基于ICA的漫射光相关谱血流分离算法研究.docx

基于 ICA 的漫射光相关谱血流分离算法研究

摘要：血流是人体的一个重要生理参数，实时测量脑部、骨骼肌及乳腺等组织的血流对疾病 诊断治疗及手术、重症监护有重要意义。近红外漫射光相关谱（DCS）是新兴的组织血流测量 技术，利用DCS 技术进行血流测量时，每个距离的光源-探测器（S-D）均含有不同程度的表 层组织和深层组织的混合信号，其中表层信号对提取深层组织的血流有较大影响。本文结合 N 阶线性算法（NL 算法）和独立成分分析算法（ICA）对 DCS 技术获取的近距离和远距离光 学信号进行分离处理。计算机仿真表明，本文提出的算法可以较好地分离出表层和深层组织 的血流信号，对今后 DCS 技术在临床的血流测量应用有重要潜力。
关键词：近红外漫射光相关谱；N 阶线性算法；独立成分分析；血流

人体组织的血流是一个重要的生理参数，对其进行实时测量有利于很多疾病的诊断和 治疗 [1-4] 。近红外漫射光相关谱（ near-infrared diffuse correlation spectroscopy， DCS）是以近红外光（650～900 nm）为测量手段，通过光场时间自相关函数与红细胞运动 的物理关系来无创测量微血管血流的一种新兴技术[5] ，已被应用在脑、骨骼肌和乳腺等多 种组织的疾病诊断和治疗监测的临床中[6-8] 。在应用DCS 技术进行组织血流测量中，其精确 性受到解剖结构的影响。具体来看，人体的脑部可分为白质、灰质、脑脊液、颅骨和头皮 5 层[9] ，其中头皮、颅骨和脑脊液属于脑部的表层组织，灰质和白质属于深层组织。同样， 骨骼肌由外至里为皮肤、脂肪和肌肉；乳腺组织包括皮肤、脂肪和结缔组织[10]。
在利用DCS 技术进行血流测量时，通常将一对光源光纤和探测器光纤放置于组织表面， 两者距离在 3 cm 以内。激光器发出的光子由光源光纤进入组织后，需要经过表层组织才可 到达深层组织，最后经过吸收和反射后被探测器光纤收集。所以，DCS 测得的是表层组织 和深层组织的混合血流信号，表层组织会对深层组织的血流测量造成一定程度的影响，并 且这种影响与光源-探测器（source-detector，S-D）的距离密切相关。当 S-D 距离较近时， 测到的信号携带的大部分是表层信号，而较远距离 S-D 测到的信号会携带更多的深层组织 信号。因此，从混合信号中分离出深层组织的血流信息具有重要研究意义。
为了解决上述问题，2005 年，Li等[11]根据人体头部结构和厚度，提出了 3 层模型的

