光学相干层析成像(OCT)原理演示
光学相干层析成像(OCT)是一种基于低相干干涉的深度分辨成像技术,能够在生物组织、材料与器件内部获取微米级截面图像。从波动光学角度看,OCT 并不是单一原理的孤立应用,而是把干涉、衍射、色散与偏振等子主题集成为一套系统级成像方法。本文从总览层面说明 OCT 的核心思想、系统构成、演示方案、数学建模要点与应用全景,不展开某一子主题的专门推导。
OCT 的深度选择能力主要来自低相干干涉:宽带光源的相干长度很短,只有当参考臂与样品臂的光程差落在相干长度以内时,才会产生明显干涉。因此,参考臂光程对应一个“深度门”,样品内部不同深度的反射信号被依次或并行地编码。
其他波动光学分支在 OCT 中承担不同角色:
- 干涉:提供深度门控与信号解调基础。
- 衍射:决定横向分辨率与焦深,影响成像光斑大小。
- 色散:影响轴向点扩散函数,需要通过硬件或算法补偿。
- 偏振:可用于偏振敏感 OCT,增强对纤维组织、胶原等结构的对比。
基本成像链路
典型 OCT 系统可抽象为以下链路:
- 宽带光源发出低相干光。
- 光经分束器分为参考臂与样品臂。
- 参考臂反射镜提供已知光程;样品臂聚焦到被测样品。
- 样品内部各层反射光与参考光复合。
- 探测器记录干涉信号。
- 信号处理提取深度反射率,形成 A-scan。
- 横向逐点扫描并拼接,得到二维 B-scan 或三维体积。
时域 OCT 通过移动参考臂逐点匹配深度;频域 OCT 则固定参考臂,用光谱仪采集光谱干涉信号,再通过傅里叶变换同时获得深度信息。扫频 OCT 使用可调谐激光源,原理上与频域 OCT 类似,但探测方式不同。
原理演示方案
一个适合教学的 OCT 原理演示可采用光纤迈克尔逊干涉结构。样品可使用载玻片、透明胶带、多层薄膜或镜面组合,以产生多个反射界面。
演示步骤如下:
- 连接宽带光源、光纤耦合器、参考臂准直器、样品臂聚焦镜头与光电探测器。
- 调整参考臂与样品臂,使两臂光功率接近,保证干涉对比度。
- 将样品置于样品臂焦平面附近。
- 时域模式下,匀速移动参考臂反射镜,同时记录探测器信号。
- 观察干涉包络:每个包络峰值对应一个反射界面,峰值位置对应深度。
- 对样品进行横向扫描,将多条 A-scan 排列成 B-scan,即可看到层状结构。
若采用频域演示,可保持参考臂固定,用光谱仪采集干涉光谱。对波数 k 做重采样与快速傅里叶变换,可直接得到深度方向反射率分布。该方式无需机械扫描参考臂,成像速度更高。
时域、频域与扫频 OCT 对比
| 类型 | 深度编码方式 | 探测方式 | 特点 |
|---|---|---|---|
| 时域 OCT | 参考臂机械扫描 | 点探测器 | 原理直观,速度较慢 |
| 频域 OCT | 光谱干涉 + FFT | 光谱仪 | 速度快,灵敏度高 |
| 扫频 OCT | 扫频激光 + FFT | 平衡探测器 | 速度快,适合长波长与内窥成像 |
选择方案时需权衡成像速度、轴向分辨率、探测深度、成本与系统复杂度。对于教学演示,时域 OCT 更容易展示“光程匹配”这一核心概念;对于临床与工业高速检测,频域或扫频方案更常见。
数学建模总览
在简化模型中,样品可表示为沿深度 z 分布的反射率 r(z)。参考臂反射为 r_R。探测器光谱可写为:
I(k) ∝ |E_R + E_S|²
其中 k 为波数。对于单个反射面,干涉项随光程差 Δz 呈余弦调制。对 k 做傅里叶变换后,深度位置表现为峰值。多个反射面则形成多个峰值,构成 A-scan。
轴向分辨率近似为:
Δz ≈ 0.44 λ₀² / Δλ
其中 λ₀ 为中心波长,Δλ 为光源带宽。例如 λ₀ = 840 nm、Δλ = 50 nm 时,Δz 约为 6.2 µm;若带宽提高到 100 nm,则约为 3.1 µm。横向分辨率主要由聚焦数值孔径决定,可近似用衍射极限描述。色散失配会使轴向分辨率下降,因此实际系统常进行色散补偿。偏振敏感 OCT 则通过检测偏振态变化获取额外对比。
应用全景
OCT 已广泛用于多个领域:
- 眼科:视网膜分层、黄斑病变、青光眼评估。
- 心血管:血管内斑块与支架观察。
- 皮肤与牙科:表皮结构、龋齿与釉质成像。
- 工业检测:涂层厚度、玻璃缺陷、聚合物与增材制造层间结构。
- 功能扩展:OCT 血管造影、偏振敏感 OCT、光谱 OCT。
实验演示注意事项
- 光源带宽决定轴向分辨率,中心波长影响穿透深度与安全。
- 参考臂与样品臂功率需匹配,否则干涉对比度下降。
- 偏振控制器可优化干涉效率。
- 样品臂聚焦状态影响横向分辨率与焦深。
- 色散失配需通过玻璃补偿或数值重采样修正。
- 激光安全不可忽视,尤其涉及人眼或活体组织时。
总体而言,OCT 是波动光学多原理协同的典型系统。理解其总览框架后,再分别深入干涉、衍射、色散与偏振等子主题,能够更高效地掌握实验方法与数学建模路径。