器或减少采样点。减少采样点的常见做法是随机采样加压缩感知重建但重建算法需要调参不是即插即用。4.5 太赫兹图像和病理切片对不上现象太赫兹图上看到的异常区域病理切片显示是正常组织。原因太赫兹穿透深度有限看到的可能只是表面一层而病理切片是整块组织的截面。解决做离体测量时明确太赫兹看的是哪个深度最好用同一块组织先做太赫兹、再做切片并在空间上对齐。如果对不上先检查样品表面是否平整倾斜会导致成像位置偏移。5. 把太赫兹医疗方案跑通的最小验证路径如果你现在想验证太赫兹在某个具体医学问题上的可行性我建议不要一上来就搭全套系统。最小验证路径是先用一台已有的太赫兹时域光谱系统测两组样品——一组是目标组织一组是对照组织每组至少10个样本。每个样本测三个不同位置取平均。预处理按第3章的链路走先看两组在0.2到1.0 THz的平均吸收系数有没有统计显著差异。如果有差异再往下做分类如果没有先检查是不是样品含水量没控制好或者频段选得不对。这一步的关键参数是样本量和测量位置。样本量少于10个统计功效不够很容易得出假阴性。测量位置要避开明显血管或脂肪否则组内方差太大。我一般会先用一个低倍率的太赫兹强度图快速扫一下选均匀区域再测光谱。进阶一点的做法是把太赫兹光谱和另一种模态做配准比如和红外光谱或拉曼光谱。太赫兹对水敏感红外对脂质和蛋白质敏感两者互补。配准的难点在空间对齐如果做的是离体样品可以在样品上做标记点分别采集后再用图像配准算法对齐。如果做的是活体配准难度更大通常需要借助可见光图像做引导。最后说一个我自己的习惯每次做太赫兹测量我都会在样品旁边放一个已知吸收峰的标准品比如水或某些氨基酸压片用来验证系统状态。如果标准品的峰位偏了那当天所有数据都要打问号。这个习惯帮我省过很多次后悔药。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