DCS 扩散方程的解析表达式，可以分别提取出头皮和脑皮层的血流指数 。在此基础上， 2006 年，Jaillon 等[12]建立了一个分层的人体头部模型，研究了非散射层（脑脊液层）对 时间场自相关函数的影响，结果显示，当忽略脑脊液层时，脑皮层的血流指数会被低估约 40％ ；2014 年，Baker 等[13]提出了修正的比尔-郎伯定律，将血流、散射和吸收等特性的变 化与“DCS 光密度 ”的变化联系起来 ，从 中分离 出 了两层组织 的血流成分 ；2015 年， Baker 等[14]提出的施加压力的方法来过滤掉浅表组织信号对深层信号的影响；2016 年的 Sutin 等[15]和 2017 年的 Pagliazzi 等[16]提出了时域漫射相关光谱（time-domain diffuse correlation spectroscopy，TD-DCS），根据光子在浅层和深层组织内飞行时间（photon time of flight，TOF）的不同，分离出表层和深层组织的血流信息，但是，TD-DCS 需要 使用长相干的脉冲激光器，极大增加了设备成本。
由以上可知，以往的分离组织血流的算法需要预先知道被测组织（例如：头部、肌肉 和乳腺）结构，或者需要使用昂贵的硬件。实际上，人的组织结构和每层厚度存在较大的 个体差异性，并且这些信息不易测得，寻求不依赖组织结构信息并简单易行的DCS 血流提 取算法，对于 DCS 的临床应用有重要价值。
独立成分分析（independent component analysis，ICA）是一类较为成熟的盲源分离 算法，其基本思路是在假设独立成分是非高斯且独立的条件下，从多路混合有独立成分的 信号中较好地分离出隐含的独立源信号[17] 。本文将我们之前自主开发的 N 阶线性算法与 ICA 结合，构建新的DCS 血流算法。计算机仿真表明，新算法可以将输入的两个 S-D 距离 的 DCS 信号实分解为表层和深层的血流信息，可以有效地获得特定组织的生理信息，具有 重要的临床应用价值。
1 材料与方法
1.1 DCS 血流测量的原理
近红外光谱带中具有一个生理观察窗，即波长范围为 680～900 nm 时，生物组织对近 红外光具有高散射低吸收的特点，因此，该波长范围的近红外光可以获得更深层的组织吸 收和散射特性[18]。
在利用 DCS 技术测量组织血流时，在目标组织表面的同一侧放置光源和探测器对（S-D）， 两者距离为 ρ 。激光器发射出近红外光，通过多模光纤入射到生物组织，光子在组织中进 行多次散射和吸收，最终有一部分光子经过多次散射后从组织表面逸出，被放置在组织表 面同一侧的单模光纤收集，并传输给单光子探测器（APD），这些光子的散射路径呈“香蕉 状 ”[19-20] 。探测深度与 S-D 距离有关，约为光源和探测器间距离的一半，即 ~ρ/2 。
由 APD 收集光子经过数字相关器进行时间自相关运算得到光强自相关函数 82 (τ) ，利 用 Siegert 关系式 82 (τ) = 1+β '''81 (τ)2 ''' 计算出光电场自相关函数81 (τ) 。81 (τ) 曲线依赖于运 动散射体（主要是红细胞）的运动。在特定的 S-D 距离下， 自相关曲线 81 (τ) 的衰减越大， 表示组织血流越高。
1.2 N 阶线性算法（NL 算法）提取血流
N 阶线性（N-order linear，NL）算法将光电场自相关函数 81 (τ) 与组织中光子传输 的路径信息相结合，用于提取具有任意体积、形状和曲率的非均匀组织的血流值[21] ，是一

种新的提取 DCS 组织血流指数（blood flow index，BFI）的方法。它是由 g1 (τ) 的积分形
式中推导出来的：




（1）

其中，τ 是自相关函数的延迟时间； P (s) 为检测到的光子路径长度 s 的归一化分布； k0 是
介质 中光 的波矢量大小 ； l∗ 为光在组织 中 的总路径长度 μs(′)为散射系数；
⟨Δr2 (τ)⟩为运动散射体的均方位移，且⟨Δr2 (τ)⟩ = 6αDBτ , 其中， DB 为有效扩散系数（单位 为 cm2/s）， α 为运动散射体占总体散射体的比率， αDB 为生物组织的血流值。则公式（1） 可写为：

经过g1 (τ)泰勒公式展开及式（2）求导等数学推导[22] ，可得一阶和N 阶（N > 1）线性算法：
g1 (τ) − 1 = (−H)¯(s)τ; N = 1 ， （3）
N ≥ 2 ，
其中， sids ， H = 2k0(2)μs(′)αDB ， s(¯)i 为光子在组织内的传输路径信息，可以通过蒙
特卡罗仿真获得。令 Z = −2k0(2)μs(′)¯(s) , 式（3）则为：
g1 (τ) − 1 = Z · αDBτ; N = 1 。 （5）
从式（5）可以看出， Z · αDB 是 g1 (τ)− 1的斜率 Sl 。对于一阶线性算法，只要确定了 g1 (τ)的斜率就可以求得血流如式（6）。而对于 N ≥ 2 时，等式两边都含有血流 αDB ，可将 式（4）通过递归的方法得血流如式（7），也即式（8）：
Z · αDB(1) = Sl ， （6）

