强大的血管细分用于激光光斑对比的原始复杂图像,基于弱监督学习
IEEE transactions on medical imaging
|June 19, 2023
概括
这项研究引入了一种弱监督的深度学习方法,用于在激光光斑对比成像 (LSCI) 中对血管进行细分. 开发的FURNet模型克服了注释方面的挑战,使得疾病诊断的精确微循环分析成为可能.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医疗人工智能 医疗人工智能
- 微循环研究 微循环研究
背景情况:
- 激光光斑对比成像 (LSCI) 提供高分辨率的局部血流微循环的非侵入性实时分析.
- 在LSCI图像中血管细分是具有挑战性的,因为噪音,复杂的结构和疾病区域的不规则偏差.
- 有限的注释LSCI数据阻碍了对血管细分的监督深度学习应用.
研究的目的:
- 开发一种强大的弱监督学习方法,用于LSCI血管细分.
- 设计一个有效的深度神经网络 (FURNet),用于精确的血管细分.
- 解决LSCI图像注释方面的困难,并改进深度学习应用程序.
主要方法:
- 提出一种弱监督的学习方法,使用值组合和处理流来生成基准真实数据,避免手动注释.
- 设计了FURNet,这是一个集成UNet++和ResNeXt架构的深度神经网络.
- 在构造和未知的LSCI数据集上训练并验证了FURNet模型.
主要成果:
- 通过训练的FURNet模型实现了高质量的血管细分.
- 在多个LSCI数据集和场景中展示了良好的概括能力.
- 成功验证了瘤微循环在栓塞治疗之前和之后的体内方法.
结论:
- 开发的弱监督方法为LSCI血管细分提供了一种新的方法.
- FURNet显示了准确的微循环分析和人工智能辅助疾病诊断的巨大潜力.
- 这项工作推动了人工智能在医学成像和诊断方面的应用.
