深层微血管系统是人体内分布最广泛的血管网络，在许多生理过程中起着关键作用，包括氧气输送、血压调节、液体稳态维持和代谢废物清除。除了在血流动力学调节中的经典功能外，新兴证据还表明它们通过内皮衍生因子参与免疫调节以及依赖于血管生成的组织修复 [1,2]。重要的是，深层微血管功能障碍已被确定为多种器官病理的关键致病因素，包括阿尔茨海默病 [3]、糖尿病 [4] 和癌症 [5]。这凸显了精确深层微血管成像的必要性，推动了血管可视化技术的进步。非光学技术，如计算机断层扫描（CT）[6] 和磁共振成像（MRI）[7]，分辨率较低，无法充分显示微血管。
相比之下，光学相干断层扫描（OCT）是一种非侵入性成像技术，不需要造影剂，具有高分辨率、宽视野和较大的组织穿透深度 [[8], [9], [10]]。光学相干断层扫描血管成像（OCTA）作为 OCT 的功能扩展，能够实现毛细血管水平血流的三维可视化 [11]。OCTA 已成功应用于各种组织中的微血管网络成像 [12]。OCTA 基于运动对比成像，从不同的 B 扫描中提取红细胞（RBCs）的运动，有效区分组织内的运动和静态散射成分，从而实现 3D 微结构中血流的精确定位。
尽管 OCTA 在多种应用中得到了快速采用，但在成像深层微血管时仍面临重大挑战。特别是在体内实验中，缓慢移动的静态组织会产生散射信号，通常称为杂波 [13]，这些杂波在 OCTA 处理过程中无法完全去除。这种残留的杂波降低了血管与周围组织之间的对比度，从而降低了血管信号提取的灵敏度和准确性，尤其是在较深的区域。此外，OCT 本身受到噪声的影响，包括斑点噪声和系统噪声底限 [14]；在低信噪比（SNR）的深层中，这些噪声成分会掩盖微血管信号，严重影响 OCTA 中深层微血管的检测。
杂波抑制是可视化血流和血管结构中最关键的数据处理步骤之一。文献中提出了几种基于 OCT 的杂波抑制方法用于血管成像。An et al. [15] 在 OCTA 中应用了静态高通滤波器（HPF）来去除接收到的多普勒信号中的杂波成分。然而，这些静态滤波器对组织运动敏感，因此在存在不需要的运动伪影时，杂波抑制效果会降低。斑点方差（SV）OCTA 利用重复 B 扫描之间的强度方差来突出血流 [16]。它不需要相位稳定性，在表层效果良好，但由于方差也受噪声影响，其在深层区域的杂波抑制效果会迅速减弱。相位方差和复域去相关方法利用相位或完整复数 OCT 信号的时间变化 [17]。它们可能对缓慢流动敏感，但严重依赖于相位稳定性，因此光源抖动和生理运动限制了它们在深层组织中抑制杂波的能力。分谱幅度去相关血管成像（SSADA）通过将光谱分成较窄的带宽并平均结果来提高去相关信噪比 [18]。虽然对许多应用有效，但相关的轴向分辨率折中会导致精细结构模糊，降低深层血管的清晰度。Wang 等人 [19] 提出了 B 扫描特征分解（bED），该方法对整个 B 扫描进行统计特征分解分析。与其他方法相比，该方法性能显著优越，适用于需要杂波抑制的流动成像场景，特别是在心脏和呼吸周期引起的不可避免的生理运动下，从静止或缓慢移动的组织中提取血流信号。然而，bED 在体内成像中仍有局限性。一个问题是在系统光源发生抖动时，会导致 OCT 中不同光谱之间的强度变化，从而影响通过 ED 提取的主成分，因为分解依赖于图像的统计特性。光源的不稳定性直接改变了主成分，导致血管成像的准确性和一致性发生变化。因此，bED 对光源抖动非常敏感，在强抖动条件下性能显著下降。另一个问题是组织对光的吸收和散射会导致 OCT 信号衰减，使得深层组织的信号减弱，从而严重降低深层区域的信噪比。因此，在提取主成分的 ED 分解过程中，可能无法完全提取深层血管。
光学衰减系数（OAC）是一个关键参数，反映了光通过组织时的衰减程度，代表了组织的固有特性 [20]。OAC 是组织的固有属性，因此与光强度无关。给定组织的 OAC 值不会随光强度的变化而变化。此外，光源的振动不会改变 OAC。这一特性使 OAC 能够更稳定地反映组织的固有特征，防止由于光源抖动导致的 OCT 信号强度减弱或噪声而无法提取深层微血管信息。然而，OCT 信号不可避免地包含噪声底限，这是一种均匀分布在 OCT 信号所有深度范围内的加性噪声。噪声底限的比例随深度增加而增加。这种现象称为噪声底限效应（NFE）。在这种情况下，当信号衰减到一定水平时，它不再显著减小，这严重影响了 OAC 的准确性。为了减轻噪声底限的影响，一种方法是从 OCT 信号中直接减去噪声底限的平均值 [21]。这种方法可以提高表层组织的 OAC 准确性。然而，在深层组织中，光信号几乎耗尽，噪声强度远超过信号强度，导致 OAC 值随深度增加而迅速波动。这显著影响了深层组织中 OAC 检测的准确性。另一种方法是 Li 等人提出的过度估计自由深度衰减估计方法 [22]，该方法截断 OCT 信号的尾部，然后使用补偿算法精确计算剩余信号的 OAC。然而，这种方法会导致深层组织的衰减信息丢失。
卡尔曼滤波是一种高效的回归技术，它结合了观测序列和基于模型的预测来获得最优状态估计，通常优于仅基于单一观测的估计 [23]。最近的研究将卡尔曼滤波器引入了光学相干断层扫描（OCT）。例如，Igor Gurov 等人使用卡尔曼滤波器动态跟踪 OCT 体积中的层边界，从而提高了边界位置的分辨率 [24]。Amir Tojani Zavareh 等人开发了一种无迹卡尔曼滤波器，用于扫描源 OCT 的光谱校准，减轻了非线性光谱扫描、相位不稳定性和激光噪声水平升高引起的图像退化 [25]。
在这项研究中，我们提出了一种基于 OAC 的卡尔曼滤波特征分解（oED）血管成像技术，用于抑制 OCTA 血管成像中的杂波并提取深层微血管。我们研究了基于 oED 的杂波抑制在去除组织运动和提取血流信息方面的性能，并将这项技术与 SV、静态 HPF 和 bED 进行了比较。oED 能够有效抑制静态组织和血管的杂波分离，同时减少对表层血管系统的影响，并提供更强的运动对比度。所提出的血管成像方法在 phantom 实验和小鼠脑血管成像中展示了其实用性。与传统的血管成像方法相比，我们的方法通过提高血管对比度和增强图像信号而具有优势。