Z · αDB(N) = Sl(N) 。 （8）
1.3 独立成分分析 ICA
ICA 是一种从混合信号中分离出源信号的信号处理技术，被应用于许多领域，如生物 医学信号处理、语音信号处理、特征提取等[23-26] 。随机变量xj（j = 1,2, · · · ,m ）代表混合信号， sk（k= 1,2, · · · ,n）代表相互统计独立且为非高斯变量的源信号，ICA 模型可以表示为：
xj = aj1 s1 + aj2 s2 + · · · ajn sn ， （9）
即：
x = As ， （10）

其中， x = (x1 (t); x2 (t); · · · ; xm (t))T 是可以直接被观测到的混合信号，是已知量 ；A 是一个 m × n 维的列满秩常数矩阵，是未知量； s = (s1 (t); s2 (t); · · · ; sn (t))T 是隐变量，也是未知量。 在 ICA 问题中，只要求出矩阵 A ，就可以从 x 中求出独立成分 s 。但是矩阵 A 是未知的，考
虑到 xj 的线性组合，可以用 y = wTx = wjxj 来估计其中的一个独立成分，其中 w 是矩阵
A 的逆的一行，称为分离矩阵或解混矩阵[17] 。因此，只要确定分离矩阵 w ，使得 wTx 非高 斯性最大时，就可以得到源信号的估计。
本研究采用峭度度量非高斯性，当预处理后的观测血流信号峭度最大时，就会对应着 某个独立成分。非高斯性通常利用峭度的绝对值或平方来度量，采用峭度度量方法的目标

函数为[27]：


Jk4 (w) = ''''k4 (wTz)'''' 或 Jk4 (w) = (k4 (wTz))2，


（11）

其中，z 为观测信号 x 预处理后得到的零均值白化信号。通过求取目标函数的最大值可以实 现源信号的估计，基于峭度的快速不动点迭代算法为[28]：
w ← − 3w 。 （12）
算法的收敛标准为：
（13）
其中，ε 为很小的正数，本研究取值为 10-5。
ICA 提取独立分量时，为了保证同一源信号不被重复提取，迭代过程中，在下一个源 信号提取之前需进行正交化处理。假设已提取出的p-1 个向量 w1; w2 ; · · · ; wp−1 ，构造一个初 始化寄存矩阵B，B 的每一列就是这p-1 个向量，在提取向量 wp 之前按照下式进行正交化[27]：




（14）

ICA 迭代之前需进行去均值和白化预处理。去均值是将混合信号减去它的均值，使其 变成零均值向量，此过程不会改变混合矩阵[27] 。 白化是为了去除信号的相关性[29-30] 。对观

测信号 x 预处理可以表示为：



x′ = x− E{x}， z = Vx′，


（15） （16）

式（15）和式（16）中，x 为混合的血流信号， x′ 为去均值后的信号，z 为白化后的信号，
V 为白化矩阵，且：
V = D−
其 中 ， D = diag(d1; d2; · · · ; dn ) 为 x′ 的方差矩 阵 Cx(′) = E(x′ (x′T)) 的特征值构成 的对角矩 阵，
E = (e1; e2; · · · ; en )为相应的特征向量的正交矩阵[17]。
将以上提及的 N 阶线性算法（1.2）和 ICA（1.3）算法相结合，即 x = αDB ，我们获 得了分离浅层和深层组织血流的新算法，其计算流程如图 1 所示。

单光子探测器
（APD）

探测器近
光电场自相关 函数 g1 (τ)

g1 (τ)
NL算法
g1 (τ)N
g1 (τ)F

2路混合信号
近距离 αDB 和远距离 αDB

表层血 流信号
ρ1 探测器远 ρ2
光强自相关函
数 g2 (τ)
深层组织 吸收粒子
独立成分分析 ICA
表层组织 散射粒子
深层血 流信号
数字相关器
光源

