用於影像轉換與影像分割之 OCT 影像取得與其預處理

本論文中用於訓練影像轉換與影像分割模型的 OCT 訓練集影像(OCT datasets)均由本實驗室所開發的 Mirau-based FF-OCT 掃描活體人類皮膚而得，如 圖2.5 所示，利用此架構作掃描，掃描時受測者會將其前臂皮膚置於如圖 2.13 裡 的待測物位置。此FF-OCT 系統掃描所得的影像大小為 648×488×掃描深度 pixel，

而此系統的總放大倍率為 16.7 倍且光偵測器的每個像素實際大小為 7.4 μm，因 此兩者相除可得實際橫向取樣解析度為0.45 μm/pixel，而縱向取樣解析度則透過 Eq. 2.28 計算可得為 0.2 μm/pixel，也因此可得每個三維影像的實際長度為 291.6 μm×219.6 μm×(掃描深度 pixel×0.2) μm，而為了使一張影像即能涵蓋所有皮膚結 構資訊，我們使用三維影像的縱切面(cross section)作為訓練集影像，如圖 2.20 所 示。

axial sampling resolution = λ

2n (2.28)

皮膚影像的提供者共有兩位，總共提供了8 個三維斷層掃描影像，每張縱切 面影像大小為 648×掃描深度 pixel，而掃描深度通常為 500 pixel 以上，約等於

100 μm，原因在於根據經驗，FF-OCT 所使用的Ce : YAG 光源其對於人體前臂³⁺ 幾點：一，根據Nyquist theorem，取樣頻率必須大於原始訊號頻率的 2 倍，才能 防止訊號失真，因此針對FFOCT 的系統解析度約為 1 μm，其取樣解析度必須要 的(長、寬、深)為(0.5 μm/pixel、0.5 μm/pixel、0.5 μm/pixel)。

實際操作上為使用ImageJ 軟體，先針對 raw 影像使用 Filters 裡的 Mean 3D filter 針對(長、寬、深)各別輸入以(_2×0.45^1.0 = 1.11、1.11、_2×0.2^1.0 = 2.5)為半徑的 3D 平

均，然後在使用Scale 將(長、寬、高)個別乘上(^0.45_0.5 = 0.9、0.9、^0.2_0.5= 0.44)完成重 取樣的動作，最後針對重取樣後的影像調整其 Property 的(長、寬、深)為(0.5 μm/pixel、0.5 μm/pixel、0.5 μm/pixel)，並直接將其另存為 32-bit 的 nrrd 檔即可。

若將這些步驟寫成單一程式則如圖2.19 所示。

圖2.19 OCT 第一步預處理與轉為 nrrd 檔的 ImageJ macro

圖2.20 重新取樣後的 1 μm 厚的 OCT 影像(583×#)

圖2.21 該張 OCT 影像的不同灰度值所對應的像素數量

第二，根據人體皮膚前臂的OCT 影像特性，在經過重新取樣後的影像如圖

2.20 所示，藉由圖 2.21 的分析可知目前該張影像的像素所擁有的最大灰度值為 14.34、最小值為 1.61，但是由圖 2.21 可看出大部分的像素所對應的灰度值都介 於2 到 4 之間，為了使訓練過程不會受極值的影響，因此選定某特定值使像素總 量的96%其灰度值都低於這特定值，並以此特定值作為該張影像的灰度值上界，

超過的灰度值全部改為此上界的灰度值；相對地，也取一特定值使該影像的像素 總量的2%其灰度值都低於這特定值，以此特定值作為該張影像的灰度值下界，

並且低於此下界的灰度值全部改為此特定值。其流程如圖2.22 所示。

圖2.22 OCT 影像的第二步預處理流程圖

以圖2.20 為例的話，當灰度值為 4.41 時，該張影像的 96%像素數量其灰度 值都低於4.41，而超過的那 4%其灰度值全部改為 4.41；當灰度值為 2.11 時，該 張影像的2%像素數量其灰度值都低於 2.11，因此將低於此下界的灰度值全部改 為2.11。而經過重新定義上下界後的 OCT 影像，也相對於是重新改變其影像對 比度，因此OCT 影像也變得能以肉眼較清晰的觀察，如圖 2.23 所示。

圖2.23 重新定義上下界後的 1 μm 厚的 OCT 影像(583×#)

第三，為了使訓練集影像都在同一個基準下，也為了縮小資料間的離散程度，

會先將所有訓練集影像標準化(Normalize)最大值為 1、最小值為 0，且為了使每 張訓練集影像的大小相等，本論文中採取剪下 576×200 pixel 的大小作為輸入神 經網路的影像大小，因此從8 個三維影像總共剪取了 3512 張縱切面影像。