Laser Speckle Contrast Imaging (LSCI) is an imaging modality for real-time visualization of microcirculatory blood flow, commonly referred to as perfusion. The technology works by illuminating biological tissue with a laser and capturing the backscattered speckle pattern. The perfusion estimate is based on quantifying the image blurring that occurs due to the speckle pattern fluctuation. During captures, the imaged object has to be almost completely still, or there will be motion artifacts of overestimated perfusion data. PeriCam MultiFlow is a camera system based on LSCI technology that suffers from this limitation. In this thesis, we present an algorithm based on Shi-Tomasi corner detection and sparse Lucas-Kanade optical flow motion estimation, to predict in real-time whether motion artifacts are present in the perfusion images produced by MultiFlow. We evaluate the algorithm’s predictive performance as a binary classification problem using Matthew’s Correlation Coefficient (MCC) metric. We also assess the real-time capability by performing run-time measurements of the algorithm in isolation and when integrated into MultiFlow. We demonstrate that the algorithm performs better in certain cases, particularly on larger motions, while the algorithm struggles to differentiate between small motions and temporal noise. There are also performance differences between imaged objects. For instance, the algorithm is better at making predictions from small motions of a posterior hand than an anterior forearm or foot sole. However, the algorithm’s predictive performance can be consistently decent (MCC above 0.5) by choosing a balanced parameter configuration. Furthermore, we demonstrate that the algorithm is efficient enough for real-time processing in MultiFlow without impairing frame throughput from the camera.

Laser-speckel-kontrastavbildning (LSCI) är en teknik för realtidsvisualisering av mikrocirkulatorisk blodflöde, ofta kallad perfusion. Tekniken fungerar genom att belysa vävnad med en laser och fånga det reflekterade dynamiska speckelmönstret. Perfusionsuppskattningen baseras på att kvantifiera bildoskärpan som uppstår på grund av variationer i speckelmönstret. Under en mätning måste det som avbildas vara nästan helt stilla annars kommer det att finnas rörelseartefakter av överskattade perfusionsvärden. PeriCam MultiFlow är en kameraapplikation baserad på LSCIteknik som har denna begränsning. I denna uppsats föreslår vi en algoritm baserad på Shi-Tomasi hörndetektion och Lucas-Kanade optiskt-flöde rörelseuppskattning för att förutsäga i realtid om rörelseartefakter är närvarande i de perfusionsbilder som produceras av MultiFlow. Vi utvärderar algoritmens prestanda som ett binärt klassificeringsproblem och använder Matthew’s Correlation Coefficient (MCC). Vi utvärderar också realtidskapaciteten genom att utföra körtidsmätningar av algoritmen både enskilt och integrerad i MultiFlow. Vi påvisar att algoritmens prestanda är hög i vissa fall, särskilt vid större rörelser. Algoritmen har däremot svårt att skilja brus och små rörelser åt. Det finns också variation mellan olika inspelningar. Algoritmen är bättre på att detektera små rörelser på inspelning av baksidan av handen än på inspelning av framsidan av underarmen eller fotsulan. Dock så är algoritmens allmänna prestanda hyfsad (MCC över 0.5) genom att välja en balanserad parameterkonfiguration. Vidare visade vi att algoritmen är tillräckligt effektiv för realtidsbehandling i MultiFlow utan att begränsa genomströmningen av bilder från kameran.