图 1 组织血流分离流程图
Fig.1 Flow chart of tissue blood flow separation

1.4 血流信号的检验方法
相关系数是用来反映变量之间相关关系密切程度的统计指标，一般用字母 r 表示。变
量X 和 Y 之间的相关系数公式为：
（18）

r 值的绝对值介于 0～1之间。通常来说，r 越接近 1，表示X 与 Y 两个量之间的相关程度越 强，反之，r 越接近于 0，相关程度越弱。在本研究的 ICA 分离血流问题中，对于假设的血 流信号，用相关系数表示深层和浅层血流值的独立程度，r 越接近 0 说明假设的表层和深层 信号越独立；再者，对于分离后的血流信号，用相关系数来表示恢复的信号与原始假设信 号的相似程度，r 越接近 1 则说明分离效果越好。
2 实验设计及结果
2.1 仿真实验方案
假设表层和深层组织的血流为相关性很小的信号，且为数据长度是 400 的周期信号，我 们进行 3 组计算机仿真实验。第 1 组假设表层信号是周期为 200ms，幅度为 2 × 10-9cm2/s 的三角波，深层信号是周期为 100ms，幅度为 2 × 10-9cm2/s 的方波，两者的相关关系如 图 2（a），相关性为 3.33 × 10-15 。第 2 组假设的表层和深层信号是：周期分别为 100ms 和 40ms，幅度均为 4 × 10-9cm2/s 的正弦波，两者的相关关系如图 2（b），相关性为 1.54 × 10-17。

第 3 组预设的表层和深层信号是在第 1 组的三角和方波基础上加了噪声，模拟实际信号。

×10-9 Fit
2.0

1.5

深层信号

1.0
y=1.01e-09+1.4147e-16x

0.5

0
0 0.5 1.0 1.5 2.0
表层信号 ×10-9 表层信号 ×10-9
（a）第 1 组实验中表层和深层血流的相关性 （b）第 2 组实验中表层和深层血流的相关性
图 2 表层和深层血流的相关性
Fig.2 The correlation between the superficial and deep blood flow
我们建立了一个大小为 8 cm × 3 cm × 8 cm（长 × 高 × 宽）的两层结构组织模型，如图 3（a）， 分别设置为头皮颅骨（表层）和脑组织参数（深层）。在组织模型的表面放置一个光源和两 个探测器，光源光纤与两个探测器光纤的距离（S-D）分别为 1.5 cm 和 3.0 cm。
蒙特卡罗是一种模拟光在组织内传播的主要方法[31] ，具有操作简单、灵活可靠、精度高 等优点[32] 。利用蒙特卡罗仿真软件（MCVM）模拟光子在人体两层组织中的传输情况，将 100 万个光子发射到组织中以实现较高的信噪比[33] 。通过设置输入输出文件名及各组织的 光学性质获得光子在每层组织中的传输路径和逸出光子的信息，并带入公式（3）～公式（5）， 得到近远两个 S-D 距离下的光电场时间自相关函数g1 (τ) 。利用 NL 算法从g1 (τ) 中分别得到 近远 S-D 距离的血流信息。将上述得到的信号，经过 ICA 处理分离出两个血流信号。
为了探究信号的数据长度、周期性及相关性质对本文方法提取深层组织血流的准确性 的影响，再设计 3 组对比实验。第 1 组假设表层信号和深层信号为：数据长度均为 200， 幅度均为 2 × 10-9cm2/s，周期分别为 100ms 和 50ms 的三角波和方波。第 2 组假设的表层信 号为非周期信号：按指数逐渐衰减的正弦信号；深层为幅度为 2 × 10-9cm2/s 的正弦波。第 3 组 预设的表层和深层信号是相关信号：周期均为 100，幅度分别为 4 × 10-9cm2/s 和 12 × 10-9cm2/s 的方波和正弦波。重复上述实验步骤得到对比实验的分离结果图。
2.2 仿真实验结果
通过上述算法及步骤，蒙特卡罗仿真得到的光子在两层组织模型中的路径如图 3（b）； S-D 对 不 同 距 离（ 近 ： 1.5 cm， 远 ： 3 cm） 的 时 间 自 相 关 函 数 如 图 3（ c）， 其 中， gfirsttaoN 和gfirsttaoF 分别代表近距离和远距离g1 (τ) ；第 1 组实验分离结果如图 3（d）， 第 2 组实验分离结果如图 3（e），第 3 组实验分离结果如图 3（f）。对比实验中：第 1 组实
验分离结果如图 4（a），第 2 组实验分离结果如图 4（b），第 3 组实验分离结果如图 4（c）。

25
20
15
10
5
0
表层

平均路径长度/cm
表层
深层

1 2
（a）两层组织模型图 （b）光子在两层组织中的路径 （c）近距离和远距离 g1 (τ) 曲线

2
1
0

3
2
1
0

3
2
1
0
-1

表层信号 ×10-9
2
1
0
0 200 400
时间/ms
近距离血流信号 ×10-9
5

0
0 200 400 时间/ms
解混信号 1 ×10-9
4
2
0
100 200 300 400 时间/ms

深层信号 ×10-9

100 200 300 400 时间/ms
远距离血流信号 ×10-9

0 200 400 时间/ms
解混信号 2 ×10-9
不不
0 200 400 时间/ms

（d）第 1 组实验分离结果

4
2
0

5

0

3
2
1
0

表层信号 ×10-9
深层信号 ×10-9
4
2
0
0 200 400 时间/ms
0 200 400 时间/ms

近距离血流信号 ×10-9

0 200 400
时间/ms 解混信号 1

1.0 0.5 0
远距离血流信号 ×10-8

0 200 400
时间/ms 解混信号 2

0 200 400
3
2
1
0

0 200 400
时间/ms 时间/ms （e）第 2 组实验分离结果


3
2
1
0

3
2
1
0
表层信号 ×10-9
不不
0 200 400 时间/ms
近距离血流信号 ×10-9
不不
0 200 400 时间/ms

3
2
1
0

8
4
0
深层信号 ×10-9

0 200 400 时间/ms
远距离血流信号 ×10-9

100 200 300 400 时间/ms
解混信号 1 解混信号 2
3
2
1
0

0 200 400 时间/ms
5
3
1

0 200 400 时间/ms
（f）第 3 组实验分离结果

图 3 仿真实验结果图
Fig.3 Graph of simulation experiment results

2
1
0

2
1
0

5
0
-5

深层信号 ×10-9
表层信号 ×10-9
2
1
0
0 100 200
0 100 200
时间/ms
近距离血流信号
时间/ms
远距离血流信号
×10-9 ×10-9
4
2
0
50 100 150 200 时间/ms
0 100 200 时间/ms
解混信号 2
解混信号 1
4
2
0
0 100 200 时间/ms
0 100 200 时间/ms
（a）预设信号数据长度为 200 的分离结果

4
2
0

4
2
0

5
0
-5

表层信号 ×10-9
深层信号
×10-9
2
1
0
0 100 200 时间/ms
近距离血流信号 ×10-9
0 100 200
时间/ms
近距离血流信号
×10-8
1.0
0.5
0
0 100 200
时间/ms
0 100 200
时间/ms
解混信号 2
解混信号 1
4
2
0
0 100 200 时间/ms
0 100 200 时间/ms
（b）预设信号为非周期信号的分离结果图

深层信号 ×10-9
表层信号 ×10-9
4
2
0
15
10
5
4
2
0
0

0 200 400
时间/ms
近距离血流信号 ×10-9
15
10
5
0
0 200 400
时间/ms
解混信号 1
0 200 400 时间/ms
远距离血流信号 ×10-9

0 200 400
时间/ms 解混信号 2
2
0
-2
-4
2
-2
-6
0 200 400 0 200 400
时间/ms 时间/ms
（c）相关情况下的分离结果

图 4 对比实验结果图
Fig.4 Comparison chart of experimental results
3 讨论
压力自动调节是一个器官在血压或灌注压波动的情况下保持稳定血流的内在趋势，是 器官灌注压和血流之间的联系[34] 。不同器官（如脑血流、肾血流等）之间的自动调节能力 是不同的，脑自动调节能力可以用脑血流速度和血压的低频振荡之间的相移来评估[35-36]。 脑皮层是重要的大脑功能区，承担着认知、语言，逻辑等任务。脑皮层血流受中枢神经和 交感神经的控制，可以对各种生理、病理的情况进行反应，并通过神经-血管耦合机制和血 脑屏障保持自身的稳定性，称为“ 自我控制能力（autoregulation）”。与之不同的是，头

皮血流受神经控制较少，更容易受到血压变化的影响。
因此，在很多临床应用情况下（例如：“自我控制能力 ”评估的倾斜床试验、药物反应、 高碳酸反应等），浅层（头皮）和深层（脑皮层）的血流灌注会呈现不同的变化。因此，精 确分离脑部血流具有重要的临床价值，在本研究中，假设表层和深层信号是相互独立具有 实际意义。
实验结果图 3（d）～图 3（f）和图 4 中，第 1 行为预设的表层和深层血流信号，第 2 行分别为经过 NL 算法处理后两个 S-D 距离分别得到的血流信号（均混合了表层组织和深层 组织的血流信息），最后 1 行为分离出的两个血流信号。从图中可以看出，近距离下测到的 血流信号包含大部分的表层信号，远距离下测到的信号包含更多的深层信号，同时会受到 表层信号的影响。将图 3（d）中的两个解混信号与预设的表层和深层信号做相关验证分离 后的信号的准确性，相关系数分别为 0.999 和 0.994，相似度很高，结果表明该算法分离 效果较好。
仿真实验结果（图 3（d）和图 3（e）） 中，ICA 输出的两路独立信号，可能第 1 路代 表深层血流，也可能第 2 路代表深层血流，也就是说 ICA 分离信号具有顺序不确定性，分 离后的信号与预设信号的顺序可能不一致。因此需要将分离后的信号分别与两个 S-D 距离 的混合血流信号做相关性分析，从而确定解混信号代表的具体组织。如将解混信号分别与 远距离 S-D（含有更多的深层信号）获得血流信号做相关分析，相关系数大的通道即代表 深层血流。由相关系数可知，图 3（d）中，解混信号 1 与近、远 S-D 距离血流信号的相关 性为：0.112、0.783；解混信号 2 的相关性分别为：0.994、0.622，所以解混信号 1 代表 深层的源信号（0.783 > 0.112），解混信号 2 代表表层的源信号（0.994 > 0.622），结果与 预设信号相符。同理，图 3（e）中的解混信号 1 代表表层的源信号，解混信号 2 代表深层 的源信号。
对比实验中，当预设信号的数据长度为 200（图 4（a））和预设信号是非周期时（图 4（b））， ICA 均较好的分离出了表层和深层信号。图 3（d）与图 4（a）对比说明 ICA 对信号的分离 效果不受信号数据长度的影响；图 4（b）结果表明：信号的周期性不会影响本文算法提取 深层组织血流的准确性。本文算法运用的前提是源信号需是独立的（图 3（d）和图 3（e））。 但是，对于表层和深层组织的信号具有较强相关性时（图 4（c）），ICA 算法不能很好的进 行分离，需要今后继续改进算法。
4 结论
本文结合 N 阶线性算法和 ICA 算法，从 DCS 测到的混合血流信号中分离出表层和深层 的血流信息，仿真实验结果证实了算法的精确性。本算法局限性表现为分离后的信号在幅 度和顺序上具有不确定性，需要利用相关计算来进行判断，并且需假设表层和深层信号是 相互独立的。尽管如此，本算法可以不依赖于被测组织的结构信息，较好地分离表层和深 层组织的血流信息，在临床应用易于实现，具有重要的实用价值。
参考文献
[1] 张玲. 缺血性卒中急性期中医治疗研究进展[J]. 中国实用医药, 2014， (2): 247−249.
ZHANG L. Research progress of traditional Chinese medicine treatment in acute ischemic stroke[J]. China Practical Medicine, 2014, (2): 247−249. (in Chinese).

818 CT 理论与应用研究 31 卷

[2] 刘菊华, 吕江华, 苏小钢, 等. 脑血流监测对缺血性脑卒中血管内治疗术后预后的临床研究[J]. 首都食品与医药, 2021，28(12): 49−50. DOI:10.3969/j.issn.1005-8257.2021.12.025.
LIU J H, LV J H, SU X G, et al. Clinical study of cerebral blood flow monitoring on postoperative prognosis of ischemic stroke after endovascular treatment[J]. Capital Food and Medicine, 2021, 28(12): 49−50. DOI:10.3969/j.issn.1005-8257.2021.12.025. (in Chinese).
[3] 汪涛, 苏浩波, 顾建平. 评估下肢骨骼肌血流灌注的方法及研究进展[J]. 山西医药杂志, 2019， 48(8): 904−907. DOI:10.3969/j.issn.0253-9926.2019.08.008.
WANG T, SU H B, GU J P. Methods and research progress of assessing blood perfusion of lower extremity skeletal muscle[J]. Shanxi Medical Journal, 2019, 48(8): 904−907. DOI:10.3969/j.issn.0253-9926.2019.08.008. (in Chinese).
[4] 杨扬, 李功杰. 乳腺肿瘤 CT 灌注成像及其临床应用研究进展[J]. 军事医学科学院院刊, 2007， 31(3): 290−293. DOI:10.3969/j.issn.1674-9960.2007.03.026.
YANG Y, LI G J. Research progress of breast tumor CT perfusion imaging and its clinical application[J]. Journal of the Academy of Military Medical Sciences, 2007, 31(3): 290−293. DOI:10.3969/j.issn.1674-9960.2007.03.026. (in Chinese).
[5] 尚禹, 刘祎, 王冠军, 等. 结合生物体形态学信息实现功能血流成像的近红外漫射光新技术[J]. 中国医学物理学杂志, 2016，33(12): 1212−1216. DOI:10.3969/j.issn.1005-202X.2016.12.006.
SHANG Y, LIU Y, WANG G J, et al. Near-infrared diffuse optical technology for functional blood flow imaging through integrating the morphological information of biological tissues[J]. Chinese Journal of Medical Physics, 2016, 33(12): 1212−1216. DOI:10.3969/j.issn.1005-202X.2016.12.006. (in Chinese).
[6] DURDURAN T, YODH A G. Diffuse correlation spectroscopy for non-invasive, micro-vascular cerebral blood flow measurement[J]. Neuroimage, 2014, 85: 51−63.
[7] SHANG Y, GURLEY K, YU G. Diffuse correlation spectroscopy (DCS) for assessment of tissue blood flow in skeletal muscle: Recent progress[J]. Anatomy & Physiology: Current Research, 2013, 3(2): 128. DOI:10.4172/2161-0940.1000128.
[8] SHANG Y, LI T, YU G Q. Clinical applications of near-infrared diffuse correlation spectroscopy and tomography for tissue blood flow monitoring and imaging[J]. Physiological Measurement, 2017, 38(4): R1−R26.
[9] 乐恺, 罗运晖, 张欣欣. 考虑脑脊液层的局部脑冷却传热分析[J]. 应用基础与工程科学学报, 2010， 18(3): 484−492. DOI:10.3969/j.issn.1005-0930.2010.03013.
LE K, LUO Y H, ZHANG X X. Heat transfer analysis of local brain cooling considering cerebrospinal fluid layer[J]. Chinese Journal of Applied Basic and Engineering Sciences, 2010, 18(3): 484−492. DOI:10.3969/j.issn.1005-0930.2010.03013. (in Chinese).
[10] 李俊来, 赵晓慧. 正常乳腺组织结构与超声表现[J]. 中华医学超声杂志 (电子版), 2017，14(8): 561−566. DOI:10.3877/cma.j.issn.1672-6448.2017.08.001.
LI J L, ZHAO X H. Normal breast tissue structure and ultrasound appearance[J]. Chinese Journal of Medical Ultrasound (Electronic